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
661	2026-06-25	Accurate identification of cytochrome P450 proteins using multimodal integration of protein language models 2026-Jun-21, International journal of biological macromolecules IF:7.7Q1 DOI:10.1016/j.ijbiomac.2026.153150 PMID:42324002	研究论文	提出一种整合蛋白质语言模型的多模态深度学习框架，用于高精度识别细胞色素P450蛋白	首次将蛋白质序列信息、语义嵌入和进化保守信号等多模态特征融合，并系统评估了超过1000种模态组合，揭示最优组合的互补性	未提及跨物种泛化能力验证及对极端序列变异的鲁棒性评估	解决CYP450蛋白亚家族间序列多样性高、同源性低导致的远程同源检测难题，提升大规模蛋白质组数据中识别准确性	细胞色素P450（CYP450）蛋白超家族	机器学习	不适用	蛋白质预训练语言模型（PLMs）、多模态特征融合	深度学习框架（多模态集成模型）	蛋白质序列数据（序列信息、语义嵌入、进化保守信号）	未明确说明训练/测试集样本量	PyTorch	蛋白质语言模型（PLMs）基础架构	准确率, AUROC	未明确说明
662	2026-06-25	Beyond diagnosis: AI-based surgical risk assessment in Acanthamoeba keratitis with real-world validation 2026-Jun-18, The ocular surface DOI:10.1016/j.jtos.2026.06.014 PMID:42309390	研究论文	开发并外部验证基于裂隙灯照片的深度学习模型，用于区分棘阿米巴角膜炎患者是否需要手术治疗	首次将深度学习应用于棘阿米巴角膜炎的严重程度分类，并通过外部验证证明了模型的稳健泛化能力	NA	开发并验证深度学习模型，用于从裂隙灯照片中识别需要手术治疗的棘阿米巴角膜炎患者	棘阿米巴角膜炎患者的裂隙灯图像	计算机视觉	角膜炎（棘阿米巴角膜炎）	裂隙灯摄影	卷积神经网络（CNN）	图像	104名患者的1410张裂隙灯图像；外部验证集含110张图像	NA	ResNet50	准确率、敏感度、特异性、AUC、平均精密度、F1分数	NA
663	2026-06-25	Metapath-guided transfer learning with clinical validation for identifying herb-drug interactions 2026-Jun-11, Phytomedicine : international journal of phytotherapy and phytopharmacology IF:6.7Q1 DOI:10.1016/j.phymed.2026.158421 PMID:42335642	研究论文	提出了一种基于元路径引导的迁移学习框架Meta-HDI，用于识别草药-药物相互作用，并通过临床试验验证了其预测效果	利用大型药物-药物相互作用图进行迁移学习，结合图卷积编码器和最短路径长短期记忆网络与层级注意力机制，生成可解释的机制链，解决了草药-药物相互作用数据稀缺的问题	需要在更多样化的药物和草药产品中进行更广泛的验证	开发并验证一个用于预测和解释草药-药物相互作用的深度学习框架	草药-药物相互作用（特别是多奈哌齐与加味逍遥散、乌鸡散等草药方剂的相互作用）	机器学习	老年疾病（涉及多奈哌齐用于治疗）	NGS（深度学习框架构建）	图卷积网络、长短期记忆网络	文本（药物相互作用数据）	18名参与者（临床试验）、体外人类肝微粒体测定	PyTorch	图卷积编码器、最短路径长短期记忆网络、层级注意力机制	AUROC	NA
664	2026-06-25	Understanding Transformer-Based Classifications of Medical Text Using a Large Language Model for the Attribution of Feature Importance: Proof-of-Concept Algorithm Development and Validation Study 2026-Jun-10, JMIR medical informatics IF:3.1Q2 DOI:10.2196/81644 PMID:42268907	研究论文	探索将GPT-4o作为独立扰动解释器用于BioLinkBERT文本分类器的特征重要性归因，并与SHAP和综合梯度方法进行比较	首次验证生成型大语言模型（GPT-4o）作为端到端扰动解释器在医学文本分类中的有效性，与传统的可解释人工智能方法进行对比	GPT-4o在作为独立扰动解释器时无法准确综合数学特征重要性，且计算成本显著高于传统方法	证明使用大型语言模型进行医学文本特征重要性归因的概念验证算法开发与验证	来自McMaster Premium Literature Service和Clinical Hedges数据库的200项研究	自然语言处理	NA	深度学习	变换器模型	文本	200项医学研究，80901个分词	PyTorch	BioLinkBERT	修正面积在扰动曲线之上、皮尔逊相关系数	NA
