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
381	2026-03-13	From sequence to structure: A comprehensive review of deep learning models for RNA structure prediction 2026-Apr, Current opinion in structural biology IF:6.1Q1 DOI:10.1016/j.sbi.2025.103216 PMID:41650708	综述	本文全面回顾了从传统物理方法到当前深度学习模型在RNA二级和三级结构预测方面的演变	系统性地梳理了三种深度学习范式（基于语言模型的方法、端到端结构预测器、几何距离预测方法），并指出了未来关键研究方向，如应对数据稀缺的高级标记化策略和提升模型可解释性的可解释人工智能技术	RNA结构预测仍面临训练数据有限、复杂非规范相互作用和构象灵活性等独特挑战，实现突破性性能需要持续的方法创新和高质量结构数据集的显著扩展	回顾和评估深度学习模型在RNA结构预测中的应用，以推动该领域发展	RNA的二级和三级结构	计算生物学	NA	NA	深度学习模型	序列和结构数据	NA	NA	NA	NA	NA
382	2026-03-13	deepNoC: A deep learning system to assign the number of contributors to a short tandem repeat DNA profile 2026-Apr, Forensic science international. Genetics DOI:10.1016/j.fsigen.2026.103434 PMID:41650721	研究论文	本研究开发了一个名为deepNoC的深度学习系统，用于自动分配短串联重复DNA图谱的贡献者数量	通过模拟电泳信号生成大量预标记训练数据，并利用深度神经网络实现高精度贡献者数量估计，同时提供可解释性输出	算法在实验室特定环境下需通过少量实际图谱进行微调以达到相同精度	开发一个自动化工具来准确估计STR DNA图谱中的贡献者数量，以辅助法医生物学分析	短串联重复DNA图谱	机器学习	NA	DNA图谱模拟，电泳信号模拟	深度神经网络	模拟的DNA图谱信号数据	100,000个模拟图谱	NA	深度神经网络	准确率	NA
383	2026-03-13	Estimating proximity to muscular failure using surface EMG and deep learning 2026-Apr, Journal of electromyography and kinesiology : official journal of the International Society of Electrophysiological Kinesiology IF:2.0Q2 DOI:10.1016/j.jelekin.2026.103111 PMID:41653807	研究论文	本研究提出了一种基于表面肌电图和深度学习的实时方法，用于估计肌肉接近力竭的程度	首次利用深度学习从表面肌电图信号中实时估计肌肉接近力竭的连续指数，并提供了一个包含192次记录的新数据集	研究仅基于12名参与者的等长肱二头肌保持数据，样本量较小，且仅针对单一肌肉动作	开发一种实时估计肌肉接近力竭程度的方法，以个性化动态调整阻力训练	12名健康参与者在进行等长肱二头肌保持至力竭时的表面肌电图信号	机器学习	NA	表面肌电图	多层感知机, Transformer, 循环神经网络, 长短期记忆网络	表面肌电图信号转换的频谱图	12名参与者，共192次记录	NA	多层感知机, Transformer, 循环神经网络, 长短期记忆网络	均方误差	NA
384	2026-03-13	Multi-scale kernel and electrode attention network for EEG-based epileptic seizure detection 2026-Apr-01, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2026.111585 PMID:41747565	研究论文	本文提出了一种名为多尺度卷积核与电极注意力网络的新模型，用于基于原始全通道脑电图信号的癫痫发作自动检测	提出了一种新颖的端到端特征提取网络，直接处理全通道脑电图信号，无需通道缩减或模态转换，避免了信息丢失或额外计算成本；引入了多尺度卷积结构以捕捉多样的电极通道组合，并设计了电极注意力模块来自适应地为不同通道分配权重	未明确讨论模型在更广泛或更具挑战性的临床环境中的泛化能力，也未提及对计算资源的具体要求或模型在边缘设备上的部署可行性	提高基于多通道脑电图信号的癫痫发作自动检测的诊断效率	癫痫患者的脑电图信号	机器学习	癫痫	脑电图	CNN, 注意力机制	脑电图信号	两个公共数据集（CHB-MIT数据集和Siena Scalp数据集），具体样本数量未在摘要中提及	NA	Multi-scale Kernel and Electrode Attention Network	准确率, 灵敏度, 特异度	NA
