深度学习在生物医药领域的应用

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
61	2026-03-14	af2rave: protein ensemble generation with physics-based sampling 2025-Aug-06, Digital discovery IF:6.2Q1 DOI:10.1039/d5dd00201j PMID:40621440	研究论文	介绍了一个名为af2rave的开源Python软件包，该软件包通过整合AlphaFold2结构预测与基于物理的分子动力学采样，实现了高效生成蛋白质构象集合的自动化工作流程	改进了原有的AlphaFold2-RAVE协议，通过特征选择模块自动识别重要的集体变量，显著减少了系统先验知识的需求，并实现了与长时间无偏分子动力学模拟相当的构象采样效率，同时大幅降低了计算成本	NA	开发一种高效、自动化的方法来生成蛋白质的替代构象集合，以支持药物发现和结构生物学研究	蛋白质构象集合	计算生物学	NA	AlphaFold2结构预测，分子动力学模拟	深度学习模型	蛋白质序列，结构数据	多个系统，包括腺苷激酶、人DDR1激酶和SARS-CoV-2刺突蛋白受体结合域	Python	AlphaFold2	构象采样效率，计算成本	NA
62	2026-03-05	Integrating Imaging-Derived Clinical Endotypes with Plasma Proteomics and External Polygenic Risk Scores Enhances Coronary Microvascular Disease Risk Prediction 2025-Aug-21, medRxiv : the preprint server for health sciences DOI:10.1101/2025.08.18.25333844 PMID:40894134	研究论文	本研究通过整合影像学衍生的临床内型、血浆蛋白质组学和外源多基因风险评分，开发了冠状动脉微血管疾病的风险预测模型	首次应用影像学内型分型，并结合遗传和蛋白质组学数据进行CMVD风险预测，提出了一种用于复杂疾病的多模态建模框架	CMVD的大规模全基因组关联研究缺乏，限制了多基因风险评分模型的开发	增强冠状动脉微血管疾病的风险预测能力	冠状动脉微血管疾病患者	机器学习	心血管疾病	全基因组关联研究，血浆蛋白质组学，灌注PET成像	机器学习，深度学习	影像数据，蛋白质组学数据，遗传数据	NA	NA	NA	AUROC	NA
63	2026-03-05	Genomic Characterization of Lung Cancer in Never-Smokers Using Deep Learning 2025-Aug-20, bioRxiv : the preprint server for biology DOI:10.1101/2025.08.14.670178 PMID:40894597	研究论文	本文提出了一种基于ResNet50架构的定制化深度卷积神经网络，用于从未吸烟者肺腺癌的H&E染色全切片图像中同时预测16种分子改变	首次将深度学习模型专门应用于从未吸烟者的肺腺癌，这是一种分子和组织学上独特的肺癌亚型，并针对该亚型优化了网络架构，实现了从单张WSI同时预测多种分子特征	模型对肿瘤突变负荷、APOBEC突变特征及某些KRAS热点突变的预测性能较低至中等	开发一种深度学习模型，用于从未吸烟者肺腺癌的组织学图像中推断分子特征，以支持分子检测的分流和精准治疗策略	从未吸烟者的肺腺癌患者的H&E染色全切片图像	数字病理学	肺癌	H&E染色	CNN	图像	495张全切片图像	NA	ResNet50	AUROC	NA
64	2026-02-18	Advancing Luciferase Activity and Stability beyond Directed Evolution and Rational Design through Expert Guided Deep Learning 2025-Aug-29, bioRxiv : the preprint server for biology DOI:10.1101/2025.08.25.672183 PMID:40909496	研究论文	本研究提出了一种结合深度学习与结构引导理性设计的混合方法，以开发增强型NanoLuc荧光素酶变体，提升其热稳定性和高温活性	通过整合计算深度学习与结构引导理性设计，克服了传统定向进化和理性设计的局限性，有效优化了荧光素酶的稳定性-活性权衡	研究主要针对NanoLuc荧光素酶，其方法在其他酶类中的普适性仍需进一步验证	优化NanoLuc荧光素酶的热稳定性和高温活性，以改进生物成像和传感应用	NanoLuc荧光素酶（NLuc）及其工程变体	机器学习	NA	深度学习，分子动力学模拟，蛋白质折叠研究	深度学习模型	蛋白质序列和结构数据	工程变体库（包括变体B.07和B.09）	NA	NA	热稳定性增强（如50%溶解度下的温度增加），高温活性提升（如55°C下的活性百分比）	NA