665	2026-06-25	IBDome: An Integrated Molecular, Histopathological, and Clinical Atlas of Inflammatory Bowel Diseases 2026-Jun-10, Gastroenterology IF:25.7Q1 DOI:10.1053/j.gastro.2026.05.023 PMID:42269946	研究论文	提供了IBD患者的多组学与多模态综合分析数据集，并结合分子、组织病理学和临床数据来改进对IBD的理解和诊断	首次大规模整合了基因组、转录组、蛋白质组和组织病理学数据，并通过基础模型深度学习实现组织病理评分和疾病分类	未提及具体局限性，但可能包括样本选择偏差或模型泛化性问题	通过整合多组学数据改进炎症性肠病（IBD）的诊断和个性化治疗策略	1002名IBD患者和正常对照的肠道组织样本及血清样本	计算病理学	炎症性肠病	全外显子测序、RNA测序、血清蛋白质组学、HE染色组织切片成像	基础模型深度学习	基因组、转录组、蛋白质组、组织病理图像、临床数据	1002名临床注释的IBD患者及非IBD对照	PyTorch	基础模型（具体架构未明确）	组织病理学活动评分预测准确率、克罗恩病与溃疡性结肠炎分类准确率	NA
666	2026-06-25	Association of deep learning-derived temporalis sarcopenia with mortality in acute ischemic stroke 2026-Jun-06, The journals of gerontology. Series A, Biological sciences and medical sciences DOI:10.1093/gerona/glag149 PMID:42236280	研究论文	利用深度学习从CT扫描中自动提取颞肌体积和密度，评估其与急性缺血性卒中患者死亡率及住院时间的关联	首次使用深度学习技术自动量化CT图像中的颞肌体积和密度，并将其作为急性缺血性卒中患者死亡率的预测指标，验证了其在加入医院衰弱风险评分后的增量价值	单中心回顾性设计可能引入选择偏倚；阈值来源于50名健康成人，可能无法完全代表一般人群；未考虑其他可能影响肌肉量的因素如营养状态或合并症	评估深度学习衍生的颞肌体积和密度对急性缺血性卒中患者30天和365天全因死亡率及住院时间的增量预测价值	2014年至2023年连续入院的急性缺血性卒中患者	深度学习	急性缺血性卒中	CT扫描	深度学习模型	图像	2285名患者（其中1151名女性，平均年龄74.7岁）以及50名健康成人作为阈值参考	NA	NA	比值比（OR）、95%置信区间（CI）、调整后OR	NA
667	2026-06-25	Artificial Intelligence in Tumor Evolution: Understanding Cancer Complexity Through Multi-Modal Data Integration in Precision Oncology 2026-Jun-03, Cells IF:5.1Q2 DOI:10.3390/cells15111031 PMID:42274624	综述	本文综述了人工智能在肿瘤进化研究中的应用，通过多模态数据整合理解癌症复杂性，以推动精准肿瘤学的发展	系统阐述了AI如何通过整合多组学、影像和临床数据解码肿瘤进化中的遗传和表型异质性、耐药性和转移机制，并强调了其在功能基因组学、影像分析和预测建模中的创新应用	AI在肿瘤进化中的应用面临数据隐私、算法偏见和患者自主权等伦理挑战，需确保其负责任部署	探讨人工智能在精准肿瘤学中通过多模态数据整合理解肿瘤进化的应用和挑战	肿瘤进化中的遗传和表型异质性、耐药性、转移机制及相关多模态数据	机器学习	NA	NA	深度学习	多组学数据、影像数据、临床数据	NA	NA	NA	NA	NA
