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 1162 篇文献，本页显示第 81 - 100 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 81 | 2025-11-21 |
MolP-PC: a multi-view fusion and multi-task learning framework for drug ADMET property prediction
2025-Nov, Chinese journal of natural medicines
IF:4.0Q1
DOI:10.1016/S1875-5364(25)60945-9
PMID:41260779
|
研究论文 | 提出一种多视图融合和多任务学习框架MolP-PC，用于药物ADMET性质预测 | 整合1D分子指纹、2D分子图和3D几何表示的多视图融合，结合注意力门控融合机制和多任务自适应学习策略 | 模型在预测分布容积(VD)时存在低估倾向，对高组织分布化合物的分析有待改进 | 开发精确的药物ADMET性质预测框架以降低早期药物开发失败风险 | 药物分子及其ADMET性质 | 机器学习 | NA | 深度学习 | 多任务深度学习 | 分子指纹、分子图、几何表示 | NA | NA | 注意力门控融合机制 | NA | NA |
| 82 | 2025-11-21 |
Identification of natural product-based drug combination (NPDC) using artificial intelligence
2025-Nov, Chinese journal of natural medicines
IF:4.0Q1
DOI:10.1016/S1875-5364(25)60942-3
PMID:41260785
|
综述 | 本文全面回顾了人工智能在天然产物药物组合识别领域的最新进展 | 通过整合多源异质数据和自主特征提取，显著提高了预测准确性，为新型天然产物药物组合发现提供了强有力的技术途径 | 当前方法仍受限于实验数据碎片化、高成本和广泛的组合空间 | 加速天然产物药物组合的发现并为实验验证提供指导 | 天然产物药物组合 | 机器学习 | 复杂疾病 | 高通量筛选,人工智能算法 | 传统机器学习,深度学习 | 多源异质数据 | NA | NA | NA | 预测准确性 | NA |
| 83 | 2025-11-21 |
DeepGCGR: an interpretable two-layer deep learning model for the discovery of GCGR-activating compounds
2025-Nov, Chinese journal of natural medicines
IF:4.0Q1
DOI:10.1016/S1875-5364(25)60969-1
PMID:41260780
|
研究论文 | 提出一种可解释的双层深度学习模型DeepGCGR，用于加速发现GCGR激动剂化合物 | 首次将图卷积网络与多重注意力机制结合用于GCGR激动剂发现，并专门应用于中药天然产物的筛选 | 未提及模型验证的样本规模和数据来源局限性 | 开发高效发现GCGR激活化合物的计算方法 | 针对GCGR的化合物生物活性预测和功能分类 | 药物发现 | 2型糖尿病 | 深度学习，图卷积网络 | GCN | 化学化合物结构数据 | NA | NA | 图卷积网络(GCN)与多重注意力机制 | NA | NA |
| 84 | 2025-11-21 |
Advancing network pharmacology with artificial intelligence: the next paradigm in traditional Chinese medicine
2025-Nov, Chinese journal of natural medicines
IF:4.0Q1
DOI:10.1016/S1875-5364(25)60941-1
PMID:41260784
|
综述 | 本文探讨人工智能如何推动网络药理学在中医药研究中的发展 | 提出将人工智能技术整合到中医药网络药理学研究的新范式 | 未提及具体实验验证数据和实际应用案例 | 促进中医药网络药理学研究的现代化发展 | 中医药网络药理学研究方法 | 自然语言处理, 机器学习 | NA | 网络生物学, 深度学习 | 深度学习模型 | 网络数据, 药理学数据 | NA | NA | NA | NA | NA |
| 85 | 2025-11-21 |
Artificial intelligence in natural products research
2025-Nov, Chinese journal of natural medicines
IF:4.0Q1
DOI:10.1016/S1875-5364(25)60902-2
PMID:41260783
|
综述 | 本文探讨人工智能技术在天然药物研究中的应用与前景 | 系统阐述AI技术如何解决天然药物研究中成分复杂、提取困难等传统挑战 | 当前应用存在数据质量、模型可解释性和伦理问题等限制 | 加速天然药物的发现与开发进程 | 天然药物及其化学成分 | 机器学习 | NA | 深度学习, 机器学习 | DL, ML | 化学数据集 | NA | NA | NA | NA | NA |
| 86 | 2025-11-21 |
