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 12055 篇文献，本页显示第 1081 - 1100 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1081 | 2026-09-23 |
Data-efficient unsupervised deep learning deformable SPECT/CT registration framework for voxel-level radionuclide therapy dosimetry: validation using clinical 131I DTC therapy data
2026-Jun-27, EJNMMI physics
IF:3.0Q2
DOI:10.1186/s40658-026-00911-2
PMID:42371223
|
研究论文 | 该研究开发了一种数据高效的无监督深度学习框架Nufit-Reg，用于SPECT/CT可变形配准，以支持放射性核素治疗中的体素级剂量测定。 | 提出了双Swin-Transformer编码器和交叉缝合单元的多模态配准网络，并采用两阶段训练策略（患者间预训练和患者内少样本微调）来解决数据稀缺问题。 | 样本量有限（58次扫描和12名患者），需在更大数据集上进一步验证。 | 开发数据高效的无监督深度学习框架，用于SPECT/CT可变形配准，支持放射性核素治疗中的体素级剂量测定。 | 临床131I DTC治疗患者的SPECT/CT扫描数据。 | 医学图像配准 | 甲状腺癌 | SPECT/CT成像 | Swin-Transformer | 图像 | 58次碘-131 SPECT/CT扫描（患者间预训练），12名患者（每名三个时间点，患者内微调） | NA | Swin-Transformer | 加权结构相似性（wSSIM）、结构相似性（SSIM）、局部归一化互相关（LNCC）、互信息（MI）、雅可比行列式 | NA |
| 1082 | 2026-09-23 |
Evaluating sequence-to-function deep learning models for ancestry-stratified regulatory variant effect prediction using multi-ancestry blood eQTLs
2026-Jun-26, bioRxiv : the preprint server for biology
DOI:10.64898/2026.06.22.730889
PMID:42395544
|
研究论文 | 使用多祖先全血eQTL数据评估Borzoi和AlphaGenome两种序列到功能深度学习模型在祖先分层调控变异效应预测中的表现 | 首次在多祖先全血eQTL数据（非裔美国人、加勒比西班牙裔、非西班牙裔白人）中系统评估Borzoi和AlphaGenome模型的调控变异效应预测性能，并揭示了祖先分层差异及模型间收敛性 | 模型预测与名义eQTL效应量一致性较弱；祖先间比较受连锁不平衡、精细定位分辨率及比较变异选择影响；未明确讨论模型在其他组织或疾病中的泛化能力 | 评估序列到功能深度学习模型在不同祖先群体中预测调控变异效应的能力，并检验其是否能一致地捕捉调控效应 | MAGENTA队列中的全血eQTL数据，包含非裔美国人、加勒比西班牙裔和非西班牙裔白人参与者 | 机器学习 | NA | 全血eQTL分析、SuSiE精细定位、FILER功能注释 | 序列到功能深度学习模型 | 基因组序列、eQTL数据、功能注释数据 | 668名参与者（非裔美国人224名，加勒比西班牙裔209名，非西班牙裔白人235名）的全血eQTL数据 | NA | Borzoi, AlphaGenome | Spearman相关系数, 方向一致性, 模型间收敛性, 距离匹配AUROC | NA |
| 1083 | 2026-09-23 |
Preoperative prediction of Ki-67 expression and prognosis in breast cancer based on contrast-enhanced cone-beam breast CT: a two-centre study
2026-Jun-26, Cancer imaging : the official publication of the International Cancer Imaging Society
IF:3.5Q1
DOI:10.1186/s40644-026-01082-0
PMID:42363237
|
