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
501	2026-04-18	Deep-learning-based breast cancer stage prediction from H&E-stained whole-slide images in resource-constrained settings 2026-Apr, Journal of pathology informatics DOI:10.1016/j.jpi.2026.100644 PMID:41993946	研究论文	本研究提出了一种资源感知的深度学习流程，用于从低分辨率H&E染色全切片图像中预测乳腺癌病理TNM分期	在资源受限环境下，使用2.5倍放大倍数（远低于常规的20-40倍）的WSI进行pTNM分期预测，并验证了其可行性	使用2.5倍放大倍数可能限制了获取精细细胞线索的能力	开发一种计算效率高、适用于资源受限环境的乳腺癌分期预测方法	乳腺癌患者的H&E染色全切片图像	数字病理学	乳腺癌	H&E染色	Vision Transformer, 注意力机制, 多实例学习	图像	Semmelweis队列：214名患者的247张WSI；Nightingale数据集：574名患者的9489张WSI；TCGA-BRCA：678名患者的731张WSI	NA	UNI基础模型, ResNet-50, 基于注意力的多实例学习聚合器	AUC	资源受限环境
502	2026-04-18	AI in Mental Health: Transforming Diagnosis and Management of Depression and Anxiety 2026-Apr, Health science reports IF:2.1Q3 DOI:10.1002/hsr2.72316 PMID:41994616	综述	本文综述了人工智能在改善抑郁症和焦虑症诊断与管理方面的应用与潜力	聚焦于亚洲人群，系统探讨了AI在精神健康领域，特别是通过聊天机器人和可穿戴设备进行早期检测和个性化护理的创新应用	存在隐私、算法偏见以及检测自杀意念能力有限等伦理问题，且在老年人群中的接受度面临挑战	探讨人工智能如何提升精神健康障碍（尤其是抑郁症和焦虑症）的诊断精度和管理效率	针对抑郁症和焦虑症患者，特别是亚洲人群的相关研究	机器学习	精神健康障碍	NA	机器学习, 深度学习	社交媒体数据, 传感器数据	NA	NA	NA	NA	NA
503	2026-04-17	Helixer: ab initio prediction of primary eukaryotic gene models combining deep learning and a hidden Markov model 2026-Apr, Nature methods IF:36.1Q1 DOI:10.1038/s41592-025-02939-1 PMID:41286201	研究论文	本文介绍了Helixer，一种基于人工智能的从头基因预测工具，用于准确预测真核生物基因模型	结合深度学习和隐马尔可夫模型，无需RNA测序等额外实验数据，即可跨真菌、植物、脊椎动物和无脊椎动物基因组实现高精度基因预测	NA	开发一种广泛适用于多种物种的高精度从头基因预测工具	真菌、植物、脊椎动物和无脊椎动物的基因组	机器学习	NA	从头基因预测	深度学习, 隐马尔可夫模型	基因组序列数据	NA	NA	NA	多种评估指标	NA
504	2026-04-14	GeoPMB: An Interface-Aware Geometric Deep Learning Framework for Peptide-MHCI Binding Prediction with Evolutionary Insight 2026-Apr-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c03233 PMID:41830611	研究论文	本文提出了一种名为GeoPMB的几何深度学习框架，用于预测肽与MHCI分子的结合，结合了进化信息和结构约束	GeoPMB创新性地将几何深度学习与预训练蛋白质语言模型结合，以建模pMHCI复合物的空间依赖性和界面物理化学特征，提高了对罕见等位基因的泛化能力	未明确提及具体限制，但可能依赖于预测的pMHCI复合物结构准确性	开发高精度计算工具，用于预测肽与MHCI分子的结合，以支持疫苗和免疫疗法开发	肽与I类主要组织相容性复合物（MHCI）分子的结合	机器学习	癌症相关疾病	几何深度学习，预训练蛋白质语言模型	几何图网络	序列数据，结构数据	NA	NA	几何图网络	结合特异性和亲和力预测性能	NA
505	2026-04-14	ncProFormer: A CNN-enhanced Transformer for ncRNA Coding-Potential Prediction 2026-Apr-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00056 PMID:41830618	研究论文	提出了一种名为ncProFormer的深度学习框架，用于预测非编码RNA的编码潜力	首次在ncRNA编码潜力预测中引入跨物种评估，并整合了核酸语言模型GENA-LM和CNN增强的Transformer编码器，以联合捕获局部核苷酸模式和长程依赖关系	未明确提及	开发一个准确且可推广的框架，用于识别具有编码潜力的非编码RNA	非编码RNA（ncRNA）	自然语言处理	NA	深度学习	CNN, Transformer	序列数据	内部人类数据集、外部验证数据集、公共CPPred基准数据集，以及小鼠和大鼠数据集	NA	CNN-enhanced Transformer encoder	NA	NA
