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
6121	2026-02-07	Spatial Hierarchical Protein-Protein Interaction Site Prediction Using Squeeze-and-Excitation Capsule Networks 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3638901 PMID:41325125	研究论文	本文提出了一种名为MSE-CapsPPISP的深度学习模型，用于预测蛋白质-蛋白质相互作用位点，通过考虑蛋白质序列特征的空间层次关系来提高预测性能	设计了基于胶囊网络的模型，利用向量神经元捕捉蛋白质序列特征的空间层次关系，并结合多尺度CNN和Squeeze-and-Excitation块增强特征表示	未在摘要中明确提及	开发计算方法来预测蛋白质-蛋白质相互作用位点，以补充耗时且易受噪声影响的生物实验	蛋白质序列及其相互作用位点	生物信息学	NA	深度学习	胶囊网络, CNN	蛋白质序列数据	NA	NA	MSE-CapsPPISP, Capsule Network, 多尺度CNN, Squeeze-and-Excitation块	F1, MCC, AUROC, AUPR	NA
6122	2026-02-07	A Multi-Modal Contrastive Learning Framework for Cyclic Peptide Permeability Prediction 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3643437 PMID:41379908	研究论文	本文介绍了一个名为MCPerm的多模态深度学习框架，用于预测环肽的细胞膜渗透性	提出了一种新颖的模态共享和对比学习策略，协同整合了1D SMILES、2D拓扑和3D几何信息，并引入了基于注意力的可视化分析，使模型具有可解释性	NA	开发一个计算框架以准确预测环肽的细胞膜渗透性，加速细胞可渗透环肽药物的合理设计与发现	环肽分子	机器学习	NA	深度学习	Transformer, 对比学习	1D SMILES序列, 2D拓扑结构, 3D几何结构	NA	NA	图Transformer, 预训练肽语言模型	NA	NA
6123	2026-02-07	DriverMONI: Cancer Driver Gene Prediction With Multimodal Deep Learning Integrating Multiomics Data and Condition-Specific Network Information 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3643887 PMID:41396756	研究论文	本文提出了一种名为DriverMONI的多模态深度学习方法，用于整合多组学数据和条件特异性网络信息以预测癌症驱动基因	利用条件特异性蛋白质-蛋白质相互作用子网络生成图注意力网络的输入图和节点属性，使模型具有条件特异性并提高预测准确性	未明确提及具体局限性	开发一种多模态深度学习方法，用于更准确地识别癌症驱动基因	癌症驱动基因	机器学习	癌症	多组学数据分析	图注意力网络	多组学数据、生物网络数据	NA	NA	图注意力网络	预测准确性	NA
6124	2026-02-07	DeepNhKcr: Explainable Deep Learning Framework for the Prediction of Crotonylation Sites of Non-Histone Lysine in Plants Based on Pre-Trained Protein Language Model 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3643930 PMID:41396754	研究论文	本研究提出了一种名为DeepNhKcr的深度学习框架，用于预测植物非组蛋白赖氨酸的克罗托尼化位点	结合预训练蛋白质语言模型（ESM2）与双向长短期记忆网络（BiLSTM），并采用焦点损失函数处理数据不平衡问题，同时提供可解释性分析	未明确提及模型在跨物种或不同植物类型中的泛化能力限制	开发一种计算方法来快速准确预测植物非组蛋白中的克罗托尼化位点	植物非组蛋白中的赖氨酸克罗托尼化位点	生物信息学	NA	蛋白质语言模型, 深度学习	BiLSTM	蛋白质序列	NA	NA	ESM2, BiLSTM	准确率	NA
6125	2026-02-07	SG-DCNN: A Deep Learning Method Integrating Self-Attention Mechanism and Generative Adversarial Network for Predicting Ion-Ligand Binding Residues in Small Samples 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3645246 PMID:41406298	研究论文	提出了一种结合自注意力机制和生成对抗网络的深度学习方法SG-DCNN，用于预测小样本中离子配体的结合残基	首次将生成对抗网络和自注意力机制集成到深度卷积神经网络框架中，以解决小样本和类别不平衡问题	仅针对八种小样本离子配体进行了验证，未在大规模或更多种类的配体上进行测试	提高蛋白质与离子配体结合残基的预测准确性	离子配体与蛋白质的结合残基	机器学习	NA	NA	CNN, GAN	NA	八种小样本离子配体	NA	深度卷积神经网络, 生成对抗网络, 自注意力机制	准确率, 马修斯相关系数	NA
