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
801	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
802	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
803	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
804	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
805	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
806	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
807	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
808	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
809	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
810	2026-04-14	Impact of deep learning image reconstruction on ADC quantification and histogram metrics: a phantom study 2026-Apr-13, European radiology experimental IF:3.7Q1 DOI:10.1186/s41747-026-00709-y PMID:41973320	研究论文	本研究探讨了深度学习图像重建对表观扩散系数（ADC）定量和直方图指标的影响，使用校准的扩散加权成像（DWI）体模进行评估	首次系统评估深度学习重建方法对ADC量化及直方图指标的影响，特别是在不同场域和重建强度下的变化	研究基于体模实验，缺乏患者数据验证，且不同深度学习解决方案的普适性有待进一步评估	评估深度学习图像重建对ADC定量和直方图指标的影响	校准的扩散加权成像（DWI）体模，包含已知ADC值的样本	医学影像分析	肿瘤学	磁共振成像（MRI），扩散加权成像（DWI），深度学习图像重建	深度学习重建方法	磁共振图像	使用包含已知ADC值样本的体模进行扫描	NA	NA	重复性（变异系数），准确性（偏差），Wasserstein距离，熵，四分位距，峰度，偏度	3-T磁共振系统
811	2026-04-14	Scalable Quantum Non-Local Neural Network Optimized with Tyrannosaurus Algorithm for Brain tumor Detection using MRI Images 2026-Apr-12, The International journal of neuroscience DOI:10.1080/00207454.2026.2656322 PMID:41967037	研究论文	本文提出了一种结合量子非局部神经网络与霸王龙算法优化的新型自动化框架，用于从MRI图像中检测脑肿瘤	提出了一种集成了量子非局部神经网络和霸王龙算法优化的新型框架，以同时捕获全局上下文信息和细粒度肿瘤特征，并降低计算复杂度	研究使用了公开数据集进行评估，但未提及在更广泛或临床实际数据上的泛化能力测试，也未讨论模型在噪声更大或质量更差的图像上的表现	开发一种可靠、自动化的计算机辅助诊断工具，用于脑肿瘤的早期检测，以支持临床决策	脑肿瘤MRI图像	计算机视觉	脑肿瘤	MRI	量子非局部神经网络	图像	使用了两个公开基准数据集：BRATS 2018和Figshare，包含多类别、不同类型和分级的脑肿瘤MRI图像	NA	量子非局部神经网络	准确率, 精确率, 召回率, F1分数	NA
812	2026-04-14	Quantitative Assessment of Third Molar Extraction Difficulty and Nerve Injury Risk Using Artificial Intelligence and Image Processing 2026-Apr-12, Annals of biomedical engineering IF:3.0Q3 DOI:10.1007/s10439-026-04114-9 PMID:41968213	研究论文	本研究开发了一种基于人工智能和图像处理技术的第三磨牙拔除难度及神经损伤风险定量评估新系统	应用AI深度学习模型和图像计算技术，首次在曲面断层X光片上实现自动检测、分割及评分，以更精确地评估拔牙难度和神经损伤风险	研究数据多样性有限，未来需纳入更广泛的患者数据以提升模型性能并实现临床应用	开发一种新的、更精确的第三磨牙拔除难度评估评分系统	16至86岁患者的牙科曲面断层X光数据	计算机视觉	NA	全景放射摄影	深度学习模型	图像	NA	NA	NA	平均精度, 平均准确率	NA