研究论文 | 本研究基于增强锥形束乳腺CT开发并验证了放射组学、深度学习及联合模型，用于术前预测乳腺癌Ki-67表达状态并初步探索其预后价值 | 首次基于增强锥形束乳腺CT构建放射组学、深度学习及联合模型预测乳腺癌Ki-67表达状态，并初步探索其预后价值 | 联合模型未显著优于放射组学模型，深度学习模型在14%截断值下表现欠佳 | 开发并验证基于术前增强锥形束乳腺CT的模型预测Ki-67表达状态，并探索其预后价值以辅助术前治疗决策 | 乳腺癌患者 | 数字病理学, 医学影像分析 | 乳腺癌 | 增强锥形束乳腺CT | 放射组学模型, 深度学习模型, 逻辑回归联合模型 | 医学影像 | 636例乳腺癌患者（训练集310例，内部验证集77例，外部测试集78例，预后队列171例） | NA | ResNet50, ResNet101, DenseNet121, ShuffleNet | AUC, 风险比, 95%置信区间, P值 | NA |
| 1084 | 2026-09-23 |
Overestimating zero-shot fitness prediction: Broad benchmarks mask local failures and practical limitations
2026-Jun-25, bioRxiv : the preprint server for biology
DOI:10.64898/2026.06.04.730121
PMID:42292907
|
研究论文 | 本文论证了常用的零样本适应度预测基准掩盖了局部失败模式，并揭示了零样本预测在蛋白质工程中的根本局限性 | 揭示了大规模基准掩盖的失败模式，指出零样本预测无法同时优化多个竞争性工程目标，且大多数模型性能相当，与架构和输入模态无关 | 零样本预测无法精确定位高适应度突变或驱动新功能变体，且通用适应度评分与目标表型脱节 | 探究零样本适应度预测在蛋白质工程中的实际效果和局限性 | 蛋白质工程中的突变适应度预测 | 机器学习 | NA | 零样本预测 | NA | NA | NA | NA | NA | NA | NA |
| 1085 | 2026-09-23 |
AI-Driven Lumped-Element Modeling of Human Respiratory System for Studying Voice Mechanics
2026-Jun-25, Research square
DOI:10.21203/rs.3.rs-9119279/v1
PMID:42396487
|
研究论文 | 开发了一种基于物理的预测模型，模拟人体呼吸、发声和构音子系统，并结合深度学习从喉高速视频内窥镜数据中提取声门面积波形，实现人工智能驱动的发声建模 | 首次实现呼吸动力学用于发声的仿真，将呼吸系统建模与声带动力学、流气动力学及流动阻力相结合，利用深度学习从喉高速视频内窥镜数据中提取声门面积波形，直接推进了无法在人体中无创直接测量的声门下压力分布的预测 | 仅使用了一名正常发声参与者的喉高速视频内窥镜数据，模型尚未在患者特异性数据上验证，未涉及病理语音的建模 | 建立一个预测性物理模型来模拟人体呼吸、发声和构音子系统，研究发声过程中的呼吸动力学、声门下压力分布、动态阻力和能量传递机制 | 人体呼吸系统（肺、可压缩气道、声带）和声道，以及一名正常发声参与者的喉高速视频内窥镜数据 | 机器学习 | NA | 喉高速视频内窥镜，深度学习 | 弹簧-阻尼器-质量控制的活塞-气缸系统，深度学习模型 | 图像（喉高速视频内窥镜数据），数值仿真数据 | 1名正常发声参与者的喉高速视频内窥镜数据 | NA | NA | NA | NA |
| 1086 | 2026-09-23 |
Automatic diagnosis of osteonecrosis of the femoral head and segmentation of necrotic regions using deep learning at computed tomography: a real-world multicenter study
2026-Jun-25, BMC musculoskeletal disorders
IF:2.2Q3
DOI:10.1186/s12891-026-10113-7
PMID:42343332
|
研究论文 | 该研究开发了一个基于CT图像的两阶段深度学习模型，用于股骨头坏死的自动诊断和坏死区域分割，并在多中心真实世界数据中验证了其性能。 | 首次在真实世界多中心环境中，将Vision Transformer和Swin Transformer整合为两阶段深度学习模型，同时实现股骨头坏死的诊断和坏死区域分割，并与骨科医生进行了人机对比。 | 作为回顾性研究，可能存在选择偏倚；模型仅基于CT图像，未整合其他临床信息；分割性能的Dice系数在外部测试集中有所下降，泛化能力仍有提升空间。 | 开发并验证一种基于CT的深度学习模型，用于股骨头坏死的自动诊断和坏死区域分割，并评估其临床转化潜力。 | 股骨头坏死患者 | 计算机视觉 | 股骨头坏死 | CT | Vision Transformer, Swin Transformer | 图像 | 2,312名患者，共53,828张冠状位CT图像，来自四家医院 | NA | Vision Transformer, Swin Transformer | AUC, 敏感度, 阴性预测值, Dice系数, HD95 | NA |
