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
1401	2026-02-07	Deep learning application for genomic data analysis 2026-Jan, BMB reports IF:2.9Q3 PMID:40962325	综述	本文综述了深度学习在基因组学四个领域（变异检测、基因表达调控、基序发现和3D染色质互作）中的应用，总结了模型开发的关键方面，并讨论了未来挑战	系统性地回顾了深度学习在基因组学中的最新应用，并重点讨论了基因组标记化和多组学数据整合等前沿挑战	作为综述文章，未提出新的实验数据或模型，主要基于现有文献进行总结	探讨深度学习在基因组数据分析中的应用现状、关键模型开发策略及未来研究方向	基因组学数据，包括变异检测、基因表达调控、基序发现和3D染色质互作相关的数据	机器学习	NA	现代基因组测序技术	深度学习模型	基因组数据	NA	NA	NA	NA	NA
1402	2026-02-07	Generation of multimodal realistic computational phantoms as a test-bed for validating deep learning-based cross-modality synthesis techniques 2026-Jan, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-025-03437-4 PMID:41015634	研究论文	提出一种利用计算体模生成逼真CT和MRI图像的新框架，用于验证基于深度学习的跨模态合成技术	利用生成的计算体模作为验证数据，为深度学习跨模态合成技术提供可靠的真实性测试平台	NA	验证基于深度学习的医学图像跨模态合成技术，特别是用于放射治疗的MRI到合成CT生成	计算体模生成的CT和MRI图像	医学影像	NA	计算体模生成，CycleGAN	GAN	图像	NA	NA	CycleGAN	直方图相关性，剂量学准确性	NA
1403	2026-02-07	iDRKAN: Interpretable miRNA-Disease Association Prediction Based on Dual-Graph Representation Learning and Kolmogorov-Arnold Network 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3634550 PMID:41259182	研究论文	提出了一种基于双图表示学习和Kolmogorov-Arnold网络的可解释miRNA-疾病关联预测方法iDRKAN	结合双图表示学习（相似性视图和元路径视图）、多通道注意力机制、语义层注意力机制、对比学习策略以及可解释的Kolmogorov-Arnold网络，以捕获异构节点深层语义信息并提升模型可解释性	NA	准确预测miRNA与疾病之间的关联，以支持生物医学研究和临床应用	miRNA-疾病关联	生物信息学	NA	图表示学习，注意力机制，对比学习	图卷积网络，Kolmogorov-Arnold网络	图数据（相似性矩阵和关联矩阵）	两个公共数据集	NA	GCN, KAN	多个性能指标（未具体列出）	NA
1404	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
1405	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
1406	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
1407	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
1408	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
1409	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
1410	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
1411	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
1412	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
1413	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
1414	2026-02-07	Technology-Enhanced Dual-Task Testing for Alzheimer's Disease and Related Dementias: A Review of Trends, Tools, and Emerging Directions 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.2026.3658013 PMID:41587242	综述	本文全面综述了2010年至2025年10月期间，基于双任务测试（DT）评估阿尔茨海默病及相关痴呆症（ADRD）的技术趋势、工具和新兴方向	整合了工程学与临床神经科学的见解，探讨了广泛的双任务范式、传感技术和分析方法，并强调了现代传感器与AI技术在增强早期ADRD检测中的作用	文章作为综述，本身不包含原始研究数据，其总结的局限性主要基于现有文献，并强调了当前方法在公平性、可扩展性和临床可行性方面的挑战	为工程师、数据科学家和临床医生开发用于神经退行性疾病早期检测和监测的技术驱动工具提供关键资源	阿尔茨海默病及相关痴呆症（ADRD）的早期检测方法	数字病理学	老年病	双任务测试（DT）、可穿戴传感器、电子步道、红外/深度相机、视频、平板电脑、脑成像工具（如fMRI和fNIRS）、眼动追踪、基于AI的视频姿态估计	深度学习	多模态数据（运动数据、视频、脑成像数据等）	NA	NA	NA	NA	NA
1415	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
1416	2026-02-06	SERS-based deep learning approach for early detection of gestational diabetes mellitus 2026-Apr-15, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.127472 PMID:41547262	研究论文	本研究提出了一种结合表面增强拉曼光谱（SERS）与深度学习的新策略，用于妊娠期糖尿病（GDM）的早期快速筛查	首次将SERS技术与融合PCA-CNN的深度学习模型相结合，用于GDM的早期诊断，实现了高精度、快速且样本需求量小的检测	未明确说明研究样本的具体来源、多样性或潜在的批次效应，也未提及模型在外部验证集上的泛化性能	开发一种快速、准确且临床适用的早期妊娠期糖尿病筛查方法	孕妇血清样本	机器学习	妊娠期糖尿病	表面增强拉曼光谱（SERS），基于银纳米颗粒（Ag NPs）的基底	CNN	光谱数据（一维SERS光谱）	未在摘要中明确说明具体样本数量	NA	融合PCA-CNN模型（主成分分析结合一维卷积神经网络）	准确率，灵敏度，特异性	NA
1417	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
1418	2026-02-06	Passive data do not improve prediction or detection of alcohol consumption beyond temporal patterns in major depression: A 90-day cross-validated study 2026-Apr, Addictive behaviors IF:3.7Q1 DOI:10.1016/j.addbeh.2026.108624 PMID:41610630	研究论文	本研究探讨了利用被动收集数据（如加速度计、心率、呼吸频率、屏幕使用和GPS数据）通过深度学习模型预测或检测重度抑郁症患者酒精使用的效果	首次在重度抑郁症患者中，结合被动收集的多模态数据，评估深度学习模型对酒精使用的预测能力，并对比了时间模式基线	模型性能与仅使用星期几作为预测因子的基线模型相当，表明被动数据的附加价值有限，且样本仅来自特定抑郁症研究队列	评估被动数据在预测或检测重度抑郁症患者酒精使用方面的有效性	300名临床诊断为重度抑郁症的个体	机器学习	重度抑郁症	被动数据收集（加速度计、心率、呼吸频率、屏幕使用、GPS）	深度学习模型	时间序列传感器数据	300名重度抑郁症患者，为期90天的纵向研究	未明确指定	未明确指定	AUC	未明确指定
1419	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
1420	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