668	2026-06-25	Exploring the potential of artificial intelligence and machine learning in orthopaedic surgery 2026-Jun-01, Bulletin of the Hospital for Joint Disease (2013) DOI:10.1097/bh9.0000000000000055 PMID:42296285	review	综述人工智能和机器学习在骨科手术中的应用潜力	系统性地概述了AI在骨科多个领域（如文档效率、患者沟通、手术室优化、影像分析、康复、教育和研究）的现状和直接应用，强调其变革潜力	仅简要描述了AI的局限性、伦理法律问题和成本，未深入探讨具体挑战；未涉及未来研究方向	介绍AI的工作原理及其在骨科手术中的应用现状和前景	骨科手术及相关医疗实践	machine learning, natural language processing	NA	NA	NA	NA	NA	NA	NA	NA	NA
669	2026-06-25	HAT-ECG: Hybrid autoencoder-transformer architecture for ECG arrhythmia classification 2026-Jun, Physiological reports IF:2.2Q3 DOI:10.14814/phy2.70990 PMID:42338216	研究论文	提出一种混合自编码器-变压器架构 HAT-ECG，用于心电图心律失常分类，实现高精度与跨患者泛化能力	将无监督特征学习的卷积自编码器与基于注意力机制的时间建模变压器相结合，在保持低计算量（0.021 GFLOPs）的同时，实现了患者级独立测试下的高泛化性能	在 MIT-BIH 数据集严格患者级分割下，准确率虽达 90.81%，但仍低于某些更复杂模型，且未在极大规模或实时噪声环境中充分验证	开发一种兼顾准确性、可解释性和计算效率的心律失常分类方法，适用于可穿戴和边缘设备实时监测	心电图信号中的心律失常分类任务	机器学习	心律失常	心电图信号处理	混合自编码器-变压器	心电信号	三个公开数据集：MIT-BIH、INCART 及独立的 PTB 诊断心电图数据集（共290名受试者）	NA	卷积自编码器、变压器（多头注意力机制）	准确率、F1分数	0.021 GFLOPs，适用于低功耗边缘设备
670	2026-06-25	DARTS-CNN-BiLSTM: Intelligent Fault Diagnosis for Computer Numerical Control Machine Tool Feed System 2026-Jun, Annals of the New York Academy of Sciences IF:4.1Q1 DOI:10.1111/nyas.70317 PMID:42339569	研究论文	提出DARTS-CNN-BiLSTM模型用于数控机床进给系统的智能故障诊断	首次系统地将可微架构搜索（DARTS）与混合CNN-BiLSTM框架集成，自动优化CNN结构用于空间特征提取，同时BiLSTM捕捉双向时间依赖，无需手动调参和特征工程	未在摘要中明确说明局限性	解决变速度和强噪声条件下数控机床进给系统的故障诊断难题	数控机床进给系统的故障诊断	机器学习	NA	NA	CNN, BiLSTM, DARTS	信号数据	两个公共数据集和一个自建数据集	NA	DARTS-CNN, BiLSTM	诊断准确率	NA
671	2026-06-24	Deep learning insights into β-lactamase dynamics and resistance evolution 2026-Jun-03, The Biochemical journal DOI:10.1042/BCJ20260196 PMID:42101477	综述	综述深度学习在分析β-内酰胺酶构象动力学及耐药性进化中的应用	系统性地总结了卷积变分自编码器、DiffNets、BindSiteS-CNN、几何深度学习及图神经网络等深度学习技术在揭示β-内酰胺酶构象异质性、活性位点重塑和长程变构耦合方面的最新进展	未具体讨论方法的局限性，如模型对模拟数据质量的依赖或计算成本	理解β-内酰胺酶通过构象动力学演变产生耐药性的机制	A至D类β-内酰胺酶的构象动力学	机器学习	NA	分子动力学模拟	卷积变分自编码器、DiffNets、几何深度学习、图神经网络	分子动力学模拟轨迹数据	NA	NA	卷积变分自编码器、DiffNets、BindSiteS-CNN、几何深度学习、图神经网络	NA	NA
