深度学习在生物医药领域的应用
本数据库通过收集和整理最新科研文献信息而得，供了解领域前沿进展之用。数据源自 PubMed Data ，每日自动更新（使用关键词“['deep learning']”过滤），已收录文献数量参见 统计表格。表格内容由 GPT 自动整理，可能存在错误或遗漏，请使用时务必注意核实！
如有建议或合作意向，欢迎联系 linlin.yan(AT)bioinfo.app 或 微信 yanlinlin82。本项目遵循 MIT 许可 发布，欢迎下载 源码 自行修改使用。如觉得不错，还请不吝 给我打赏，你的支持是我继续创新的重要动力！
添加微信请说明来意
微信赞赏
除通过在线浏览外，为方便用户离线查阅，本站也提供 付费下载（定价19.9元）。之所以考虑收费，是因为批量扫描这些文献并整理也是有一定成本的，还请理解并多多支持。本站数据会持续更新，而仅需一次付费，未来就可以随时重新下载到最新版本数据。
当前共找到 988 篇文献，本页显示第 461 - 480 篇。
| 序号 | 推送日期 | 文章 | 类型 | 简述 | 创新点 | 不足 | 研究目的 | 研究对象 | 领域 | 病种 | 技术 | 模型 | 数据类型 | 样本量 | 算法框架 | 模型架构 | 性能指标 | 计算资源 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 461 | 2025-10-06 |
Comparison of neural networks for classification of urinary tract dilation from renal ultrasounds: evaluation of agreement with expert categorization
2025-Aug, Pediatric radiology
IF:2.1Q2
DOI:10.1007/s00247-025-06311-5
PMID:40613839
|
研究论文 | 本研究开发并评估了不同深度学习模型在婴儿肾脏超声图像中自动分类尿路扩张的能力 | 首次系统比较多种深度学习模型在婴儿尿路扩张分类任务中的表现，并评估其与专家分类的一致性 | 研究样本量相对有限，仅包含3个月以下婴儿的肾脏超声数据 | 开发自动化的尿路扩张分类系统以简化肾脏超声的临床解读 | 婴儿肾脏超声图像 | 计算机视觉 | 尿路扩张 | 超声成像 | 深度学习模型 | 图像 | 492张右侧肾脏超声和487张左侧肾脏超声，来自3个月以下的婴儿 | NA | NA | 准确率, 加权kappa分数 | NA |
| 462 | 2025-10-06 |
Accelerated brain magnetic resonance imaging with deep learning reconstruction: a comparative study on image quality in pediatric neuroimaging
2025-Aug, Pediatric radiology
IF:2.1Q2
DOI:10.1007/s00247-025-06314-2
PMID:40650736
|
研究论文 | 比较深度学习重建技术在加速儿科脑部磁共振成像中的图像质量表现 | 首次在儿科神经影像学中系统比较传统MRI、传统MRI+DLR和加速MRI+DLR三种重建方法的图像质量 | 回顾性研究设计，样本量相对有限（116名参与者） | 评估深度学习重建加速脑部MRI在儿科神经影像学中的临床可行性 | 116名儿科参与者（平均年龄7.9±5.4岁） | 医学影像分析 | 儿科神经系统疾病 | 磁共振成像，深度学习重建 | 深度学习 | 医学影像 | 116名儿科患者 | NA | NA | 图像质量评分，锐度，伪影，噪声，病变显著性，图像噪声测量，变异系数，加权Cohen's kappa | NA |
| 463 | 2025-06-13 |
Reassessment of deep learning-based surgical phase recognition in laparoscopic cholecystectomy
2025-Aug-31, Annals of hepato-biliary-pancreatic surgery
IF:1.1Q3
DOI:10.14701/ahbps.25-059
PMID:40499925
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 464 | 2025-10-06 |
Leveraging deep learning and structure-based drug repurposing for the discovery of potent Trk-A inhibitors targeting CIPA
2025-Aug, Bioorganic chemistry
IF:4.5Q1
DOI:10.1016/j.bioorg.2025.108680
PMID:40517591
|
研究论文 | 本研究结合深度学习和基于结构的药物重定位方法，发现针对CIPA的强效Trk-A抑制剂 | 首次将深度学习ANN模型与结构基药物重定位相结合筛选Trk-A抑制剂，从FDA已批准药物库中发现新适应症 | 研究仅基于计算模拟验证，缺乏实验验证数据 | 发现针对CIPA疾病的新型、强效且无毒的Trk-A抑制剂 | Trk-A靶向化合物和FDA批准药物库 | 机器学习 | 遗传性感觉和自主神经病（CIPA） | 深度学习、分子对接、分子动力学模拟 | ANN | 生物活性数据、化合物结构数据 | NA | NA | 人工神经网络 | RMSD, RMSF, Rg, H-bonds, PCA, MMGBSA/MMPBSA | NA |
| 465 | 2025-10-06 |
AF3Score: A Score-Only Adaptation of AlphaFold3 for Biomolecular Structure Evaluation