813	2026-04-14	Bone Magnetic Resonance Imaging: From Conventional Methods to AI-Driven Solutions 2026-Apr-12, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.70330 PMID:41968381	综述	本文综述了骨磁共振成像从传统方法到AI驱动解决方案的最新进展	全面整合了骨MRI的传统序列、先进序列、代谢成像序列及硬件创新，并探讨了人工智能（特别是深度学习）如何增强MRI在骨疾病评估中的能力	证据等级为4级，技术效能为第2阶段，表明其证据强度有限且技术尚处于早期应用阶段	总结骨磁共振成像的技术进展，并探索其在骨疾病早期诊断、治疗监测和管理中的应用潜力	骨组织及相关的骨骼疾病，包括骨质疏松症、骨关节炎、骨肉瘤和骨坏死	数字病理	老年疾病	磁共振成像（MRI），包括传统序列（如T1加权、T2加权）、先进序列（如超短回波时间、零回波时间）、代谢成像序列（如磁共振波谱、动态对比增强MRI）及硬件创新（如7/14 T超高场MRI）	深度学习模型	MRI图像	NA	NA	NA	NA	NA
814	2026-04-14	LSHMMformer: An Intelligent detection model of depression based on multi-modal fusion 2026-Apr-11, Journal of neuroscience methods IF:2.7Q3 DOI:10.1016/j.jneumeth.2026.110755 PMID:41956210	研究论文	提出了一种基于多模态融合的智能抑郁症检测模型LSHMMformer	提出了一种新颖的局部敏感哈希注意力机制（LSHAttention），并用可学习的投影矩阵替代了传统LSH的固定随机投影矩阵；通过堆叠的Transformer解码器层对多模态特征进行深度融合，以全面捕捉音频和文本模态间的跨模态关联	NA	开发一种智能抑郁症检测模型，以提高预测性能并增强检测效率	抑郁症检测	自然语言处理	抑郁症	深度学习	Transformer	音频, 文本	NA	NA	LSHMMformer, Transformer Decoder	平均绝对误差, 均方根误差	NA
815	2026-04-14	Deep learning based eye disease classification using Optical Coherence Tomography (OCT) images 2026-Apr-11, Experimental eye research IF:3.0Q1 DOI:10.1016/j.exer.2026.111017 PMID:41967163	研究论文	本研究旨在开发和评估基于深度学习的模型，用于利用光学相干断层扫描（OCT）图像进行视网膜疾病的多分类	在三种实验设置下评估了四种CNN架构，并应用了潜在特征空间SMOTE处理类别不平衡问题，以提升模型性能	研究基于单一临床中心的数据集，外部验证显示性能下降，强调了数据集多样性的重要性，需进一步多中心评估	开发并评估深度学习模型，用于视网膜疾病的自动分类	OCT图像，包括脉络膜新生血管、糖尿病性黄斑水肿、玻璃膜疣和正常类别	计算机视觉	眼科疾病	光学相干断层扫描（OCT）成像	CNN	图像	7314张OCT图像，来自单一临床中心	TensorFlow, Keras	VGG16, VGG19, ResNet50, InceptionV3	准确率, 精确率, 召回率, F1分数, Cohen's Kappa, Matthews相关系数, ROC AUC	NA
816	2026-04-14	Generative deep learning-driven de novo design of targeted MAP4K6 inhibitors 2026-Apr-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2026.111680 PMID:41967399	研究论文	本研究提出了一种名为MolEvoRNN的生成式深度学习模型，用于在数据稀疏条件下从头设计针对特定激酶（如MAP4K6）的靶向小分子抑制剂	通过迁移学习和温度控制采样，MolEvoRNN能够在低数据状态下高效探索激酶相关的化学空间，同时保持支架新颖性、类药性和合成可行性，并实现了生成与评估的解耦，提高了方法透明度	研究主要基于计算模拟和虚拟筛选，缺乏实验验证来确认候选分子的实际生物活性和疗效	开发一种可扩展、通用化的生成式深度学习范式，用于在数据稀疏的未充分探索靶点空间中进行理性小分子设计，以加速早期治疗发现	MAP4K6激酶及其潜在的小分子抑制剂	机器学习	肝细胞癌	生成式深度学习, QSAR建模, 药效团映射, 分子对接, MM-GBSA结合能估计, 分子动力学模拟	RNN	化学结构数据	NA	NA	MolEvoRNN	多样性, 唯一性, 新颖性, 内部多样性	NA