385	2026-03-13	Geometric deep learning-based coronary wall shear stress estimation from real-world patients 2026-Apr-01, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2026.111583 PMID:41747562	研究论文	本研究评估了一种基于几何深度学习的框架，用于直接从真实世界患者的冠状动脉造影重建几何中估计冠状动脉壁剪切应力	提出了一种基于规范等变网格图卷积网络的几何深度学习框架，能够快速、无需计算流体动力学地估计冠状动脉壁剪切应力	研究仅基于1078条冠状动脉的数据集，可能需要在更大、更多样化的患者群体中进行验证	开发一种快速、准确的冠状动脉壁剪切应力估计方法，以支持大规模、真实世界的风险分层	从748名患者中重建的1078条冠状动脉	几何深度学习	心血管疾病	计算流体动力学, 冠状动脉造影	图卷积网络	几何网格数据	1078条冠状动脉（来自748名患者）	NA	规范等变网格图卷积网络	绝对误差, 百分比误差, Dice距离, 相关系数	NA
386	2026-03-13	De novo engineering of protein interactions: Retrospective and current advances 2026-Apr, Current opinion in structural biology IF:6.1Q1 DOI:10.1016/j.sbi.2026.103240 PMID:41759349	综述	本文回顾了基于深度学习的蛋白质相互作用从头设计方法的最新进展，重点讨论了蛋白质结合剂设计的现状、应用及新挑战	利用AlphaFold等新型结构预测模型和深度生成模型，实现了针对特定靶点的高实验成功率蛋白质结合剂设计，将许多先前难以实现的任务转化为常规操作	NA	探讨蛋白质结合剂设计方法的发展，特别是最先进技术及其在治疗和生物工程问题中的应用	蛋白质相互作用、蛋白质结合剂	机器学习	NA	深度学习、蛋白质结构建模、深度生成模型	深度生成模型	蛋白质结构数据	NA	NA	AlphaFold	实验成功率	NA
387	2026-03-13	GraphUnet-SS: A novel deep learning model for protein secondary structure prediction based on U-Net architecture 2026-Apr-01, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2026.111598 PMID:41759455	研究论文	提出了一种基于U-Net架构的新型深度学习模型GraphUnet-SS，用于蛋白质二级结构预测	结合卷积神经网络、图卷积网络和双向长短期记忆网络，并利用接触图预测生成图表示氨基酸相互作用，通过贝叶斯优化技术优化超参数	未明确说明模型在特定蛋白质类型或复杂结构上的泛化能力限制	提高蛋白质二级结构预测的准确性，以辅助蛋白质三维结构预测	蛋白质序列及其二级结构	生物信息学	NA	PSI-BLAST位置特异性评分矩阵、HHBlits谱、氨基酸理化性质、结构谱	CNN, GCN, BiLSTM	序列数据、图数据	未明确说明	未明确说明	U-Net	未明确说明	未明确说明
388	2026-03-13	Modeling strategies for CGM data: A scoping review of mechanistic, machine learning, and hybrid approaches in diabetes management 2026-Apr-01, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2026.111601 PMID:41780316	综述	本文对连续血糖监测（CGM）数据建模方法进行了范围综述，涵盖从经典机制模型到现代人工智能技术及混合框架的全谱系方法	首次全面探讨CGM数据建模的方法学全谱系，包括机制模型、统计时间序列、人工智能及混合框架，并扩展至除1型糖尿病外的多种人群（如2型糖尿病、妊娠期糖尿病）	数据异质性、高质量数据集在1型糖尿病外的有限可用性以及跨队列泛化能力不足等挑战仍然存在	综述CGM数据在糖尿病管理中的建模策略，比较不同方法在临床背景下的应用效果	连续血糖监测（CGM）数据及其在糖尿病管理中的应用	机器学习	糖尿病	连续血糖监测（CGM）	机制模型, 统计时间序列, 人工智能, 深度学习, 混合模型	时间序列数据	NA	NA	NA	预测性能, 准确性	NA