65	2026-02-11	Assessing the potential of deep learning for protein-ligand docking 2025-Aug-12, ArXiv PMID:38827451	研究论文	本文介绍了PoseBench，首个用于蛋白质-配体对接的全面基准测试，旨在评估深度学习方法在预测蛋白质结构、多配体结合及未知结合口袋场景下的性能	首次系统研究深度学习方法在预测（apo）蛋白质结构、多配体并发结合及无先验结合口袋知识三种实际场景下的表现，并引入首个多配体基准数据集	深度学习方法在预测新颖蛋白质-配体结合构象时仍面临挑战，且在结构准确性与化学特异性之间难以平衡	评估深度学习方法在蛋白质-配体对接中的实际应用潜力，特别是在药物发现和酶设计等生物医学研究领域	蛋白质-配体对接方法，包括深度学习和传统算法	机器学习	NA	深度学习	深度学习模型	蛋白质结构数据，配体数据	NA	NA	AlphaFold 3	结构准确性，化学特异性	NA
66	2026-02-09	UNISELF: A Unified Network with Instance Normalization and Self-Ensembled Lesion Fusion for Multiple Sclerosis Lesion Segmentation 2025-Aug-06, ArXiv PMID:41479462	研究论文	本文提出了一种名为UNISELF的统一网络，用于多发性硬化病灶的自动分割，通过实例归一化和自集成病灶融合技术，在单源有限数据训练下优化了域内精度和域外泛化能力	引入测试时自集成病灶融合和测试时实例归一化，以同时提升单训练域内的分割精度并增强对多域外测试数据集的泛化能力，有效处理域偏移和缺失输入对比度问题	方法仅在特定公开和私有数据集上验证，可能未覆盖所有临床场景；训练数据有限，可能影响在更广泛数据上的性能	开发一种深度学习方法来优化多发性硬化病灶的自动分割，在保证域内精度的同时提高跨域泛化能力	多发性硬化病灶	数字病理学	多发性硬化	多对比磁共振成像	深度学习网络	图像	基于ISBI 2015纵向MS分割挑战训练数据集，并测试于MICCAI 2016、UMCL公共数据集及私有多站点数据集	NA	统一网络（UNISELF）	分割精度	NA
67	2026-02-08	Resolution enhancement and target segmentation of medical images based on the frequency-domain information in deep learning 2025-Aug-20, Applied optics IF:1.7Q3 DOI:10.1364/AO.557903 PMID:40981883	研究论文	本文提出了一种基于频域信息的深度学习网络，用于增强医学图像分辨率并优化细胞分割	通过将图像映射到频域，独立处理振幅和相位信息，并采用融合策略恢复清晰图像，超越了传统空间域方法	NA	提高医学图像分辨率以优化细胞分割，支持癌症诊断和分级	数字病理图像中的细胞核	数字病理	癌症	深度学习	CNN	图像	NA	NA	频域分辨率网络	NA	NA
68	2026-02-08	SynAnno: Interactive Guided Proofreading of Synaptic Annotations 2025-Aug-12, bioRxiv : the preprint server for biology DOI:10.1101/2025.08.09.669342 PMID:40832296	研究论文	本文介绍了SynAnno，一种用于大规模连接组学数据集中突触注释交互式校对的新工具	开发了集成了结构化工作流程、优化遍历路径、3D迷你地图以及微调机器学习模型的交互式校对工具，以提升校对效率和准确性	NA	旨在通过交互式工具改进连接组学中突触注释的校对过程	大规模连接组学数据集中的突触注释	数字病理学	NA	深度学习	NA	图像	涉及七位神经科学专家的用户和案例研究	PyTorch	NA	校对速度、认知负荷、注释错误率	NA