| 1087 | 2026-09-23 |
Multi-task artificial intelligence annotation of echocardiographic images: a retrospective multi-cohort study
2026-Jun-25, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.06.23.26356383
PMID:42396278
|
研究论文 | 该研究开发了EchoNet-Segmentation，一个用于超声心动图图像中左心房面积、右心房面积和速度时间积分（VTI）多任务自动分割和测量的深度学习模型，并在多个队列中进行了验证 | 首个开源框架，能够对多个关键常规超声心动图参数（包括VTI多普勒测量和心房面积）提供准确、可泛化的自动化测量，填补了先前开源分割模型仅关注2D B模式心室功能的空白 | 回顾性研究设计，可能存在选择偏倚；仅涵盖有限的心脏参数；未进行前瞻性临床验证 | 开发并验证能够自动化测量超声心动图中VTI和心房面积的多任务深度学习分割模型，以减轻超声医师的手动标注负担并减少观察者间变异性 | 超声心动图图像，包括VTI多普勒频谱图像和心尖四腔切面图像 | 计算机视觉 | 心血管疾病 | 经胸超声心动图（TTE）、频谱多普勒、二维B模式超声 | CNN | 图像 | 186,712张超声医师标注的图像，来自93,978次检查（56,855名患者），训练数据来自Cedars-Sinai医疗中心；评估数据集包括CSMC留出测试集、CSMC时间分割集、Kaiser Permanente北加州外部队列和公开MIMIC-Echo数据集 | NA | NA | R2、平均绝对误差（MAE）、Dice系数 | NA |
| 1088 | 2026-09-23 |
TCIA Radiology Image Processing for AI and Radiomics
2026-Jun-24, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.06.15.26354651
PMID:42396283
|
研究论文 | 开发了一个标准化、可重复的预处理框架，用于多机构CT影像数据（如TCIA），支持放射组学和AI分析的一致性和可重复性 | 提出了一个标准化、可重复的基于笔记本的预处理框架，整合了系列过滤、DICOM到NIfTI转换、方向标准化、体素间距归一化、强度裁剪和归一化、分割集成及元数据验证等步骤，模块化设计支持任务特定适应，同时保持整体一致性 | 仅在TCGA-KIRC患者的TCIA数据上进行了演示，未在其他异构数据集上广泛验证；未提及具体的计算资源或性能评估指标 | 开发标准化、可重复的CT影像预处理框架，以实现一致的放射组学和AI分析 | TCGA-KIRC患者的CT影像数据 | 医学影像分析 | 肾癌 | CT影像处理 | NA | 影像 | TCGA-KIRC患者数据集（具体数量未提及） | NA | NA | NA | NA |
| 1089 | 2026-09-23 |
HyRes: Accurate Physics-Based Simulation of Dynamic Protein Structures and Interactions in Complex Environments at Scale
2026-Jun-24, bioRxiv : the preprint server for biology
DOI:10.64898/2026.06.23.734133
PMID:42395354
|
研究论文 | 本文介绍了一种基于物理的混合分辨率蛋白质模型HyRes，用于模拟复杂环境中动态蛋白质结构和相互作用 | HyRes是一种混合分辨率模型，结合原子级骨架和中间分辨率侧链，在保持原子级精度的同时提高计算效率，并展示了在多种环境中的可转移性和大规模应用 | 摘要中未明确提及限制 | 开发一种可转移的方法，能够在不同环境中大规模推导动态构象集合，以研究IDP的瞬态多价相互作用如何组织和微调细胞过程 | 内在无序蛋白质和区域（IDPs），包括来自人类蛋白质组和DisProt的约30,000个IDPs | 计算生物学 | NA | 基于物理的模拟 | 混合分辨率蛋白质模型 | 蛋白质结构数据 | 约100个IDPs用于评估，约30,000个IDPs用于大规模生成集合 | NA | HyRes | 链尺寸、瞬态三级接触、局部二级结构的匹配程度 | NA |