6126	2026-02-07	DeepR2OM: Accurate Recognition for RNA 2'-O-Methylation Sites in Human Genome Using Deep Learning 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3647488 PMID:41433162	研究论文	本文提出了一种名为DeepR2OM的新方法，通过整合特征选择和深度学习技术，用于准确预测人类基因组中的RNA 2'-O-甲基化位点	开发了DeepR2OM，一种结合了八种RNA描述符编码、特征选择算法降维以及深度学习网络训练的新型预测方法，并评估了多种深度学习架构以优化模型性能	未明确提及具体局限性，但传统检测方法存在资源密集、可能损伤RNA样本和高成本等问题，而本研究未讨论模型在更广泛数据集或实际应用中的泛化能力	准确预测人类基因组中的RNA 2'-O-甲基化位点，以理解RNA的生物学功能及相关病理	人类基因组中的RNA 2'-O-甲基化位点	机器学习	NA	RNA描述符编码	CNN, Multi-Head Self-Attention, DNN	序列数据	NA	NA	CNN, Multi-Head Self-Attention, DNN	准确率, 召回率, 精确率, 马修斯相关系数	NA
6127	2026-02-07	Drug Effect Classification Using Frequency-Based Graph Traversal Approach 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3648860 PMID:41452695	研究论文	本研究提出了一种基于频率的图遍历方法，用于将药物分类为症状缓解型或疾病修饰型	采用异质网络和引导最短路径遍历框架，通过识别最短元路径中频繁出现的基因来分类药物，并提高了模型的可解释性	NA	基于药物对疾病治疗的影响，将其分类为症状缓解型或疾病修饰型	药物、基因和疾病	机器学习	多发性硬化症	图遍历方法	图模型	网络数据	NA	NA	引导最短路径遍历框架	分类准确率	NA
6128	2026-02-07	Foundation Models for Neural Signal Decoding: EEG-Centered Perspectives Toward Unified Representations 2026-Jan, The European journal of neuroscience DOI:10.1111/ejn.70376 PMID:41459740	综述	本文综述了用于神经信号解码的基础模型，特别聚焦于EEG，并探讨了构建统一神经表征的设计原则与挑战	提出了以EEG为中心的基础模型开发框架，强调生理感知表征学习、结构感知架构和可解释性机制三大设计原则，以支持跨空间和时间尺度的统一神经表征	许多现有模型仍沿用非神经领域的训练目标，未能充分利用电极拓扑或功能连接等空间先验信息	探讨基础模型在神经信号解码中的应用，旨在构建鲁棒、可迁移且具有生理学基础的统一神经表征	EEG、ECoG和皮层内记录等神经信号	机器学习	NA	EEG、ECoG、皮层内记录	基础模型	神经信号	NA	NA	Patched Brain Transformer, CBraMod, BrainGPT	NA	NA
6129	2026-02-07	BELE: Blur Equivalent Linearized Estimator 2026, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2026.3651959 PMID:41528899	研究论文	本文提出了一种轻量级且感知可解释的全参考图像质量评估模型BELE，通过分离强边缘退化与纹理失真的影响来桥接主观感知与客观度量	提出基于位置费舍尔信息损失的线性化估计器计算模糊指数，引入复峰值信噪比捕捉纹理失真，并采用带聚焦项的低阶多项式拟合替代传统VQEG校正方法	未明确说明模型在极端失真类型或跨模态图像评估中的泛化能力	开发感知可解释且计算高效的全参考图像质量评估方法	图像质量评估	计算机视觉	NA	NA	无训练参数模型	图像	六个基准数据集	NA	BELE	与MOS的相关性	NA
6130	2026-02-07	Large Language Models Improve Scene-Invariant Detection of Behavior of Risk in Dementia Residential Care Across Multiple Surveillance Camera Views 2026, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2026.3656747 PMID:41564063	研究论文	本文提出了一种无监督的场景不变融合深度学习网络，用于检测痴呆症患者护理环境中的风险行为，通过结合语言模型和视频异常检测来提高跨摄像头场景的泛化性能	提出了一种结合语言模型字幕生成与评分以及视频异常检测评分的无监督场景不变融合网络，以改善在未见过摄像头场景中的泛化能力	研究仅基于九名痴呆症患者的数据，且摄像头数量有限，可能限制了模型的广泛适用性	开发一种能够跨不同摄像头场景检测痴呆症患者风险行为的自动化深度学习系统	痴呆症患者在护理环境中的行为风险检测	计算机视觉	老年疾病	视频监控、深度学习	自编码器、大型语言模型	视频	九名痴呆症患者的视频数据，通过三个不同的走廊摄像头记录	NA	深度加权时空自编码器	接收者操作特征曲线下面积	NA