69	2026-02-08	Predicting Retinal Nerve Fiber Layer Thickness From Ocular Hypertension Treatment Study Optic Disc Photographs 2025-08-01, JAMA ophthalmology IF:7.8Q1 DOI:10.1001/jamaophthalmol.2025.1740 PMID:40569586	研究论文	本研究利用深度学习模型从眼压治疗研究的视盘照片中预测视网膜神经纤维层厚度，并评估其作为原发性开角型青光眼风险因素的有效性	首次使用深度学习模型从视盘照片预测RNFL厚度，并将其作为青光眼发展的风险因素进行评估	研究基于特定队列（OHTS），可能无法推广到其他人群；模型预测依赖于照片质量	预测RNFL厚度并评估其作为原发性开角型青光眼风险因素的有效性	眼压升高但无青光眼的患者	数字病理学	青光眼	深度学习	深度学习模型	图像	1636名参与者的3272只眼睛，共66714张视盘照片	NA	M2M模型	风险比, 置信区间, P值	NA
70	2026-02-02	Autonomous Closed-Loop Control for Robotic Soft Tissue Electrosurgery Using RGB-D Image Guidance 2025-Aug, IEEE transactions on medical robotics and bionics IF:3.4Q2 DOI:10.1109/tmrb.2025.3583169 PMID:41613948	研究论文	本文提出了一种利用RGB-D图像引导的自主闭环机器人软组织电外科手术系统，旨在通过三维组织跟踪和基于图像的反馈控制来提高手术精度	开发了一种结合基于深度学习的无标记跟踪模型（CoTracker）和工具遮挡算法的三维组织跟踪器，无需先验组织模型知识即可实现组织变形跟踪，并采用模糊逻辑控制器动态调整切割速度以最小化切割误差	研究仅在离体猪舌组织上进行验证，尚未在活体或临床环境中测试；样本量较小（闭环N=6，开环N=3）	提高口腔癌电外科手术中肿瘤切除的精度和一致性，以减少癌症复发的可能性	口腔癌的肿瘤切除手术，具体使用离体猪舌组织作为实验对象	计算机视觉	口腔癌	RGB-D（红绿蓝-深度）传感，电外科手术	深度学习模型	RGB-D图像	离体猪舌组织，闭环操作6次，开环操作3次	NA	CoTracker	平均切割误差	NA
71	2026-01-30	Sparse Learning Enabled by Constraints on Connectivity and Function 2025-Aug-22, Physical review letters IF:8.1Q1 DOI:10.1103/918k-x6np PMID:40929306	研究论文	本文通过可解模型研究稀疏连接对网络性能的影响，并探索了实现稀疏性的优化方法	利用可解关联学习模型评估多种稀疏诱导约束，发现消除弱连接可达到与ℓ0范数约束相近的稀疏效率，并实现在线稀疏化方法	基于理论模型研究，未在真实生物神经网络或复杂深度学习任务中验证	探索在不损害网络性能的前提下实现稀疏连接的方法	人工神经网络与生物神经网络的稀疏连接特性	机器学习	NA	关联学习模型	人工神经网络	理论模型数据	NA	NA	可解关联学习模型	稀疏效率，网络性能	NA
72	2026-01-30	Automated Deep Learning Pipeline for Callosal Angle Quantification 2025-Aug-21, medRxiv : the preprint server for health sciences DOI:10.1101/2025.08.18.25333901 PMID:40894175	研究论文	本文开发了一个全自动深度学习框架，用于从原始T1 MPRAGE和非MPRAGE MRI扫描中量化胼胝体角，以辅助正常压力脑积水的诊断	提出了一种结合BrainSignsNET模型进行关键解剖标志点检测和基于UNet的分割网络进行侧脑室分割的全自动框架，实现了胼胝体角的鲁棒量化，性能优于报告的人工观察者间变异性	外部验证仅使用了来自单一医院的216个临床MRI扫描，样本来源可能有限；未明确讨论模型在不同MRI扫描仪或协议下的泛化能力	开发一个全自动、可靠的深度学习框架，用于从MRI扫描中量化胼胝体角，以改善正常压力脑积水的诊断	正常压力脑积水患者的MRI扫描图像	数字病理学	正常压力脑积水	T1 MPRAGE MRI, 非MPRAGE MRI	深度学习	3D MRI图像	使用巴尔的摩纵向衰老研究和BIOCARD数据集进行训练和内部验证，外部验证使用约翰霍普金斯湾景医院的216个临床MRI扫描	NA	BrainSignsNET, UNet with EfficientNetB0 encoder	相关系数(r), p值, 平均绝对误差(MAE), 标准差(SD)	NA