| 1090 | 2026-09-23 |
Five-Year Breast Cancer Risk Prediction From Screening Breast Ultrasound Using Deep Learning
2026-Jun-24, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.06.21.26356188
PMID:42396304
|
研究论文 | 开发并评估一种深度学习模型，利用筛查乳腺超声检查预测五年乳腺癌风险 | 结合注意力机制的多实例学习聚合图像特征，并融合年龄和超声估计的乳腺密度，实现超过乳腺密度单独分层的长期风险预测，性能优于Tyrer-Cuzick模型 | 需要外部和前瞻性验证才能在临床使用 | 开发和评估深度学习模型用于五年乳腺癌风险预测 | 122,072名女性的295,298次乳腺超声检查 | 计算机视觉 | 乳腺癌 | NA | 深度学习 | 图像 | 295,298次乳腺超声检查来自122,072名女性 | NA | BUS-Risk-Net | AUC | NA |
| 1091 | 2026-09-23 |
Deep dynamical models of single-cell multiomic velocities predict loss-of-function and rescue perturbations in B cells
2026-Jun-23, bioRxiv : the preprint server for biology
DOI:10.1101/2025.04.24.650458
PMID:42395443
|
研究论文 | 本文提出了DynaVelo，一种生成式神经常微分方程模型，利用单细胞多组学数据学习基因表达和转录因子基序活动的联合动态，并预测B细胞中的功能丧失和救援扰动。 | DynaVelo是一种结合部分RNA速度信息和单细胞转录因子基序可及性数据的生成式神经常微分方程模型，用于学习细胞状态动态并识别转录因子驱动因子，能够预测功能丧失突变下的细胞动态变化和救援扰动。 | 摘要中未明确提及限制。 | 利用单细胞多组学数据建模和扰动动态细胞系统，预测B细胞中的功能丧失和救援扰动。 | 野生型小鼠生发中心B细胞、表观遗传调控因子功能丧失突变体、双杂合突变体小鼠。 | 机器学习 | NA | 单细胞多组学（联合基因表达和染色质可及性读数） | 神经常微分方程 | 单细胞多组学数据 | NA | NA | NA | NA | NA |
| 1092 | 2026-09-23 |
Simulation of cell-size systems at long timescales with flexible protein structures
2026-Jun-22, bioRxiv : the preprint server for biology
DOI:10.64898/2026.06.20.733545
PMID:42395490
|
研究论文 | 本文提出了一种结合AlphaFold3预测的柔性蛋白复合物模型与基于对接的刚性体马尔可夫链蒙特卡洛采样方法，用于在原子分辨率下模拟拥挤细胞内环境中大分子系统的长时程行为 | 将AlphaFold3预测的蛋白复合物高精度模型作为低能构象代表，融入分子间能量景观的映射中，与刚性体对接预测相结合，从而在模拟中同时考虑了蛋白质结合时的构象柔性以及拥挤环境中瞬态相互作用的多样性 | 刚性体近似对于涉及柔性区域的低能蛋白质-蛋白质复合物适用性有限，且AlphaFold3预测模型可能存在误差，方法在极长时程模拟中的计算效率和准确性仍需进一步验证 | 解决传统分子动力学模拟在原子分辨率下模拟拥挤细胞内大分子系统长时程轨迹时计算成本过高的问题，并克服刚性体对接方法在低能柔性蛋白复合物建模中的局限性 | 拥挤细胞内环境中的蛋白质及蛋白质复合物 | 计算生物学 | NA | 分子动力学模拟，基于对接的马尔可夫链蒙特卡洛采样，AlphaFold3结构预测 | AlphaFold3，马尔可夫链蒙特卡洛 | 蛋白质结构数据 | NA | NA | AlphaFold3 | NA | NA |
| 1093 | 2026-09-23 |
A computational theory of short-term synaptic plasticity: synapses learn to tell time
2026-Jun-19, Research square
DOI:10.21203/rs.3.rs-9916271/v1
PMID:42370245
|