6131	2026-02-06	An enhanced diabetes prediction using an improved hybrid deep learning algorithm with mountain gazelle optimizer 2026-Jun, Journal of diabetes and metabolic disorders IF:1.8Q4 DOI:10.1007/s40200-025-01844-w PMID:41641400	研究论文	提出了一种基于改进混合深度学习算法和山地瞪羚优化器的糖尿病预测框架	结合CatBoost算法、CNN和Bi-LSTM的混合深度学习架构，并利用山地瞪羚优化器进行超参数调优	仅使用Pima印度糖尿病数据集，样本规模有限，未在更广泛或多样化的数据集上验证	提高糖尿病预测的准确性和诊断效率	糖尿病患者的医疗数据	机器学习	糖尿病	深度学习	CNN, Bi-LSTM	结构化医疗数据	Pima印度糖尿病数据集（具体样本数未明确）	NA	CNN, Bi-LSTM	准确率, 精确率, 召回率, F1分数	NA
6132	2026-02-06	A research on applying the diffusion model algorithm for Infrared and Raman spectroscopy data augmentation to improve the accuracy of diseases 2026-Apr-15, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.127466 PMID:41558273	研究论文	本研究提出了一种基于扩散模型的光谱数据生成方法，用于增强红外和拉曼光谱数据，以提高疾病诊断的准确性	通过分别编码时间和类别标签信息，并结合多头注意力机制，在多尺度上提取光谱的整体形态和局部细微特征，在反向重建阶段基于隐式建模估计噪声分布，并利用交叉注意力在不同标签下生成不同类别的光谱，实现了条件约束下的精确去噪和特征谱峰位置等信息的渐进重建	NA	克服光谱数据样本量有限、噪声干扰和设备变异性等挑战，提高深度学习模型在疾病诊断中的泛化性能和准确性	甲状腺疾病和系统性红斑狼疮（SLE）的红外和拉曼光谱数据	机器学习	甲状腺癌, 系统性红斑狼疮	红外光谱, 拉曼光谱	扩散模型	光谱数据	NA	NA	EfficientNet, MLP, Transformer	皮尔逊相关系数, 准确率	NA
6133	2026-02-06	Comparative Analysis of Deep Learning-Based Algorithms for Peptide Structure Prediction 2026-Mar, Proteins IF:3.2Q2 DOI:10.1002/prot.70049 PMID:41047732	研究论文	本研究比较了AlphaFold2、RoseTTAFold2和ESMFold等深度学习算法在肽三维结构预测中的性能	首次系统性地将最新的深度学习蛋白质结构预测方法应用于肽结构预测，并识别了影响预测质量的结构特征	所有方法在肽结构预测上的整体性能低于蛋白质结构预测，且某些情况下生成的肽结构需谨慎使用	评估深度学习算法在肽三维结构预测中的有效性，并比较不同方法的性能	肽的三维结构预测	机器学习	NA	深度学习	深度学习模型	蛋白质序列数据	NA	NA	AlphaFold2, RoseTTAFold2, ESMFold	预测准确性	NA
6134	2026-02-06	Development and application of an instrument for microstructure matrix inclusion distribution analysis in oversized metallic materials 2026-Feb-20, iScience IF:4.6Q1 DOI:10.1016/j.isci.2025.114620 PMID:41630922	研究论文	本研究开发了一种用于超大金属材料中微观结构基体夹杂物分布分析的自动化检测系统	集成高精度CNC平台、多单元显微成像、激光光谱和基于YOLOv11的深度学习模型，实现了米级样品的全区域快速扫描，检测效率比传统方法提高20倍以上	未明确说明系统对不同金属材料类型的适用性限制	解决洁净钢生产中夹杂物分析的迫切需求，开发自动化检测系统	超大金属材料（汽车板材样品）中的微观结构夹杂物	计算机视觉	NA	CNC平台控制、显微成像、激光光谱分析、深度学习	CNN	图像	汽车板材样品（具体数量未明确），共分析533,041个夹杂物	NA	YOLOv11	检测效率（与传统方法对比）	NA
6135	2026-02-06	AI-driven routing and layered architectures for intelligent ICT in nanosensor networked systems 2026-Feb-20, iScience IF:4.6Q1 DOI:10.1016/j.isci.2026.114626 PMID:41630924	综述	本文综述了纳米传感器网络与现代信息通信技术（ICT）的融合，探讨了机器学习与人工智能在提升数据处理、能源管理、实时通信和系统协调方面的应用	提出了一个统一的框架，用于推进智能且资源高效的纳米传感器通信系统，并探索了受生物系统启发、可解释模型和基于量子学习等潜在解决方案	识别了涉及计算负载、数据隐私和系统互操作性等关键挑战	评估人工智能与机器学习技术如何改善纳米传感器网络环境中的数据路由、异常检测、安全性和预测性维护	纳米传感器网络系统	机器学习	NA	NA	监督学习, 无监督学习, 强化学习, 深度学习	传感器数据	NA	NA	NA	延迟, 吞吐量, 能源效率	NA