Artificial intelligence in traditional Chinese medicine: from systems biological mechanism discovery, real-world clinical evidence inference to personalized clinical decision support
2025-Nov, Chinese journal of natural medicines
IF:4.0Q1
DOI:10.1016/S1875-5364(25)60983-6
PMID:41260781
|
综述 | 概述人工智能在中医药领域的应用研究，涵盖系统生物学机制发现、真实世界临床证据推断和个性化临床决策支持 | 首次从系统生物学机制发现、真实世界临床证据推断和个性化临床决策支持三个维度系统梳理中医药与人工智能的融合研究 | 依赖高质量大规模数据仓库的建立和领域知识图谱的构建，在中医药证候机制解析和因果推断框架方面仍存在挑战 | 推动人工智能与中医药的跨学科融合，提升中医药科学研究和临床实践水平 | 中医药电子医疗记录、实验分子数据、中医证候机制、中药方剂和临床诊疗决策 | 自然语言处理, 机器学习 | 中医药相关疾病 | 电子医疗记录分析, 分子数据挖掘, 知识图谱构建 | 深度学习, 大语言模型 | 文本, 结构化医疗数据, 分子数据 | NA | NA | NA | NA | NA |
| 87 | 2025-11-21 |
RETRACTION: A Novel Deep Learning Framework for Accurate Melanoma Diagnosis Integrating Imaging and Genomic Data for Improved Patient Outcomes
2025-Nov, Skin research and technology : official journal of International Society for Bioengineering and the Skin (ISBS) [and] International Society for Digital Imaging of Skin (ISDIS) [and] International Society for Skin Imaging (ISSI)
IF:2.0Q3
DOI:10.1111/srt.70296
PMID:41261496
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 88 | 2025-11-20 |
Deep learning-based noise reduction method for the system matrix in magnetic particle imaging
2025-Nov-19, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ae19c9
PMID:41166879
|
研究论文 | 提出一种基于深度学习的磁粒子成像系统矩阵噪声抑制方法 | 首次将残差块与Swin Transformer模块结合的混合编码器-解码器网络用于MPI系统矩阵去噪 | 仅在模拟数据集和有限真实数据集上验证，未在更广泛的临床场景中测试 | 开发高效的噪声抑制方法以提升磁粒子成像图像质量 | 磁粒子成像系统矩阵 | 医学影像处理 | NA | 磁粒子成像 | 深度学习 | 系统矩阵数据 | 模拟数据集、OpenMPI数据集和内部MPI系统采集数据集 | NA | 混合编码器-解码器网络,Res-Blocks,Swin Transformer | 信噪比,峰值信噪比,结构相似性指数 | NA |
| 89 | 2025-11-20 |
Diagnostic performance of X-ray-based deep learning models for detecting ankle and foot fractures: a systematic review and meta-analysis
2025-Nov-19, Skeletal radiology
IF:1.9Q3
DOI:10.1007/s00256-025-05078-y
PMID:41254255
|
系统评价与荟萃分析 | 评估基于X射线的深度学习模型在检测踝足骨折中的诊断性能 | 首次对深度学习模型在踝足骨折X射线检测中的诊断准确性进行系统性综述和荟萃分析 | 纳入研究数量有限(14项)，需要更大样本量和外部验证的进一步研究 | 评估AI模型使用X射线图像检测踝足骨折的诊断准确性 | 踝部和足部骨折 | 医学影像分析 | 骨科创伤 | X射线成像 | 深度学习模型 | X射线图像 | 基于14项研究的汇总分析 | NA | NA | 灵敏度,特异性,F1分数,DOR | NA |
| 90 | 2025-11-20 |
Image Fusion for Super-Resolution Mass Spectrometry Imaging of Plant Tissue
2025-Nov-19, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202512662
PMID:41255198
|