2025-Aug-11, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c00653
PMID:40671257
|
研究论文 | 本研究将AlphaFold3改造成仅用于评分的模型AF3Score，用于生物分子结构评估 | 通过绕过基于扩散的结构模块，直接将输入坐标输入置信度头，避免了传统AlphaFold2方法需要迭代优化输入结构导致的评分偏差 | NA | 开发一种无需结构优化的生物分子复合物评分方法 | 单体蛋白质、蛋白质-蛋白质复合物、从头设计结合剂、折叠转换蛋白质和蛋白质-配体复合物 | 计算生物学 | NA | 深度学习 | AlphaFold3 | 生物分子结构坐标 | NA | NA | AlphaFold3架构（修改版） | 结合剂筛选性能、富集率、成功率 | NA |
| 466 | 2025-10-06 |
Transfer Learning for Predicting ncRNA-Protein Interactions
2025-Aug-11, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c00914
PMID:40679953
|
研究论文 | 提出基于迁移学习的Transfer-RPI框架，用于预测非编码RNA与蛋白质相互作用 | 结合RiNALMo和ESM模型提取RNA和蛋白质序列特征，通过迁移学习解决小数据集下的预测性能限制 | 未明确说明模型在独立验证集上的泛化能力及计算资源需求 | 开发高精度的ncRNA-蛋白质相互作用预测方法 | 非编码RNA与蛋白质的相互作用对 | 生物信息学 | NA | 迁移学习，深度特征学习 | 深度学习 | RNA序列，蛋白质序列 | RPI369、RPI488、RPI1807、RPI2241和NPInter v2.0五个数据集 | NA | RiNALMo, ESM | 准确率 | NA |
| 467 | 2025-10-06 |
m5U-HybridNet: Integrating an RNA Foundation Model with CNN Features for Accurate Prediction of 5-Methyluridine Modification Sites
2025-Aug-11, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c01237
PMID:40693567
|
研究论文 | 提出m5U-HybridNet框架，通过整合RNA基础模型和CNN特征来精确预测RNA中的5-甲基尿苷修饰位点 | 创新性地将RNA基础模型（RNA-FM）的深度语义特征提取与卷积神经网络特征进行策略性整合 | NA | 开发计算模型以精确识别RNA中的5-甲基尿苷修饰位点 | RNA中的5-甲基尿苷修饰位点 | 计算生物学 | NA | RNA修饰位点预测 | CNN, 基础模型 | RNA序列数据 | NA | NA | m5U-HybridNet, RNA-FM | NA | NA |
| 468 | 2025-10-06 |
Prediction of Fraction Unbound in Human Plasma for Per- and Polyfluoroalkyl Substances: Evaluating Transfer Learning as an Algorithmic Solution to the Problem of Sparse Data
2025-Aug-11, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c01040
PMID:40693597
|
研究论文 | 本文提出一种新的机器学习方法，通过迁移学习策略改进全氟和多氟烷基物质（PFAS）的血浆游离分数预测模型 | 提出跨化学空间的迁移学习策略，使用在广泛化学库上训练的深度学习模型并在PFAS小数据集上进行微调 | 数据稀疏且不平衡，导致对于PFAS类物质，先前的全局模型仍更具竞争力 | 改进全氟和多氟烷基物质（PFAS）的血浆游离分数定量构效关系建模 | 全氟和多氟烷基物质（PFAS）及其他小化学家族 | 机器学习 | NA | 定量构效关系建模 | 深度学习,随机森林 | 化学结构数据 | 小数据集（具体数量未提及） | NA | NA | 统计性能指标 | NA |
| 469 | 2025-10-06 |
Uncertainty-Informed Screening for Safer Solvents Used in the Synthesis of Perovskites via Language Models
2025-Aug-11, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c00612
PMID:40694668
|
研究论文 | 提出一种结合BERT/ELMo确定性精度与GPT上下文深度的集成方法，用于钙钛矿合成中溶剂的安全筛选 | 通过集成双向上下文模型和自回归生成模型的互补优势，构建分层知识提取框架，并引入香农熵量化认知不确定性 | 以提高精度为代价牺牲了召回率，且缺乏该领域的基准数据集 | 开发不确定性感知的溶剂筛选方法，用于钙钛矿合成中更安全的溶剂选择 | 钙钛矿及其合成过程中使用的溶剂 | 自然语言处理 | NA | 语言模型，实体提取，结构匹配，实体归一化 | BERT, ELMo, GPT | 科学文献文本 | 保留部分论文子集用于手动验证 | NA | BERT, ELMo, GPT | 精度, 召回率, 结构依从性 | NA |
| 470 | 2025-10-06 |
MMF-MCP: A Deep Transfer Learning Model Based on Multimodal Information Fusion for Molecular Feature Extraction and Carcinogenicity Prediction
