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 1 篇文献。
| 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 2025-12-27 |
Transfer learning with pre-trained language models for protein expression level prediction in Escherichia coli
2026-Jun, Synthetic and systems biotechnology
IF:4.4Q1
DOI:10.1016/j.synbio.2025.11.012
PMID:41438772
|
研究论文 | 本研究提出了一种名为TLCP-EPE的迁移学习框架，首次融合密码子和蛋白质水平的预训练语言模型来联合捕获表达决定因素，以预测大肠杆菌中的重组蛋白表达水平 | 首次将密码子和蛋白质序列的预训练语言模型进行融合，通过低秩适应（LoRA）微调CaLM和ProtT5，并利用BiGRU-MLP预测器整合其嵌入表示，从而学习表达感知的表征 | 未明确说明模型在其他生物体系或更广泛数据集上的泛化能力，也未讨论计算效率或实时预测的可行性 | 提高重组蛋白表达水平的预测准确性和泛化能力，为理性蛋白质设计和生物制造应用提供基础 | 大肠杆菌中的重组蛋白表达 | 自然语言处理 | NA | 迁移学习, 低秩适应（LoRA） | 预训练语言模型, BiGRU, MLP | 序列数据（密码子序列, 蛋白质序列） | 两个独立测试数据集（具体数量未提供） | NA | CaLM, ProtT5, BiGRU-MLP | AUC | NA |