研究论文 | 本研究提出了一种专用于植物组织质谱成像数据超分辨率融合的损失控制残差网络工作流程 | 开发了边缘感知损失函数来评估复杂形态信息，实现了高达20倍放样的高质量超分辨率融合图像 | 未明确说明样本数量和数据规模 | 提升植物组织质谱成像数据的超分辨率融合效果 | 植物组织质谱成像数据 | 计算机视觉 | NA | 质谱成像 | CNN | 图像 | NA | NA | 残差网络 | 边缘感知损失 | NA |
| 91 | 2025-11-20 |
Modulus Matching and Interface Enhancement: A Synergistic Strategy for Antidelamination High-Performance Stretchable Triboelectric Nanogenerator
2025-Nov-19, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202518027
PMID:41255257
|
研究论文 | 提出一种基于同源聚合物配对的抗分层高性能可拉伸摩擦纳米发电机构建策略 | 通过分子连续界面设计实现模量匹配和应变协调，结合超声空化处理将界面韧性提升至传统PDMS基界面的3.2倍 | NA | 开发具有抗分层特性的高性能可拉伸摩擦纳米发电机 | 摩擦纳米发电机的功能层界面 | 柔性电子 | NA | 超声空化处理 | 深度学习算法 | 字符识别数据 | NA | NA | NA | 准确率 | NA |
| 92 | 2025-11-20 |
Denoising single-cell RNA-seq data with a deep learning-embedded statistical framework
2025-Nov-19, BMC bioinformatics
IF:2.9Q1
DOI:10.1186/s12859-025-06296-w
PMID:41257571
|
研究论文 | 提出一种结合深度学习和统计建模的单细胞RNA测序数据去噪框架ZILLNB | 首次将零膨胀负二项回归与深度生成模型集成，通过变分自编码器和生成对抗网络学习细胞和基因层面的潜在表示 | 在样本量有限的情况下可能存在过拟合风险，模型机制解释性仍有提升空间 | 解决单细胞RNA测序数据中的技术噪声和零计数问题 | 单细胞RNA测序数据 | 生物信息学 | 特发性肺纤维化 | 单细胞RNA测序 | InfoVAE, GAN | 基因表达数据 | 多个单细胞RNA测序数据集（包括小鼠皮层和人类PBMC数据） | NA | 集成架构（InfoVAE+GAN） | 调整兰德指数, 调整互信息, AUC-ROC, AUC-PR, 错误发现率 | NA |
| 93 | 2025-11-20 |
MPIDNN-GPPI: multi-protein language model with an improved deep neural network for generalized protein‒protein interaction prediction
2025-Nov-19, BMC genomics
IF:3.5Q2
DOI:10.1186/s12864-025-12228-y
PMID:41257586
|
研究论文 | 提出一种基于蛋白质序列的蛋白质-蛋白质相互作用预测框架MPIDNN-GPPI，通过整合两种蛋白质语言模型和改进的深度神经网络实现跨物种通用PPI预测 | 整合Ankh和ESM-2两种蛋白质语言模型，结合多头注意力机制和深度神经网络，显著提升了跨物种PPI预测的泛化能力和稳定性 | 对于验证PPI数据有限的物种预测性能仍需进一步提升 | 开发具有强泛化能力的蛋白质-蛋白质相互作用预测模型 | 多种物种的蛋白质-蛋白质相互作用数据 | 生物信息学 | NA | 蛋白质语言模型，深度神经网络 | DNN, 多头注意力机制 | 蛋白质序列数据 | 来自STRING数据库的9个PPI数据集，涵盖哺乳动物和植物物种 | NA | Ankh, ESM-2, 深度神经网络，多头注意力机制 | AUC | NA |
| 94 | 2025-11-20 |
MCLCBA: multi-view contrastive learning network for RNA methylation site prediction
2025-Nov-19, BMC bioinformatics
IF:2.9Q1
DOI:10.1186/s12859-025-06306-x
PMID:41257600
|
研究论文 | 提出一种多视图对比学习网络MCLCBA用于RNA甲基化位点预测 | 采用多视图对比学习方法，结合DNABERT和CGR分别提取序列上下文特征和结构特征，通过双差分数据增强策略解决小样本学习问题 | 仅在m7G数据集上进行验证，未在其他RNA甲基化类型上测试 | 开发RNA甲基化位点预测方法 | RNA甲基化修饰位点 | 生物信息学 | NA | 深度学习 | CNN, BiLSTM, Transformer, Attention | 生物序列数据 | 小样本m7G数据集 | NA | DNABERT, CNN-BiLSTM-Attention | AUROC, AUPRC | NA |
| 95 | 2025-11-20 |
Retraction Note: Deep learning approach to predict autism spectrum disorder: a systematic review and meta-analysis
2025-Nov-19, BMC psychiatry
IF:3.4Q2
DOI:10.1186/s12888-025-07633-2