506	2026-04-14	HGT-PepPI: A Heterogeneous Graph-Based Framework Leveraging Pragmatic Analysis for Peptide-Protein Interaction Prediction 2026-Apr-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c03139 PMID:41841204	研究论文	提出了一种基于异构图的计算框架HGT-PepPI，用于预测肽-蛋白质相互作用	通过构建整合序列语义信息、进化保守谱和实验验证相互作用的多关系边异构图，实现了对相互作用语义的可迁移模式学习，提升了泛化性能	模型性能受限于RCSB蛋白质数据库中有局限的蛋白质-肽复合物数据	开发计算深度学习预测器以准确预测肽-蛋白质相互作用	肽和蛋白质序列	机器学习	NA	ProtT5模型	异构图神经网络	序列数据	NA	NA	HGT-PepPI	预测性能, 鲁棒性	NA
507	2026-04-14	EviCYP: In Silico Prediction of Cytochrome P450 Substrates Based on Vector Quantization and Evidential Deep Learning 2026-Apr-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00074 PMID:41843769	研究论文	本文提出了一种名为EviCYP的新型预测框架，用于准确识别细胞色素P450底物，该框架结合了向量量化和证据深度学习	首次将证据深度学习与向量量化整合，用于CYP底物预测，并能够量化预测不确定性	NA	开发一种可靠的计算工具，用于药物发现和安全评估中的细胞色素P450底物识别	细胞色素P450酶及其底物和非底物分子	机器学习	NA	计算建模	深度学习	分子表示和酶序列数据	10,996个样本，包括4388个底物、2880个非底物和3728个伪阴性样本，涵盖9种主要CYP亚型	NA	证据深度学习与向量量化整合架构	AUROC	NA
508	2026-04-14	DeepIM: Integrating Channel-Spatial Attention with Transformer for DNA i-Motif Folding Status Prediction 2026-Apr-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00023 PMID:41854168	研究论文	本文提出了一种名为DeepIM的新型深度学习模型，通过整合通道-空间注意力机制与Transformer架构，用于高精度预测DNA i-基序的折叠状态	DeepIM首次将通道-空间注意力机制与Transformer结合，以同时捕获i-基序形成中的局部特征和长程依赖关系，提高了预测准确性和模型可解释性	模型主要依赖于酸性条件下的序列数据，可能未完全覆盖所有生理条件下的i-基序折叠情况，且需要大规模标注数据进行训练	开发一种高效、高精度的计算模型，用于预测DNA i-基序的折叠状态，以替代传统高成本、低通量的实验检测方法	DNA序列，特别是富含胞嘧啶的序列及其在酸性条件下形成的i-基序四链体结构	生物信息学	癌症	深度学习，注意力机制，Transformer架构	Transformer, 注意力机制	DNA序列数据	超过750,000条序列	NA	Transformer, 通道-空间注意力机制	准确率	NA
509	2026-04-14	SurfSol: A Multimodal Surface-Based Deep Learning Framework for Protein Solubility Prediction 2026-Apr-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00124 PMID:41841780	研究论文	本文介绍了一种名为SurfSol的多模态表面深度学习框架，用于预测蛋白质溶解度	提出了一种结合表面几何和理化性质（如静电、亲水性和氢键潜力）的E(3)-等变图神经网络，并与ESM-2序列嵌入和TransformerConv结构特征相结合的新方法	NA	开发一个计算框架以准确预测蛋白质溶解度，应用于生物技术和制药领域	蛋白质	机器学习	NA	深度学习	图神经网络, Transformer	序列, 结构	处理后的eSOL数据集	PyTorch	E(3)-等变图神经网络, ESM-2, TransformerConv	R², AUC	NA
510	2026-04-14	zERExtractor: An Automated Platform for Enzyme-Catalyzed Reaction Data Extraction from Scientific Literature 2026-Apr-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00090 PMID:41844379	研究论文	本文介绍了一个名为zERExtractor的自动化平台，用于从科学文献中提取酶催化反应数据	开发了一个精度导向且可扩展的多模态信息提取框架，结合了微调的大型语言模型和深度学习，并通过专家验证和主动学习实现持续进化	未明确提及具体限制，但可能依赖于合成数据集和专家验证的可用性	解决酶反应文献数据提取的瓶颈，以支持深度学习驱动的酶活性预测模型	科学文献中的酶催化反应数据，包括分子反应图、表格和文本	自然语言处理	NA	深度学习，大型语言模型，多模态信息提取	LLM, DL	文本，图像，表格	未明确指定具体样本数量，但使用了合成数据集和真实基准测试	未明确指定，但可能涉及TensorFlow, PyTorch等	未明确指定具体架构	准确率	未明确指定