73	2026-01-30	StructVPR++: Distill Structural and Semantic Knowledge With Weighting Samples for Visual Place Recognition 2025-Aug, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3556859 PMID:40168193	研究论文	本文提出了一种名为StructVPR++的视觉地点识别框架，通过分割引导的蒸馏方法将结构和语义知识嵌入到RGB全局表示中，以在准确性和效率之间取得良好平衡	主要创新点在于从全局描述符中解耦标签特定特征，实现图像对之间的显式语义对齐，而无需在部署时进行分割；并引入了样本加权蒸馏策略，优先处理可靠训练对并抑制噪声对	未在摘要中明确说明	解决自动驾驶和机器人技术中的视觉地点识别挑战，旨在缩小全局检索与重排序之间的差距	视觉地点识别任务	计算机视觉	NA	分割引导的蒸馏方法	深度学习模型	RGB图像	在四个基准数据集上进行实验	NA	StructVPR++	Recall@1	NA
74	2026-01-29	ProtoECGNet: Case-Based Interpretable Deep Learning for Multi-Label ECG Classification with Contrastive Learning 2025-Aug, Proceedings of machine learning research PMID:41394314	研究论文	提出了一种基于原型推理的可解释深度学习模型ProtoECGNet，用于多标签心电图分类	结合了1D CNN与全局原型、2D CNN与时间局部原型、2D CNN与全局原型的多分支架构，并设计了适用于多标签学习的原型损失函数，包含聚类、分离、多样性和新颖的对比损失	NA	开发可解释的深度学习模型用于临床心电图分类	心电图信号	机器学习	心血管疾病	深度学习	CNN	时间序列数据	PTB-XL数据集	NA	1D CNN, 2D CNN	NA	NA
75	2026-01-27	Data Mining-Based Model for Computer-Aided Diagnosis of Autism and Gelotophobia: Mixed Methods Deep Learning Approach 2025-Aug-13, JMIR formative research IF:2.0Q4 DOI:10.2196/72115 PMID:40802390	研究论文	本研究开发了一种基于深度学习的诊断系统，结合面部情绪识别和验证问卷，用于检测自闭症谱系障碍（ASD）患者或非ASD个体的恐笑症	创新点在于整合面部情绪识别（使用DeepFace库）与验证问卷（GELOPH<15>），通过混合方法提升恐笑症检测的准确性和可靠性，特别是在面部线索模糊时	局限性包括在面部表情模糊时，仅依赖DeepFace模型可能不足，需结合问卷以提高诊断一致性；样本主要来自Kaggle和ASD相关网站，可能缺乏多样性	研究目标是开发一个自动化诊断系统，用于早期检测恐笑症，以改善ASD患者的生活质量和干预效果	研究对象包括自闭症谱系障碍（ASD）患者和神经典型个体，特别是青少年高功能ASD患者	计算机视觉	自闭症谱系障碍	面部情绪识别，问卷调查	多层感知机	图像	2932张面部图像（1466张来自ASD个体，1466张来自神经典型个体）	PyTorch, scikit-learn, NumPy, Pandas, DeepFace	多层感知机	准确率	使用CUDA加速的兼容GPU
76	2026-01-27	BOLD-GPCRs: A Transformer-Powered App for Predicting Ligand Bioactivity and Mutational Effects Across Class A GPCRs 2025-Aug-06, bioRxiv : the preprint server for biology DOI:10.1101/2025.08.04.668547 PMID:40799593	研究论文	本研究介绍了一个名为BOLD-GPCRs的深度学习框架，旨在提升A类GPCRs配体生物活性的预测能力	结合了迁移学习和基于Transformer的蛋白质语言模型，以捕获受体序列/功能与配体活性之间的复杂关系	主要针对A类GPCRs，可能不适用于其他GPCR类别；依赖于现有配体和序列数据集，对于数据稀缺的受体预测能力可能受限	开发一个深度学习框架，用于准确预测A类GPCRs的配体生物活性和突变效应	A类G蛋白偶联受体及其配体	自然语言处理	NA	深度学习，迁移学习	Transformer, 密集神经网络	序列数据	NA	NA	BERT, Transformer	NA	NA