817	2026-04-14	Localizing low-velocity impacts on wind turbine blades using multi-sensor ensemble learning with dynamic arbitration 2026-Apr-10, Ultrasonics IF:3.8Q1 DOI:10.1016/j.ultras.2026.108096 PMID:41967170	研究论文	本研究提出了一种基于集成学习的多传感器决策融合框架，用于定位风力涡轮机叶片上的低速冲击	提出了一种结合完全集成经验模态分解与自适应噪声及排列熵的信号处理方法，并采用新颖的多尺度金字塔注意力网络作为基础模型，最后通过动态仲裁集成策略进行高效的决策级融合	未明确说明模型在更广泛结构类型或更复杂环境条件下的泛化能力，也未讨论实时部署的计算成本	开发高效的风力涡轮机叶片低速冲击定位方法，以确保结构安全	风力涡轮机叶片（复合材料结构）	机器学习	NA	声发射（AE）信号采集与处理	集成学习，注意力网络	一维时间序列声发射信号，二维灰度图像	NA	NA	多尺度金字塔注意力网络	定位精度	NA
818	2026-04-14	GalaxyCDock: Webserver for Covalent Protein-Ligand Binding Mode Prediction 2026-Apr-10, Journal of molecular biology IF:4.7Q1 DOI:10.1016/j.jmb.2026.169807 PMID:41967600	研究论文	本文介绍了GalaxyCDock，一个用于预测共价蛋白质-配体结合模式的网络服务器	结合了GalaxyDock2的高效构象采样和基于深度学习的评分函数GalaxyDock-DL，在共价对接任务中超越了现有工具	NA	开发一个准确且易于访问的共价蛋白质-配体对接计算工具	共价配体（包含反应性部分的小分子）与蛋白质的结合模式	计算生物学	NA	共价对接	深度学习	蛋白质结构，配体结构	标准数据集和新整理的数据集	NA	GalaxyDock2, GalaxyDock-DL	重对接成功率，交叉对接成功率	网络服务器
819	2026-04-14	A hybrid framework for effective microscopic cell counting segmentation integrating Light-U-net with watershed 2026-Apr-10, Experimental eye research IF:3.0Q1 DOI:10.1016/j.exer.2026.110983 PMID:41967665	研究论文	提出一种结合Light-U-Net与分水岭算法的混合框架，用于视网膜图像中细胞的有效分割与计数	开发了轻量级可扩展的Light-U-Net模型，并结合分水岭算法优化细胞计数精度	模型在合成数据集和自建真实数据集上验证，但未提及外部验证或临床环境测试	实现青光眼早期检测中视网膜神经节细胞的自动化分割与计数	视网膜神经节细胞	数字病理学	青光眼	深度学习图像分割	CNN	图像	公开合成数据集与自建真实数据集（具体数量未说明）	未明确说明	Light-U-Net	分割与计数性能（未指定具体指标）	NA
820	2026-04-14	Accelerated long-read variant calling with Clair3 for whole-genome sequencing 2026-Apr-10, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btag181 PMID:41967838	研究论文	本文介绍了一种基于Clair3的加速长读长变异检测计算框架，通过并行化特征生成、增强变异定相、内存中读段单倍型标记和GPU加速神经网络推理，显著提升了全基因组测序中变异检测的速度	整合了并行化特征生成、增强变异定相、内存中读段单倍型标记和GPU加速神经网络推理，动态优化GPU和CPU资源使用，实现了约10-20倍的运行速度提升，同时保持高准确性	未明确提及框架在极端复杂基因组区域或超低深度测序数据上的性能限制	解决长读长测序技术中变异检测计算需求高、耗时长的瓶颈，支持大规模队列基因组研究和时间敏感的临床应用	全基因组测序数据，特别是基于ONT和PacBio平台的长读长测序数据	基因组学	NA	长读长测序（ONT, PacBio）	神经网络	基因组测序数据	使用了多种样本和测序深度进行评估，包括30×全基因组序列	NA	Clair3	SNP F1分数	标准计算资源（32个CPU线程和一个NVIDIA GPU），Apple Mac Studio（32线程）