2025-Aug-11, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c01362
PMID:40711460
|
研究论文 | 提出基于多模态信息融合的深度迁移学习模型MMF-MCP，用于分子特征提取和致癌性预测 | 首次结合图注意力网络、卷积神经网络和深度残差网络SE-ResNet18进行多模态分子特征融合，并采用迁移学习策略从致突变性数据迁移知识到致癌性预测 | 未明确说明数据质量限制和特征丰富度不足的具体影响 | 提高分子致癌性预测的准确性、鲁棒性和可解释性 | 分子致癌性 | 机器学习 | 癌症 | 多模态信息融合 | 图注意力网络, 卷积神经网络, 深度残差网络 | 分子图数据, 分子指纹数据, 分子图像 | NA | NA | SE-ResNet18 | ACC, AUC, SE, SP | NA |
| 471 | 2025-10-06 |
Benchmarking 3D Structure-Based Molecule Generators
2025-Aug-11, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c01020
PMID:40711830
|
研究论文 | 创建了一个新颖的基准测试来评估3D结构分子生成器在重现蛋白质-配体相互作用和3D配体构象方面的性能 | 开发了首个专注于蛋白质-配体相互作用和3D配体构象重现的分子生成器基准测试 | 深度学习方法无法生成结构有效的分子和3D构象，组合方法速度慢且生成的分子容易无法通过2D MOSES过滤器 | 评估和比较3D结构分子生成器的性能，为改进深度学习结构生成器提供指导 | 蛋白质-配体复合物和3D分子结构 | 机器学习 | NA | 结构基药物设计 | 图神经网络,扩散模型,遗传算法 | 3D分子结构数据 | BindingMOAD数据集包含保留的盲测集 | NA | Pocket2Mol, PocketFlow, DiffSBDD, MolSnapper, AutoGrow4, LigBuilderV3 | 结构有效性, 3D配体构象质量, 蛋白质-配体相互作用重现能力 | NA |
| 472 | 2025-10-06 |
Representation of Molecules by Sequences of Instructions
2025-Aug-11, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c00354
PMID:40720985
|
研究论文 | 提出一种基于指令序列的分子表示新方法，用于解决分子图结构在计算智能方法中的表示难题 | 定义精简指令集，通过指令序列构建分子表示，确保所有字符串都对应有效分子，且字符串的微小变化对应分子结构的微小改变 | NA | 开发适用于计算智能系统的分子表示方法 | 分子结构和化学信息 | 机器学习 | NA | 分子表示方法 | 深度学习模型 | 分子结构数据 | NA | NA | NA | NA | NA |
| 473 | 2025-10-06 |
DGMM: A Deep Learning-Genetic Algorithm Framework for Efficient Lead Optimization in Drug Discovery
2025-Aug-11, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c01017
PMID:40736165
|
研究论文 | 提出一种结合深度学习和遗传算法的分子优化框架DGMM，用于药物发现中的先导化合物优化 | 首次将变分自编码器与遗传算法协同集成，引入骨架约束表示学习策略，并采用多目标优化平衡药物相似性与靶标活性 | NA | 解决药物发现中先导化合物优化时结构多样性与核心分子特征保留的双重挑战 | 药物分子 | 机器学习 | NA | 深度学习，遗传算法 | VAE | 分子结构数据 | 三个不同靶标（CHK1、CDK2、HDAC8）的验证数据 | NA | 变分自编码器 | 生物活性提升倍数 | NA |
| 474 | 2025-10-06 |
SMILES Token Additivity Model with Interpretability and Generalizability for Fuel Property Predictions
2025-Aug-11, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c00986
PMID:40719477
|
研究论文 | 提出一种基于SMILES标记可加性模型，用于准确预测燃料性质并解释结构-性质关系 | 无需手工设计分子指纹，通过量化单个标记对目标性质的贡献实现模型可解释性，并具有广泛的结构相关性质泛化能力 | NA | 开发具有可解释性和泛化能力的深度学习模型用于燃料性质预测 | 燃料分子的七种关键性质：标准生成焓、熵、等压热容、十六烷值、沸点、熔点和闪点 | 机器学习 | NA | SMILES（简化分子线性输入系统） | 自注意力编码器 | 分子结构文本数据（SMILES字符串） | NA | NA | 堆叠多头自注意力编码器 | 平均绝对误差,均方根误差,R² | NA |
| 475 | 2025-10-06 |
Real time blood detection in CCTV surveillance using attention enhanced InceptionV3
2025-Aug-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-14941-w
PMID:40775533
|