511	2026-04-14	TabPFN Opens New Avenues for Small-Data Tabular Learning in Drug Discovery 2026-Apr-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02823 PMID:41867095	研究论文	本文探讨了TabPFN这一基于Transformer的表格基础模型在药物发现中应对小样本和分布外挑战的潜力	TabPFN无需任务特定重训练即可在小数据集上实现准确预测，并在回归任务中展现出比传统梯度提升决策树更稳定和鲁棒的优势	在较大的QM8数据集上，TabPFN的表现受到挑战，而树集成方法重新显示出优势	评估TabPFN在药物发现中处理小样本和分布外数据时的表格学习能力	多种分子数据集，包括量子任务数据集QM7和QM8	机器学习	NA	NA	Transformer	表格数据	NA	NA	TabPFN	分类性能, 回归性能, 鲁棒性评估	NA
512	2026-04-14	ToxPLTC: Peptide Toxicity Prediction by Integrating Pretrained T5 Protein Language Model and Text Convolutional Neural Network 2026-Apr-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02745 PMID:41869759	研究论文	本研究提出了一种名为ToxPLTC的深度学习框架，用于高效预测肽类药物的毒性	整合了基于Transformer架构的预训练蛋白质语言模型ProtT5与文本卷积神经网络，并采用边界SMOTE算法处理数据不平衡问题，同时通过可视化、基序分析和突变扫描分析增强模型可解释性	未在摘要中明确说明	开发高效、准确的肽类毒性预测工具以促进肽类药物研发	肽类序列	自然语言处理	NA	深度学习	Transformer, CNN	文本（肽序列）	未在摘要中明确说明	未在摘要中明确说明	ProtT5, 文本卷积神经网络	平衡准确率	未在摘要中明确说明
513	2026-04-14	DeepMIF: A Multiview Interactive Fusion-Based Deep Learning Method for RNA-Small Molecule Binding Affinity Prediction 2026-Apr-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02946 PMID:41879212	研究论文	本文提出了一种基于多视图交互融合的深度学习方法DeepMIF，用于预测RNA与小分子之间的结合亲和力	提出了一种新颖的多视图交互融合范式，通过局部增强可扩展k-mer策略与预训练嵌入结合捕获多尺度序列模式，并利用多头交叉注意力网络进行智能信息合成	NA	准确预测RNA与小分子的结合亲和力，以支持RNA靶向药物发现	RNA与小分子对	机器学习	NA	RNA序列分析，小分子特征提取	深度学习	序列数据，图数据	1439对RNA-小分子对	NA	多头交叉注意力网络	Pearson相关系数，均方根误差	NA
514	2026-04-14	Leveraging Residual Graph Convolutional Networks with Cross-Attention Mechanisms for High-Accuracy Protein Function Prediction 2026-Apr-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00101 PMID:41861353	研究论文	本文提出了一种名为RCHGO的新型深度学习框架，利用残差图卷积网络和交叉注意力机制直接从蛋白质序列预测基因本体注释	结合残差图卷积网络与交叉注意力机制，分别利用互补的手工特征和蛋白质语言模型特征表示，并在决策层面进行有效融合	未提及	从蛋白质序列预测基因本体注释，以支持细胞过程解析和靶向药物设计	蛋白质序列	生物信息学	NA	深度学习	残差图卷积网络, 交叉注意力机制	蛋白质序列	1,493个非冗余蛋白质	NA	残差图卷积网络	NA	NA
515	2026-04-14	A deep learning-based model for postoperative resection assessment in glioblastoma: A comparative study 2026-Apr-13, Neurosurgical review IF:2.5Q1 DOI:10.1007/s10143-026-04255-4 PMID:41968240	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