389	2026-03-13	Predicting the active sites of quinolone antibiotics interacting with organisms by deep learning and molecular docking 2026-Apr, Aquatic toxicology (Amsterdam, Netherlands) DOI:10.1016/j.aquatox.2026.107764 PMID:41722354	研究论文	本研究利用深度学习和分子对接技术，预测喹诺酮类抗生素与生物体相互作用的活性位点	结合深度学习构建高精度生物活性预测模型，并利用分子动力学模拟验证抗生素与靶蛋白的稳定结合构象	仅针对19种常见喹诺酮类抗生素进行研究，模型在CCRIS致突变性研究中的准确率相对较低（85.22%）	阐明生物体对环境外源性化学物的调控机制，为环境保护、食品安全政策制定及新型化合物风险评估提供理论支持	19种喹诺酮类抗生素及其与细菌DNA修复酶、神经行为相关蛋白的相互作用	机器学习	NA	深度学习，分子对接，分子动力学模拟	深度学习模型	生物测定活性数据	19种喹诺酮类抗生素的PubChem BioAssay数据集	NA	NA	准确率	NA
390	2026-03-13	Deep Learning-Based Classification of Slit-Lamp Photograph Quality in Microbial Keratitis 2026-Apr, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2026.101086 PMID:41816093	研究论文	本研究开发并验证了一种深度学习模型，用于评估微生物性角膜炎中裂隙灯照片的质量	首次针对微生物性角膜炎的裂隙灯照片质量评估开发了深度学习模型，并比较了多种模型架构在不同照明类型下的性能	研究样本量相对有限，且未来需要进一步研究图像质量如何影响自动化决策	开发并验证一个深度学习模型，以评估微生物性角膜炎裂隙灯照片的质量	微生物性角膜炎患者的裂隙灯照片	计算机视觉	微生物性角膜炎	裂隙灯摄影	CNN	图像	来自138名个体的247至264张图像（每种照明类型）	NA	AlexNet, ResNet50, DenseNet169, InceptionV3, MobileNetV2	准确率, F1分数	NA
391	2026-03-13	From imaging to omics: deep learning is bridging MRI and liquid biopsy in bone tumor diagnosis 2026-Apr, Journal of bone oncology IF:3.1Q2 DOI:10.1016/j.jbo.2026.100753 PMID:41816119	综述	本文综述了深度学习如何通过融合MRI影像组学和液体活检组学数据，改善骨肿瘤（如骨肉瘤和尤文肉瘤）的诊断、风险分层和治疗监测	利用深度学习实现MRI影像组学与液体活检组学的多模态融合，以克服单一模态的局限性，提升骨肿瘤的精准诊断和个性化治疗	NA	探讨深度学习在整合MRI影像和液体活检数据以改善骨肿瘤精准诊断和治疗策略中的应用	骨肿瘤患者，特别是骨肉瘤和尤文肉瘤患者	数字病理学	骨肉瘤, 尤文肉瘤	MRI, 液体活检（循环DNA、RNA、细胞外囊泡）	深度学习	图像, 分子数据	NA	NA	NA	NA	NA
392	2026-03-11	Deep learning-based multi-view echocardiographic framework for comprehensive diagnosis of pericardial disease 2026-Apr, European heart journal. Digital health DOI:10.1093/ehjdh/ztag028 PMID:41799660	研究论文	本研究开发了一种基于深度学习的多视图超声心动图框架，用于心包疾病的全面诊断	首次提出基于深度学习的经胸超声心动图模型，整合形态学与支持性功能评估，实现更广泛的心包疾病评估	在次优成像条件下解释结果时需要谨慎	开发一个深度学习框架，用于心包疾病的顺序评估，包括形态学特征和血流动力学意义	心包疾病患者	数字病理学	心血管疾病	经胸超声心动图	深度学习	图像, 视频	开发数据集包含来自多个韩国机构的2253例经胸超声心动图（内部测试225例），独立外部测试集包含274例经胸超声心动图	NA	NA	准确率, 受试者工作特征曲线下面积, 灵敏度	NA