研究论文 | 本文提出突触是具有多个可学习参数的高级计算元件，能够调整其短期突触动力学并优化时间信息处理 | 提出突触具有多个可学习参数而非单一突触强度参数，证明学习和突触动力学可实现区间选择性和计数功能，并显著提升前馈网络在复杂时空任务上的性能 | 未明确提及 | 探索突触短期可塑性以优化时间信息处理 | 小鼠和人类新皮层突触 | 计算神经科学 | NA | 计算建模 | 前馈神经网络 | 电生理数据 | NA | NA | 前馈网络 | NA | NA |
| 1094 | 2026-09-23 |
Geometric Deep Learning Reveals Ligandable and Cryptic RNA Binding Small Molecule Pockets (SMARTPocket)
2026-Jun-19, bioRxiv : the preprint server for biology
DOI:10.64898/2026.06.18.732920
PMID:42368017
|
研究论文 | 本文介绍了SMARTPocket，一种基于原子级几何深度学习框架，用于直接从三维结构预测RNA-小分子结合口袋 | 使用全原子点云表示RNA，并利用超过110,000个蛋白质结合界面结构进行迁移学习，以克服实验解析的RNA-配体复合物数量有限的限制 | 对于apo RNA结构，仅在构象变化较小时才能泛化 | 识别可配体的小分子结合口袋，以加速RNA靶向药物的发现 | RNA三维结构，包括单链基准、整理基准、apo RNA结构、SARS-CoV-2移码元件和RNA适配体 | 机器学习 | NA | 几何深度学习 | 几何深度学习 | 三维结构点云 | 超过110,000个蛋白质结合界面结构，四个单链基准，三个整理基准 | NA | NA | NA | NA |
| 1095 | 2026-09-23 |
Adaptive Neural Reorganization Enables Real-Time Finger-Level Robotic Control in BCI-Naïve Stroke Survivors
2026-Jun-18, bioRxiv : the preprint server for biology
DOI:10.64898/2026.06.15.732267
PMID:42367869
|
研究论文 | 本研究探讨了无脑机接口经验的中风幸存者是否能够通过运动想象实现手指级别的机器人手实时控制，并利用深度学习解码器对脑电图信号进行解码 | 首次在无脑机接口经验的中风患者群体中实现了手指级别的机器人控制，并揭示了中风后神经重组模式 | 样本量较小（9名参与者），未设置对照组，且三指任务的解码准确率相对较低（61%） | 研究无脑机接口经验的中风患者能否通过运动想象实现手指级别的机器人手控制，并探索中风后神经重组的模式 | 9名中风后运动功能障碍患者，均无脑机接口使用经验 | 脑机接口 | 中风 | 脑电图 | 深度学习解码器 | 脑电信号 | 9名中风患者 | NA | NA | 解码准确率 | NA |
| 1096 | 2026-09-23 |
Microscopy-informed structural connectivity mapping in the in vivo human brain via domain adaptation
2026-Jun-18, bioRxiv : the preprint server for biology
DOI:10.64898/2026.06.14.732211
PMID:42367983
|
研究论文 | 本文提出了一种深度学习模型，通过域适应方法从扩散MRI预测高分辨率显微镜引导的纤维取向，并应用于体内人脑连接映射 | 利用显微镜衍生的三维纤维取向图作为生物学训练目标，通过域适应桥接猕猴死后与体内以及猕猴与人的差异，无需在推理时使用显微镜数据 | 未明确提及 | 表征人脑连接，利用多模态数据集改进体内人脑成像的连接估计 | 猕猴脑数据集（体内MRI、死后MRI、全脑显微镜）和体内人脑扩散MRI数据 | 计算神经科学，医学图像分析 | NA | 扩散MRI，全脑显微镜，域适应 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 1097 | 2026-09-23 |
Cross-Device Adaptation of Mirai for Mammography-Based Breast Cancer Risk Prediction
2026-Jun-17, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.06.15.26355696
PMID:42369455
|