77	2026-01-24	A deep learning method for predicting interactions for intrinsically disordered regions of proteins 2025-Aug-15, bioRxiv : the preprint server for biology DOI:10.1101/2024.12.19.629373 PMID:39763873	研究论文	本文开发了一种名为Disobind的深度学习方法，用于预测蛋白质内在无序区域（IDRs）与结合伙伴之间的相互作用位点	Disobind方法结合了ProtT5蛋白质语言模型的序列嵌入，能够考虑结合伙伴的上下文信息，且不依赖于结构或多序列比对，在预测IDR界面方面优于现有方法	未在摘要中明确说明	开发一种深度学习方法以准确预测蛋白质内在无序区域（IDRs）与结合伙伴之间的相互作用	蛋白质内在无序区域（IDRs）及其结合伙伴	机器学习	NA	深度学习	基于ProtT5的模型	蛋白质序列	NA	NA	ProtT5	NA	NA
78	2026-01-24	Spatio-temporal learning from molecular dynamics simulations for protein-ligand binding affinity prediction 2025-Aug-02, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf429 PMID:40828893	研究论文	本文开发了MDbind数据集和新型神经网络，利用分子动力学模拟增强蛋白质-配体结合亲和力预测	通过分子动力学模拟作为数据增强，结合时空学习神经网络，提升了模型在偏置测试集上的泛化能力	训练数据有限，模型对蛋白质-配体相互作用的有效学习仍面临挑战	预测蛋白质-配体结合亲和力，解决现有深度学习模型泛化能力不足的问题	蛋白质-配体复合物	机器学习	NA	分子动力学模拟	神经网络	分子动力学模拟轨迹	63000个蛋白质-配体相互作用的模拟	NA	NA	NA	NA
79	2026-01-12	Optimized deep learning for brain tumor detection: a hybrid approach with attention mechanisms and clinical explainability 2025-Aug-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-04591-3 PMID:40858650	研究论文	本研究提出了一种结合VGG16、注意力机制和优化超参数的混合深度学习模型，用于从MRI图像中分类脑肿瘤，包括胶质瘤、脑膜瘤、垂体瘤和无肿瘤类别	整合了注意力机制和Grad-CAM可视化，实现了自动特征提取和临床可解释性，提升了分类准确性和透明度	未明确提及模型在外部验证数据集上的泛化能力或计算资源需求的具体限制	开发一种高性能且可解释的深度学习模型，用于脑肿瘤的自动检测和分类，以辅助临床诊断和治疗规划	脑肿瘤MRI图像，包括胶质瘤、脑膜瘤、垂体瘤和无肿瘤的样本	计算机视觉	脑肿瘤	磁共振成像（MRI）	CNN	图像	7023张MRI图像	未明确提及，但可能基于TensorFlow或PyTorch（基于常见深度学习实践）	VGG16	准确率、精确率、召回率	未明确提及
80	2026-01-11	A lightweight neural attention-based model for service chatbots 2025-Aug-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-14215-5 PMID:40804277	研究论文	本文提出了一种轻量级神经注意力机制，用于提升服务聊天机器人的上下文相关性和可扩展性	在现有注意力得分计算中引入标量函数，针对seq2seq架构优化对齐序列，从而改善上下文相关性并降低资源需求	未与基于Transformer的架构结合，未来可扩展至更广泛的序列预测任务	开发一种轻量级神经注意力机制，以增强服务聊天机器人的响应准确性和上下文相关性	服务聊天机器人	自然语言处理	NA	NA	seq2seq	文本	真实世界的Customer Support Twitter数据集	NA	seq2seq	BLEU-4, 训练时间, 验证损失	NA