516	2026-04-14	AI-based evaluation of implant abutment screw torque decay: A periapical radiograph pilot study 2026-Apr-13, Journal of periodontology IF:4.2Q1 DOI:10.1002/jper.70127 PMID:41972958	研究论文	本研究开发了一种基于深度学习的非侵入性方法，利用根尖周X光片检测种植体基台中心螺丝扭矩衰减	首次提出AI解决方案，通过根尖周X光片非侵入性检测早期扭矩衰减，准确率超过88%，显著优于牙医诊断	研究为试点研究，样本量有限（临床数据集n=501），且仅针对Nobel CC RP种植体，需进一步验证	开发深度学习框架，用于非侵入性检测种植体基台中心螺丝扭矩衰减，解决临床机械螺丝松动问题	种植体基台中心螺丝（使用Nobel CC RP种植体）	计算机视觉	口腔种植并发症	根尖周X光成像	CNN	图像	体外数据集2600张X光片（猪肋骨），临床数据集501张患者X光片，独立测试集100张	NA	Custom CNN, VGG16, InceptionV3	准确率, 灵敏度, 特异性, AUC, F1分数	NA
517	2026-04-14	Ability of Deep Learning Image Reconstruction to Preserve Detail and Remove Noise in Coronary Computed Tomography Angiography: A Clinical Analysis 2026-Apr-13, Journal of computer assisted tomography IF:1.0Q4 DOI:10.1097/RCT.0000000000001866 PMID:41973049	研究论文	本研究分析了深度学习图像重建（DLIR）在冠状动脉CT血管造影（CCTA）中不同降噪水平下的图像质量，评估了高降噪水平是否导致边缘细节丢失	首次通过客观和主观方法评估DLIR在CCTA中不同降噪水平下的图像质量，并证明高降噪水平能提升图像质量而不损失边缘细节	样本量较小（仅19名受试者），且为回顾性研究，可能限制结果的普遍性	评估深度学习图像重建在冠状动脉CT血管造影中的图像质量，特别是降噪水平对边缘细节的影响	冠状动脉CT血管造影图像	医学影像分析	心血管疾病	深度学习图像重建（DLIR），冠状动脉CT血管造影（CCTA）	深度学习图像重建模型	医学影像（CT图像）	19名受试者的冠状动脉CT血管造影数据	NA	NA	对比噪声比（CNR），Likert量表评分（结构置信度、低对比度可检测性、噪声、空间分辨率、伪影、整体诊断质量），非Likert量表评分（噪声纹理），Cohen Kappa系数	NA
518	2026-04-14	An integrated deep learning framework for effective management of surgical instruments tables based on videos 2026-Apr-13, Health care management science IF:2.3Q2 DOI:10.1007/s10729-026-09761-x PMID:41973177	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
519	2026-04-14	Interpretable prediction of occult lymph node metastasis in pancreatic ductal adenocarcinoma using a model fusing habitat radiomics and deep learning 2026-Apr-13, Abdominal radiology (New York) DOI:10.1007/s00261-026-05504-2 PMID:41973202	研究论文	本研究评估了融合栖息地影像组学特征和深度学习特征在预测胰腺导管腺癌隐匿性淋巴结转移中的价值	首次将栖息地影像组学特征与深度学习特征融合，用于预测胰腺导管腺癌的隐匿性淋巴结转移，并通过SHAP分析增强了模型的可解释性	样本量相对有限（212例患者），且仅基于两家机构的数据，可能影响模型的泛化能力	预测胰腺导管腺癌患者的隐匿性淋巴结转移，以辅助个性化治疗决策	胰腺导管腺癌患者	计算机视觉	胰腺癌	CT影像分析，K-means聚类算法	深度学习，影像组学	CT图像	212例胰腺导管腺癌患者（训练集115例，内部验证集50例，外部验证集47例）	PyTorch	ResNet18	AUC，决策曲线分析，校准曲线	NA
520	2026-04-14	HopWD-DTA: a novel framework for drug-target affinity prediction fusing multi-hop neighborhoods and deep features 2026-Apr-13, Journal of molecular modeling IF:2.1Q3 DOI:10.1007/s00894-026-06706-7 PMID:41973256	研究论文	本文提出了一种名为HopWD-DTA的新框架，用于药物-靶点亲和力预测，通过融合多跳邻域信息和深度特征来提升预测准确性	创新点在于整合了蛋白质-蛋白质相互作用网络中的多跳邻域信息与蛋白质和药物的深度结构特征，并引入了多跳邻域序列化技术和宽深路径模块	NA	加速药物发现过程，通过提高药物-靶点亲和力预测的准确性	药物分子和蛋白质靶点	机器学习	NA	图卷积网络, 变分自编码器, 多层感知机	GCN, VAE, MLP	图数据, 序列数据	Davis, KIBA, Human基准数据集	PyTorch, RDKit	图卷积网络, 变分自编码器, 多层感知机	准确性	NA