393	2026-03-11	Association between electrocardiographic age and cognitive function: findings from the UK biobank and Framingham Heart Study 2026-Apr, European heart journal. Digital health DOI:10.1093/ehjdh/ztag034 PMID:41799659	研究论文	本研究利用深度学习从心电图推导生物年龄，并在两个大型人群队列中探讨其与认知功能的关联	首次在两个独立的大型人群队列（UK Biobank和Framingham Heart Study）中，系统评估了基于深度学习的ECG推导生物年龄加速与多领域认知表现之间的关联	研究为观察性设计，无法确定因果关系；认知功能评估可能受其他未测量因素影响	探究心电图推导的生物年龄加速与认知功能之间的关系	UK Biobank和Framingham Heart Study的参与者	机器学习	老年疾病	12导联心电图	深度学习模型	心电图波形	UK Biobank 59,213名参与者（平均年龄64.7岁，51.7%女性），Framingham Heart Study 6,534名参与者（平均年龄59.5岁，55.7%女性）	NA	NA	平均绝对误差（MAE）	NA
394	2026-03-10	Identification of roasting degree and interpretability analysis of Yunnan arabica coffee beans based on multi-dimensional visual features and CNNs-SHAP 2026-Apr-15, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2026.148367 PMID:41672011	研究论文	本研究通过融合多维视觉特征与CNN-SHAP方法，实现了云南阿拉比卡咖啡豆烘焙度的准确识别与可解释性分析	首次将CIE Lab*颜色直方图、GLCM-LBP复合纹理和形态参数进行加权融合，并结合SHAP方法打破深度学习黑箱限制，为咖啡烘焙标准化提供可解释技术	未明确说明样本的具体来源批次和采集条件，外部验证样本规模未详细说明	实现咖啡豆烘焙度的自动化识别与决策过程透明化	云南阿拉比卡咖啡豆	计算机视觉	NA	图像分析技术	CNN	图像	未明确说明具体数量，包含浅烘、中烘、深烘三类样本	未明确说明	未指定具体架构	准确率	NA
395	2026-03-10	Intelligent storage year identification of Anhua dark tea via carbon quantum dots-based colorimetric sensor array and computer vision 2026-Apr-15, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2026.148329 PMID:41672020	研究论文	本研究开发了一种结合比色传感器阵列和深度学习的方法，用于快速识别安化黑茶的储存年份	首次将碳量子点比色传感器阵列与计算机视觉结合，利用智能手机在紫外光下捕获颜色变化图像，并通过深度学习模型直接分析，实现了安化黑茶储存年份的快速、低成本、高精度识别	未明确说明样本的具体数量、来源多样性以及模型在更广泛样本或不同环境条件下的泛化能力	开发一种快速、准确、易于操作的安化黑茶储存年份识别方法	安化黑茶	计算机视觉	NA	比色传感器阵列、碳量子点	CNN	图像	NA	NA	ResNet18, VGG16, DenseNet121, MobileNetV3-Small, EfficientNet B0	准确率	NA
396	2026-03-10	Self-supervised learning for aflatoxin B1 detection using masked spectra 2026-Apr-15, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2026.148342 PMID:41679220	研究论文	本研究提出了一种基于自监督学习的策略，用于花生和玉米中黄曲霉毒素B1的准确检测	创新性地将光谱重建误差用作波长注意力机制，并与自监督学习阶段的微调编码器集成，开发了分类模型，同时基于光谱重建误差选择关键波长	NA	开发一种高效的小样本光谱检测方法，用于黄曲霉毒素B1的检测	花生和玉米中的黄曲霉毒素B1	机器学习	NA	光谱检测	自监督学习, 深度学习	光谱数据	NA	NA	NA	准确率	NA