PMID:41257716
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 96 | 2025-11-20 |
Infrared thermography for detecting compensatory load in people with haemophilia: a cross-sectional study
2025-Nov-19, Thrombosis journal
IF:2.6Q2
DOI:10.1186/s12959-025-00798-6
PMID:41257739
|
研究论文 | 本研究探索红外热成像技术在血友病患者中监测代偿性负荷的潜力 | 首次将红外热成像技术与深度学习相结合用于血友病患者全身温度映射分析，揭示远离疼痛部位的代偿性温度升高模式 | 样本量较小（24名参与者），研究设计为横断面研究无法确定因果关系 | 探索红外热成像技术早期检测血友病患者代偿性负荷的可行性 | 24名6-76岁血友病患者，包括出血后、骨科手术后或血友病性关节病患者 | 数字病理 | 血友病 | 红外热成像技术 | 深度学习 | 热成像图像 | 24名血友病患者 | NA | NA | 温度变化模式识别 | NA |
| 97 | 2025-11-20 |
Prediction of the Ki-67 proliferation index in lung adenocarcinoma using an interpretable CT-based deep learning radiomics model: a two-center study
2025-Nov-19, BMC pulmonary medicine
IF:2.6Q2
DOI:10.1186/s12890-025-03983-5
PMID:41257742
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 98 | 2025-11-20 |
A multi-representation deep-learning framework for accurate multicancer classification
2025-Nov-19, Journal of translational medicine
IF:6.1Q1
DOI:10.1186/s12967-025-07325-1
PMID:41257847
|
研究论文 | 开发了一个整合突变衍生图像和数值基因组特征的多表征深度学习框架GraphVar，用于多癌种分类 | 提出首个整合突变衍生图像和数值特征的多表征深度学习框架，通过空间变异图谱和数值特征矩阵的双模态融合实现高精度多癌种分类 | 需要进一步转化研究验证临床实用性，模型在33种癌症类型上的性能需在更广泛数据集中验证 | 开发高精度多癌种分类框架以支持精准诊断和治疗决策 | 10,112名患者的基因组数据，涵盖33种癌症类型 | 数字病理 | 多癌种 | 基因组测序，突变分析 | 深度学习 | 基因组数据，图像数据 | 10,112名患者，33种癌症类型 | PyTorch, TensorFlow | ResNet-18, Transformer | 精确率，召回率，F1分数，准确率 | GPU（具体型号未提及） |
| 99 | 2025-11-20 |
AttenUNeT X with iterative feedback mechanisms for robust deep learning skin lesion segmentation
2025-Nov-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-23830-1
PMID:41257867
|
研究论文 | 提出了一种名为AttenUNeT X的新型皮肤病变分割模型，通过集成反馈机制和增强注意力模块提升分割性能 | 在U-Net架构中引入了三个关键改进：解码器块中的迭代反馈机制、自定义顺序统计层用于捕获极值病变模式、增强的注意力模块以优先处理诊断相关区域 | NA | 提高皮肤癌早期诊断的准确性 | 皮肤病变图像 | 计算机视觉 | 皮肤癌 | 深度学习图像分割 | CNN | 图像 | ISIC 2018数据集、PH2数据集和ISIC 2017数据集 | NA | U-Net, AttenUNeT X | Dice系数, IoU, 像素精度 | NA |
| 100 | 2025-11-20 |
Deep learning twined spatial analysis for detection of mysterious fairy circles
2025-Nov-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-03691-4
PMID:41257873
|
研究论文 | 本研究结合计算建模和地貌图像数据开发基于CNN的预测模型，用于从卫星图像中检测神秘仙女圈 | 首次将深度学习与空间分析相结合，开发能够从卫星图像中自动检测仙女圈的预测模型 | 研究主要基于马里、纳米比亚和澳大利亚的数据，可能无法完全代表全球其他地区的仙女圈特征 | 开发能够从卫星图像中检测仙女圈的人工智能模型 | 卫星图像中的仙女圈地貌特征 | 计算机视觉 | NA | 卫星遥感成像 | CNN | 卫星图像 | 主要基于马里、纳米比亚和澳大利亚的仙女圈图像数据 | NA | 预训练的CNN模型 | 准确率 | NA |