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	2026-08-24	Deep learning-driven de novo design of ribosome binding sites in Paracoccus denitrificans 2027-Mar, Synthetic and systems biotechnology IF:4.4Q1 DOI:10.1016/j.synbio.2026.07.013 PMID:42630760	研究论文	本文通过深度学习方法设计副球菌中的核糖体结合位点，实现基因表达的精确调控	首次建立了副球菌的深度学习驱动的RBS设计平台，结合转录组和蛋白质组数据的系统分析及WGAN-GP生成模型	摘要中未提及明确的局限性	开发深度学习驱动的核糖体结合位点设计平台，实现副球菌中基因表达的精确调控	副球菌中的核糖体结合位点序列	机器学习, 合成生物学	不适用	RNA-seq, 蛋白质组学	CNN, BiLSTM, Transformer, WGAN-GP	序列数据	1335个天然RBS序列	NA	CNN, BiLSTM, Transformer, WGAN-GP	皮尔逊相关系数	NA
2	2026-08-20	Evaluation of Computer-aided Detection for Identifying Missed Gastric Cancer After Endoscopic Submucosal Dissection 2027-Apr, DEN open IF:1.4Q4 DOI:10.1002/deo2.70357 PMID:42609944	研究论文	本研究评估了基于深度学习的计算机辅助检测系统在内镜黏膜下剥离术后识别漏诊胃癌的效果，并与内镜医师的检测性能进行了比较。	首次针对内镜黏膜下剥离术后监测期间发现的漏诊胃癌，评估计算机辅助检测系统的效能，并直接与内镜医师的检测性能进行对比。	样本量较小（60例漏诊胃癌图像），可能影响亚组分析的可靠性；检测图像来自单一中心，可能限制普适性。	评估计算机辅助检测系统在内镜黏膜下剥离术后监测中发现漏诊胃癌的效能，并探讨其作为双重复查工具的可行性。	内镜黏膜下剥离术后监测期间发现的漏诊胃癌图像，以及参与对比的10名内镜医师。	计算机视觉	胃癌	深度学习	卷积神经网络（推测）	内镜图像	2324张内镜图像，其中60张为漏诊胃癌图像；10名内镜医师参与对比。	未提及（推断为深度学习框架，如PyTorch或TensorFlow）	未明确指定（可能是用于早期胃癌检测的深度学习模型）	敏感性、特异性、阳性预测值、阴性预测值、诊断时间	未提及
3	2026-07-30	The perspective of artificial intelligence for NMR 2027-Feb, Magnetic resonance letters DOI:10.1016/j.mrl.2026.200290 PMID:42518522	综述	本文综述了人工智能（特别是深度学习）在核磁共振波谱技术中的应用，重点探讨了其在代谢物研究中解决灵敏度低、峰重叠严重和数据解析困难等核心挑战的创新方向	系统梳理了AI驱动NMR在代谢物研究中的三个技术革新方向：低场谱高场化、纯位移谱优化以缓解谱峰拥挤、以及代谢组学中代谢物与生物标志物的智能识别	NA	概述AI与NMR协同作用在代谢物研究中的进展，并展望其在代谢组学、精准医学等领域的应用潜力	核磁共振波谱数据与代谢物相关研究，包括低场NMR谱、纯位移谱及代谢组学数据	机器学习	高脂血症（文中提及脂蛋白代谢标志物）	核磁共振波谱，深度学习	深度学习模型	NMR波谱数据	NA	NA	NA	NA	NA