397	2026-03-10	Near- and Mid-Infrared Spectroscopy for the Rapid and Non-Destructive Analysis of Wheat Flour and Wheat-Based Products: A Review 2026-Apr-15, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2026.148379 PMID:41691843	综述	本文综述了近红外和中红外光谱技术在小麦粉及其制品快速、无损分析中的应用进展	整合光谱技术与化学计量学及机器学习方法，提高了预测精度和稳健性，支持实时原位分析	NA	优化小麦粉的质量控制与安全评估，为食品工业提供快速、可靠、可持续的分析系统	小麦粉及小麦基制品	机器学习	NA	近红外光谱，中红外光谱	深度学习	光谱数据	NA	NA	NA	预测精度，稳健性	NA
398	2026-03-10	Artificial intelligence streamlines scientific discovery of drug-target interactions 2026-Apr, British journal of pharmacology IF:6.8Q1 DOI:10.1111/bph.17427 PMID:39843168	综述	本文综述了人工智能技术在药物靶点相互作用预测中的应用	系统性地概述了AI在DTI预测中的最新方法，包括经典机器学习、深度学习和基于网络的方法，并指出了当前挑战和未来方向	作为一篇综述文章，未提出新的实验数据或模型，主要基于现有文献进行总结	探讨人工智能如何简化药物发现过程中的药物靶点相互作用预测	药物靶点相互作用	机器学习	NA	NA	经典机器学习, 深度学习, 基于网络的方法	NA	NA	NA	NA	NA	NA
399	2026-03-10	Reinforcement Learning-Based Sequential Parameter Tuning for Image Signal Processing 2026-Apr, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3642837 PMID:41379910	研究论文	本文提出了一种基于强化学习的图像信号处理（ISP）参数顺序调优方法，以自动化传统上依赖专家手动调整的耗时过程	首次将硬件ISP参数调优建模为顺序优化问题，并分别提出了基于单智能体强化学习（SARL-ISP）和协作多智能体强化学习（MARL-ISP）的框架，其中MARL-ISP通过序列化参数调优模块（SPTM）和特征选择模块（FSM）探索了ISP模块顺序结构及参数间耦合关系的影响	未明确说明模型在极端光照或噪声条件下鲁棒性，也未讨论计算复杂度及实时性是否满足硬件部署要求	自动化图像信号处理（ISP）参数调优过程，提升图像质量并优化下游计算机视觉任务性能	硬件ISP处理模块及其可调参数	计算机视觉	NA	强化学习（RL）	强化学习智能体（单智能体及多智能体）	RAW图像，RGB图像	未明确说明具体样本数量，仅提及使用最小训练数据	未明确说明	SARL-ISP, MARL-ISP（包含序列化参数调优模块SPTM和特征选择模块FSM）	定量指标（未具体说明），定性评估	NA
400	2026-03-10	Unveiling Fine-Grained Deceptive Patterns in Multimodal Fake News: An Explainable Neuro-Symbolic Framework With LVLMs 2026-Apr, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3642831 PMID:41379920	研究论文	本文提出了一种可解释的神经符号框架GE-NSLM，用于检测多模态假新闻中的细粒度欺骗模式	从解释假新闻如何被制造的角度出发，预先定义了四种欺骗模式，并首次将大型视觉语言模型与神经符号模型结合，提供可解释的检测结果	未明确说明模型在处理新兴或复杂欺骗模式时的泛化能力，也未讨论计算效率问题	开发一个既能准确检测多模态假新闻，又能解释其制造背后深层原理的可解释性框架	多模态假新闻（包含图像和文本）	自然语言处理,计算机视觉	NA	NA	神经符号模型,大型视觉语言模型	多模态数据（图像和文本）	NA	NA	GE-NSLM（一种神经符号潜在模型）	NA	NA