研究论文 | 本文评估了乳腺癌风险预测模型Mirai在不同乳腺X线摄影设备上的性能，并开发了一种设备不变模型以提升跨设备泛化能力。 | 提出了一种结合交错多设备采样和条件对抗训练的设备不变模型，有效缓解了设备特定微调导致的灾难性遗忘问题。 | 研究仅涉及Hologic和GE两种设备，未涵盖其他品牌；性能提升主要体现在短期和中期预测。 | 评估Mirai模型在不同乳腺X线摄影设备上的泛化能力，并开发设备不变模型以提高跨设备鲁棒性。 | 乳腺X线摄影图像及乳腺癌风险预测模型Mirai。 | 医学图像分析 | 乳腺癌 | 乳腺X线摄影 | 深度学习模型 | 图像 | 大型筛查队列（具体样本量未提供） | NA | Mirai | AUC | NA |
| 1098 | 2026-09-23 |
PhenoBIC: operator-free single-cell spatial phenotyping in multiplex imaging data using deep learning of cell staining patterns
2026-Jun-16, bioRxiv : the preprint server for biology
DOI:10.64898/2026.06.11.731702
PMID:42368023
|
研究论文 | 本文开发了PhenoBIC，一种预训练的深度学习模型，用于多重成像数据中细胞染色模式的图像分类，实现无操作员的单细胞空间表型分析 | 提出了首个预训练的深度学习模型PhenoBIC，通过细胞染色模式（生物标志物印迹）自动分类细胞表型，无需手动干预；发布了约140万手动标注的细胞表达数据集；开源并通过QuPath界面部署 | 未明确提及 | 解决多重图像分析工作流程中需要手动干预进行细胞表型分析的问题，实现自动化、无操作员的细胞表型分类 | 多重成像数据中的细胞，包括多种生物标志物、组织采样策略（全活检和组织微阵列）、多重面板、成像平台和组织类型 | 数字病理学 | NA | 多重成像 | CNN | 图像 | 约140万个手动标注的细胞表达真实标签 | NA | NA | F1-score | NA |
| 1099 | 2026-09-23 |
Artificial intelligence and the future of prosthodontics: a narrative review
2026-Jun-15, The Saudi dental journal
DOI:10.1007/s44445-026-00192-6
PMID:42295522
|
综述 | 本文通过叙述性综述系统总结了人工智能在口腔修复学各主要领域（全口义齿、可摘局部义齿、固定义齿、种植支持修复及颌面修复）中的应用证据 | 全面梳理了2006至2025年间人工智能在口腔修复学多个子领域的应用证据，涵盖弓形分类、图像解读、预测建模、修复体设计、种植系统识别和工作流程优化等多种任务，并指出当前证据主要集中于种植修复领域 | 由于研究设计、数据集和报告结局的异质性，无法进行定量荟萃分析；多数证据来自回顾性或实验性研究，缺乏前瞻性临床验证；未遵循PRISMA方案；存在数据质量、模型透明性、伦理问题及临床工作流程整合困难等挑战 | 系统总结和汇编人工智能在口腔修复学主要领域中应用的现有证据 | 2006至2025年间发表的经同行评议的临床、实验和综述研究，共纳入54项符合标准的研究 | 牙科医学 | 口腔疾病 | 人工智能、机器学习、深度学习、神经网络 | NA | 文本 | 54项研究 | NA | NA | 准确率 | NA |
| 1100 | 2026-09-23 |
Decoding Smell from Receptor Structure
2026-Jun-14, Research square
DOI:10.21203/rs.3.rs-9947738/v1
PMID:42326533
|
研究论文 | 该研究结合AlphaFold3预测的嗅觉受体结构与ESM2蛋白序列嵌入以及大规模测序数据，开发了一个结构信息引导的深度学习框架，用于预测嗅觉受体-配体相互作用并映射受体空间与化学空间之间的关系。 | 首次将AlphaFold3预测的嗅觉受体结构与ESM2蛋白序列嵌入相结合，并利用大规模测序与体内嗅觉感觉神经元激活数据，构建结构信息引导的深度学习框架，实现嗅觉受体-配体相互作用的大规模预测，发现受体表征按功能相似性而非仅一级序列组织嗅觉受体，并通过特征归因识别了参与化学识别的结合腔亚区域。 | 摘要中未明确提及研究局限性 | 测试受体结构能否在大规模上解释气味识别，并建立预测框架以解读嗅觉受体编码 | 哺乳动物嗅觉受体、化学多样性气味面板、嗅觉感觉神经元 | 机器学习 | NA | AlphaFold3结构预测、ESM2蛋白序列嵌入、大规模测序、体内嗅觉感觉神经元激活 | 深度学习 | 蛋白质结构、蛋白质序列、测序数据 | NA | NA | AlphaFold3, ESM2 | NA | NA |