672	2026-06-24	Integrating protein and DNA embeddings for improving genome-wide transcription factor binding site prediction 2026-Jun, NAR genomics and bioinformatics IF:4.0Q1 DOI:10.1093/nargab/lqag047 PMID:42099803	研究论文	提出了一种名为TransBind的蛋白质感知深度学习架构，通过整合DNA序列信息和蛋白质嵌入来改进全基因组转录因子结合位点的预测	首次将蛋白质语言模型派生的蛋白质序列与结构嵌入与DNA序列信息相结合，通过交叉注意力机制使转录因子嵌入根据其独特结合属性选择性关注基因组区域	未提及	提高转录因子结合位点预测的准确性和泛化能力，特别是对于训练数据中不存在的新转录因子	转录因子结合位点预测方法	自然语言处理	NA	ChIP-seq	深度学习	DNA序列、蛋白质序列与结构数据	690个ChIP-seq实验，涵盖161个转录因子和91种人类细胞类型	PyTorch	Transformer, 交叉注意力机制	AUROC, AUPR	NA
673	2026-06-23	Chemometrics, VIS-NIR-SWIR spectroscopy, and deep learning algorithms to classify and predict qualitative attributes of rice in grain processing and storage units 2026-Jun-30, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2026.149275 PMID:42008893	研究论文	利用化学计量学与VIS-NIR-SWIR光谱结合深度学习算法，对大米加工和储存过程中的品质属性进行分类和预测	将高光谱光谱技术与多种机器学习模型（包括深度学习算法）结合，用于大米品质的无损检测，并探索了光谱与物理化学属性之间的关系	NA	研究基于谷物缺陷的物理质量分类与碾米理化属性之间的关系，利用无损技术结合机器学习算法确定加工和储存中的谷物质量	白米、黑米、红米和蒸谷米的样品	机器学习	NA	高光谱光谱（350-2500 nm）	线性回归、支持向量机、随机森林、梯度提升、卷积神经网络、循环神经网络	光谱数据	NA	NA	支持向量机、随机森林、梯度提升、卷积神经网络、循环神经网络	NA	NA
674	2026-06-23	pHLA-Bi-Mamba: A pan-specific deep learning model for peptide-HLA-Ⅰ binding affinity and eluted ligand prediction 2026-Jun-25, Biochemical and biophysical research communications IF:2.5Q3 DOI:10.1016/j.bbrc.2026.153729 PMID:42013547	研究论文	提出了一种基于双向Mamba架构的泛特异性深度学习模型pHLA-Bi-Mamba，用于预测肽-HLA-I结合亲和力与洗脱配体	首次将双向Mamba架构应用于肽-HLA-I结合预测，有效建模全局序列依赖性和肽结合沟槽内的空间约束，在基准数据集上达到最先进性能	NA	开发高效工具用于大规模免疫表位筛选，特别是识别高度不平衡数据集中的稀有结合物	肽-HLA-I对的结合亲和力和洗脱配体预测	机器学习	NA	蛋白质语言建模	双向Mamba	序列数据	NA	PyTorch	双向Mamba	R值, AUPRC	NA
675	2026-06-23	Physics-Aware Representation Learning on Electronic Charge Density for Materials Property Prediction 2026-Jun-22, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00235 PMID:42212372	研究论文	提出一种物理启发的深度学习框架，直接从电子电荷密度预测材料力学和热力学性质	首次利用三维卷积自编码器对电子电荷密度进行无监督降维，将高分辨率电荷密度网格压缩为紧凑的潜在表示，并结合组合特征提升预测精度	仅使用了约6059种无机化合物数据，可能限制模型对更广泛材料体系的泛化能力	建立基于电子电荷密度的可迁移、物理基础的描述符，用于快速预测材料性质	无机晶体材料的电子电荷密度及力学/热力学性质	机器学习	NA	密度泛函理论	三维卷积自编码器、LightGBM、注意力机制三维卷积神经网络	电子电荷密度网格数据	约6059种无机化合物	PyTorch, LightGBM	3D卷积自编码器、Attention-based 3D CNN	相关系数R	NA
