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
1	2026-06-02	Prediction of intrinsic clearance using an explainable learning framework integrating molecular fingerprints and graph representation 2026-Oct-05, European journal of medicinal chemistry IF:6.0Q1 DOI:10.1016/j.ejmech.2026.118996 PMID:42176654	研究论文	开发了一个融合分子指纹和图结构表示的可解释学习框架，用于预测固有清除率	提出了一个动态结合机器学习和深度学习预测的集成策略，并通过可解释性分析揭示了预测背后的生化决定因素	模型的性能受限于公开数据质量和数据筛选过程	提高固有清除率预测的准确性和可解释性，为早期药物筛选提供支持	固有清除率数据及分子结构特性	机器学习	NA	NA	随机森林、支持向量机、梯度提升等传统机器学习模型及双分支深度学习架构	分子指纹和图结构特征	从公共数据库收集并经人工验证的固有清除率数据	PyTorch	双分支深度学习架构（结合分子指纹和图神经网络）	R	NA
2	2026-05-31	Deep Learning-Assisted identification and quantification of cell-associated microplastics using darkfield hyperspectral imaging 2026-Oct-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2026.129864 PMID:42019285	研究论文	开发了结合暗场高光谱成像与深度学习管道的自动化策略，用于在单细胞水平检测和量化细胞相关的聚苯乙烯微塑料	首次将Mask R-CNN、LS-SVM和圆形霍夫变换整合为完整图像分析管道，实现微塑料与细胞相互作用的单细胞分辨率定量评估	该方法需要针对不同颗粒类型和细胞系进行重新训练和验证，目前仅验证了聚苯乙烯微塑料在Caco-2细胞中的效果	建立自动化策略以检测和量化细胞相关的微塑料，评估其潜在健康风险	人结肠腺癌细胞Caco-2和聚苯乙烯微塑料	计算机视觉	微塑料相关健康风险	暗场高光谱成像	CNN, 支持向量机	图像	Caco-2细胞在不同浓度聚苯乙烯微塑料（1×10^7、1×10^8、1×10^9颗粒/mL）处理下的样本	NA	Mask R-CNN, 最小二乘支持向量机, 圆形霍夫变换	精确率, 准确率	NA
3	2026-05-31	Enhancing saline soil quality using enriched sheep manure compost and organic fertilizer: A FTIR-Deep learning evaluation of physiochemical and electrical properties 2026-Oct-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2026.129880 PMID:42035676	研究论文	通过傅里叶变换红外光谱结合深度学习评估改良羊粪堆肥和有机肥对盐渍土壤质量的影响	首次将FTIR光谱与深度学习模型（LSTM和1D-CNN）结合，用于盐渍土壤性质的快速准确评估，并利用SHAP解释模型预测的关键光谱区域	未提及模型在不同土壤类型或长期田间条件下的泛化能力，且PLSR模型部分参数（如有机肥处理的R值为0.27）表现较差，可能受样本量或实验条件限制	建立基于FTIR光谱与机器/深度学习的框架，快速评估盐渍土壤改良效果，并预测关键理化性质	盐渍土壤样本，经改良羊粪堆肥和有机肥处理后进行理化性质分析	机器学习	不适用	傅里叶变换红外光谱	长短期记忆网络、一维卷积神经网络、偏最小二乘回归	光谱数据	未明确说明，涉及盐渍土壤样本及两种改良处理（有机肥和羊粪堆肥）	不适用	LSTM, 1D-CNN	决定系数R	未提及
4	2026-05-31	3D-printed real-time biosensing system integrating deep learning for label-free in vitro T cell culture analysis 2026-Oct-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2026.129892 PMID:42035675	研究论文	利用3D打印模块构建的自动无标记监测平台，结合深度学习实现T细胞培养过程的实时分析	首次将3D打印模块化组件、自动化细胞培养、实时明场成像和深度学习算法集成于一个平台，实现T细胞形态、活力和迁移行为的连续追踪，无需标记	未提及对细胞代谢功能的直接检测，以及在不同T细胞亚型或临床样本中的验证	开发一种用于癌症免疫治疗中T细胞培养的实时、无标记监测技术	体外培养的T细胞	计算机视觉	癌症	NA	深度学习	明场图像	NA	NA	NA	平均精度	NA
5	2026-05-31	Chemical composition imaging and class imbalance handling using a 2D-CNN with SMOTE and threshold moving for tobacco origin classification 2026-Oct-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2026.129950 PMID:42105520	研究论文	提出一种结合化学组分成像、2D-CNN与SMOTE及阈值移动的方法，用于烟草产地分类	将多维化学组分转换为结构化2D图像，利用2D-CNN捕捉化学指标间的复杂相关性，并结合SMOTE与阈值移动缓解类别不平衡	未提及相关限制	解决烟草产地分类中复杂的化学关系与地理样本不平衡问题	烟草样品及其化学组分	计算机视觉, 机器学习	无特定疾病分类	化学组分成像, SMOTE	2D-CNN	图像（化学组分转换的2D图像）	八个生态区域的烟草样本	NA	2D-CNN, 1D-CNN（用于对比）	准确率, 精确率, 召回率, F1分数	NA