研究论文 | 提出一种结合注意力机制的实时深度学习框架，用于CCTV监控视频中的血迹检测 | 将InceptionV3架构与卷积块注意力模块相结合，并提出了增强对小尺寸血迹模式关注度的注意力模块 | NA | 实时检测监控视频中的血迹，提升医疗急救和公共安全响应能力 | CCTV监控视频中的血迹检测 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 超过9500张手动标注的CCTV图像 | NA | InceptionV3,Convolutional Block Attention Modules | 准确率,精确率,召回率,F1分数 | NA |
| 476 | 2025-10-06 |
Building digital histology models of transcriptional tumor programs with generative deep learning for pathology-based precision medicine
2025-Aug-07, Genome medicine
IF:10.4Q1
DOI:10.1186/s13073-025-01502-z
PMID:40775734
|
研究论文 | 利用生成式深度学习构建转录肿瘤程序的数字组织学模型，实现基于病理学的精准医疗 | 通过生成对抗网络从组织学图像中预测转录程序活性并生成合成数字模型，超越单个分子特征的预测 | 研究仅针对鳞状细胞癌，尚未验证在其他癌症类型中的适用性 | 开发从组织学图像推断肿瘤转录程序的方法以支持精准医疗 | 鳞状细胞癌患者的组织学图像和RNA-seq数据 | 数字病理学 | 鳞状细胞癌 | RNA-seq, 生成对抗网络 | GAN, 深度学习模型 | 组织学图像, 转录组数据 | NA | NA | 生成对抗网络 | NA | NA |
| 477 | 2025-10-06 |
Machine learning training data: over 500,000 images of butterflies and moths (Lepidoptera) with species labels
2025-Aug-06, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-05708-z
PMID:40770239
|
研究论文 | 本文介绍了一个包含超过54万张奥地利蝴蝶和蛾类图像的数据集，用于机器学习模型训练 | 提供了目前最大的蝴蝶和蛾类图像数据集，包含185个物种，数据量远超其他已发布数据集 | 存在严重的类别不平衡问题，某些物种图像数量极少（仅1张），而其他物种图像数量接近3万张 | 加速基于图像的生物多样性数据处理，并为公民科学提供教育价值 | 奥地利地区的185种蝴蝶和蛾类（鳞翅目昆虫） | 计算机视觉 | NA | 公民科学数据收集，专家验证 | 深度学习模型 | 图像 | 超过540,000张图像，涵盖185个物种 | NA | NA | NA | NA |
| 478 | 2025-10-06 |
Renji endoscopic submucosal dissection video data set for colorectal neoplastic lesions
2025-Aug-06, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-05718-x
PMID:40770268
|
研究论文 | 本研究提出了首个专门针对结直肠肿瘤性病变的内镜黏膜下剥离术视频数据集 | 首个专门针对结直肠肿瘤性病变治疗的公开可获取ESD视频数据集 | 数据集规模相对较小，仅包含30个手术记录 | 为内镜手术阶段识别系统提供标注数据集支持 | 结直肠肿瘤性病变的内镜黏膜下剥离术视频 | 计算机视觉 | 结直肠肿瘤 | 内镜黏膜下剥离术 | 深度学习算法 | 视频 | 30个手术视频，包含130,298个阶段特异性标注 | NA | NA | NA | NA |
| 479 | 2025-10-06 |
A combinatorial mutational map of active non-native protein kinases by deep learning guided sequence design
2025-Aug-03, bioRxiv : the preprint server for biology
DOI:10.1101/2025.08.03.668353
PMID:40766444
|
研究论文 | 通过深度学习引导的序列设计构建活性非天然蛋白激酶的组合突变图谱 | 突破了传统方法只能进行少量突变或局限于进化相似序列的限制，实现了对天然蛋白酪氨酸激酶的高度组合突变设计 | NA | 探索高度组合和稀疏的序列-功能景观在突变尺度上的功能探索 | 蛋白酪氨酸激酶 | 机器学习 | NA | 深度学习引导的序列设计，无细胞检测 | 深度学习 | 蛋白质序列数据 | 537个重新设计的序列 | NA | NA | NA | NA |
| 480 | 2025-10-06 |
What does it take to learn the rules of RNA base pairing? A lot less than you may think
2025-Aug-02, bioRxiv : the preprint server for biology
DOI:10.1101/2025.07.31.668042
PMID:40766544
|
研究论文 | 本研究探索了使用极小参数模型重新发现RNA碱基配对规则的可能性 | 证明仅需21个参数的随机上下文无关文法模型，无需结构标注或序列比对，就能从少量RNA序列中学习到碱基配对规则 | 模型参数较少，可能无法捕捉更复杂的RNA结构特征 | 探索RNA碱基配对规则学习的最小需求 | RNA序列及其碱基配对规则 | 机器学习 | NA | 自动微分，随机梯度下降 | 随机上下文无关文法 | RNA序列 | 少至50条RNA序列 | 自动微分框架 | SCFG | NA | NA |