6136	2026-02-06	Diverse intracellular trafficking of insulin analogs by machine learning-based colocalization and diffusion analysis 2026-Feb-20, iScience IF:4.6Q1 DOI:10.1016/j.isci.2025.114516 PMID:41630923	研究论文	本研究开发了一种结合机器学习共定位指纹识别与深度学习辅助单粒子扩散分析（DeepSPT）的平台，用于实时比较胰岛素类似物在活细胞内的运输差异	首次将时间分辨共定位的机器学习框架与深度学习辅助单粒子扩散分析相结合，实现了对胰岛素类似物细胞内运输动态的精细解析	研究仅在活细胞模型中进行，未涉及完整的生理环境或动物模型验证	探究胰岛素类似物与内源性胰岛素在细胞内运输途径的差异	ATTO标记的重组人胰岛素（HI）和速效胰岛素类似物门冬胰岛素（IAsp）	机器学习	糖尿病	活细胞成像，单粒子追踪，共定位分析	机器学习，深度学习	活细胞成像视频，单粒子轨迹数据	未明确说明	未明确说明	未明确说明	未明确说明	未明确说明
6137	2026-02-06	Cosynllm: predicting drug combination synergy with LLM-generated descriptions 2026-Feb-05, Journal of cheminformatics IF:7.1Q1 DOI:10.1186/s13321-026-01158-w PMID:41639911	研究论文	本文提出了一种名为CoSynLLM的LLM辅助预测框架，用于预测药物组合的协同作用	利用大型语言模型生成语义级化学信息，并结合药物指纹和细胞系基因表达谱，通过分层特征融合策略预测药物组合协同作用	NA	预测药物组合的协同作用，以辅助复杂疾病的治疗	药物组合	机器学习	NA	深度学习	NA	文本, 化学指纹, 基因表达谱	两个基准数据集：NCI-ALMANAC和O'Neil	NA	NA	NA	NA
6138	2026-02-06	Learning the anatomical topology consistency driven by Wasserstein distance for weakly supervised 3D pancreas registration in multi-phase CT images 2026-Feb-04, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae3966 PMID:41544269	研究论文	提出了一种基于Wasserstein距离的弱监督三维胰腺配准框架，用于多期相CT图像中胰腺的精确配准	引入Wasserstein距离来强制胰腺解剖拓扑结构的一致性，并采用距离变换来构建胰腺的小型、不确定和复杂的解剖拓扑分布，从而克服了传统基于强度或分割的相似性度量的局限性	研究仅针对胰腺这一特定器官，且方法在胰腺肿瘤类型（PDAC、IPMN、MCN、SCN、SPT、CP、PNET）上的泛化能力有待进一步验证	实现增强CT与非增强CT图像之间胰腺的准确自动配准，以辅助胰腺癌的诊断和治疗	胰腺	医学图像处理	胰腺癌	CT成像	深度学习模型	3D CT图像	975对配对的增强CT-非增强CT图像，来自七种胰腺肿瘤类型（PDAC、IPMN、MCN、SCN、SPT、CP、PNET）的患者	NA	NA	Dice分数，假阳性分割率，Hausdorff距离	NA
6139	2026-02-06	Thermostability Prediction Powered by Synergistic Deep Learning at Experimental and Theoretical Levels for Nanobodies 2026-Feb-04, ACS applied materials & interfaces IF:8.3Q1 DOI:10.1021/acsami.5c19073 PMID:41564239	研究论文	本文提出了一种双尺度协同深度学习策略，用于预测纳米抗体的热稳定性	创新性地结合实验数据和理论模拟，通过双模型协同缓解数据稀缺问题，并构建了联合深度学习架构	实验数据量仍相对有限（514个样本），且模型泛化能力可能受小数据风险影响	提高纳米抗体热稳定性的预测可靠性，以支持其实际应用	纳米抗体	机器学习	NA	分子动力学模拟	深度学习	序列数据, 结构数据	514个实验熔解温度数据, 704个纳米抗体结构	NA	抗体语言模型集成到联合深度学习架构	Pearson相关系数, 准确率	NA
6140	2026-02-06	Hybrid GELAN-UNet: integrating medical priors for low-dose CT denoising 2026-Feb-04, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae3b47 PMID:41564446	研究论文	提出一种融合医学先验的混合GELAN-UNet模型，用于提升低剂量CT图像的去噪性能	提出混合广义高效层聚合网络-UNet架构，通过浅层医学增强模块捕获细节、深层高效模块降低计算成本，并创新性地引入低频保留路径和边缘感知注意力机制	仅在公开Mayo Clinic数据集上进行评估，未在其他多中心或临床场景验证	开发兼顾去噪性能与计算效率的低剂量CT图像去噪方法	低剂量CT图像	计算机视觉	NA	低剂量计算机断层扫描	CNN	医学图像	公开Mayo Clinic数据集（具体数量未说明）	NA	GELAN-UNet	峰值信噪比	NA