676	2026-06-23	GraFSyn: An Interpretable Deep Learning Framework for Anticancer Drug Synergy via Graphlet Fingerprints 2026-Jun-22, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00458 PMID:42213476	研究论文	提出GraFSyn，一个基于图元指纹的可解释深度学习框架，用于预测抗癌药物协同作用	首次使用图元指纹将药物编码为显式连接子结构单元，保留预定义化学子结构及其拓扑身份，并引入动态多尺度卷积模块处理高维稀疏特征	NA	开发准确且结构可追溯的抗癌药物协同作用预测方法	抗癌药物组合的协同作用	机器学习	癌症	NA	深度学习框架	分子图结构数据、细胞系基因表达数据	Merck和AstraZeneca基准数据集	PyTorch	动态多尺度卷积模块	ROC-AUC, PR-AUC	NA
677	2026-06-23	Unifying pKa and Protonation Prediction with Sequence-Based Deep Learning 2026-Jun-22, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00556 PMID:42214058	研究论文	提出基于序列深度学习模型T5pKa统一预测小分子pKa值和质子化状态	首次将序列到序列的T5Chem模型扩展到pKa预测，通过多任务学习同时枚举微观状态并预测微观pKa值，实现了质子化和去质子化的统一预测框架	依赖实验数据稀缺性，且仅适用于小分子，未验证对大分子或复杂体系的适用性	开发统一的基于序列的深度学习模型，提升pKa预测准确性并简化微观状态枚举流程	有机小分子的质子化/去质子化过程及其微观pKa值	自然语言处理	NA	深度学习序列模型	Transformer	文本	9000个实验获取的微观pKa条目	PyTorch	T5Chem, T5pKa	NA	NA
678	2026-06-23	Deep learning and cryogenic electron microscopy modeling for gene editing dynamics 2026-Jun, Current opinion in structural biology IF:6.1Q1 DOI:10.1016/j.sbi.2026.103270 PMID:41996895	研究论文	利用深度学习与冷冻电镜建模研究基因编辑动态	将深度学习与冷冻电镜数据建模相集成，揭示基因编辑系统的动态构象景观，并利用图神经网络提取可解释的通信路径	NA	通过深度学习和冷冻电镜建模推动对基因编辑系统的动态、预测性和数据驱动理解	CRISPR-Cas系统的构象动态和分子机制	机器学习	NA	冷冻电镜，分子动力学模拟，量子力学方法	图神经网络	密度图，模拟数据	NA	NA	图神经网络	NA	NA
679	2026-06-23	Three-Dimensional human motion analysis using LiDAR technology: A systematic review 2026-Jun, Journal of biomechanics IF:2.4Q3 DOI:10.1016/j.jbiomech.2026.113292 PMID:42001760	综述	系统回顾基于LiDAR技术的人体三维运动分析方法	首次系统综述了深度学习在稀疏无序点云中提取人体运动信息的方法，并比较了不同模型性能	LiDAR在多人场景和遮挡情况下的鲁棒性仍是显著挑战	系统梳理3D LiDAR数据处理方法在人体运动分析中的应用现状	38篇关于LiDAR人体运动检测的研究文献	计算机视觉	NA	LiDAR	CNN, PointNet, YOLOv3, 联邦学习	3D点云	38篇研究文献	NA	CNN, PointNet, YOLOv3	精确率, 平均关节位置误差, 活动识别准确率	NA
680	2026-06-23	iPalmT: a new paradigm for palmitoyltransferase discovery via end-to-end deep learning 2026-Jun, Oncogene IF:6.9Q1 DOI:10.1038/s41388-026-03802-z PMID:42000924	研究论文	提出了iPalmT，一种端到端深度学习框架，直接从氨基酸序列识别棕榈酰转移酶，无需手工特征或结构域注释	首次开发了不依赖手工特征和基序注释的端到端深度学习框架，能够从原序列直接发现棕榈酰转移酶，并通过集成梯度归因揭示了新的功能域	未明确提及，但可能依赖于训练数据的多样性和完整性，且预测的候选蛋白需进一步实验验证	系统性地发现棕榈酰转移酶，克服传统方法依赖劳动密集型和基序依赖检测的局限	棕榈酰转移酶及其序列特征	机器学习	癌症	深度学习	卷积神经网络（CNN）	氨基酸序列	独立测试集（具体数量未详述），以及来自33,285个物种级组的147,847,003个蛋白质中的10,365,644个序列	Python（基于PyTorch）	卷积层与挤压激励模块（Squeeze-and-Excitation）	准确率0.99，精确率0.98，召回率0.97，F1分数0.98	NA