深度学习在生物医药领域中的应用

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
1	2025-06-06	Incremental learning for acute lymphoblastic leukemia classification based on hybrid deep learning using blood smear image 2025-Oct, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108456 PMID:40222054	research paper	该研究提出了一种基于混合深度学习的增量学习方法，用于血涂片图像中急性淋巴细胞白血病的精确分类	提出了TSCO-L-LeNet模型，结合Tangent Sand Cat Swarm Optimization和长短期记忆网络，采用增量学习方法提高分类准确率	未提及模型在其他类型白血病或更大规模数据集上的泛化能力	开发一种快速、准确的白血病自动诊断方法	急性淋巴细胞白血病患者的血涂片图像	digital pathology	leukemia	图像处理、深度学习	TSCO-L-LeNet (结合LSTM和LeNet的混合模型)	image	未明确提及具体样本数量
2	2025-06-06	MGMA-DTI: Drug target interaction prediction using multi-order gated convolution and multi-attention fusion 2025-Oct, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108449 PMID:40239449	research paper	提出了一种基于多门控卷积和多注意力融合的药物-靶标相互作用预测模型MGMA-DTI	使用多门控卷积增强对氨基酸序列全局特征的捕捉能力，并设计了多注意力融合模块以有效捕获药物-靶标相互作用特征	未提及具体的数据集规模限制或模型计算复杂度问题	提高药物-靶标相互作用预测的准确性和模型可解释性	药物分子和靶标蛋白质	machine learning	NA	graph convolutional neural network, multi-order gated convolution, multi-attention fusion	MGMA-DTI	SMILES字符串（药物分子），氨基酸序列（蛋白质）	三个基准数据集：BindingDB、BioSNAP和Human
3	2025-06-06	im7G-DCT: A two-branch strategy model based on improved DenseNet and transformer for m7G site prediction 2025-Oct, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108473 PMID:40245811	研究论文	本文提出了一种基于改进的DenseNet和Transformer的双分支策略模型im7G-DCT，用于预测m7G位点	采用双分支策略并行提取局部和全局特征，深入挖掘m7G位点序列的潜在特征信息，提高了预测准确性	NA	准确识别mRNA中的m7G位点，为临床应用和治疗策略开发提供支持	mRNA中的N-7甲基鸟苷(m7G)位点	生物信息学	癌症、神经退行性疾病、病毒感染	深度学习预测模型	改进的DenseNet和Transformer	RNA序列数据	NA
4	2025-06-06	Convolutional Neural Network approach to classify mitochondrial morphologies 2025-Oct, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108477 PMID:40273826	research paper	介绍了一种基于深度学习的软件MitoClass，用于自动分类线粒体网络的形态	利用CNN架构开发了MitoClass软件，能够快速准确地对线粒体形态进行分类	未提及具体样本量或模型在不同分辨率图像上的泛化能力	开发自动化工具以定量评估显微镜图像中线粒体网络的形态	线粒体网络的形态	computer vision	NA	super-resolution imaging	CNN	image	NA
5	2025-06-06	ProAttUnet: Advancing protein secondary structure prediction with deep learning via U-Net dual-pathway feature fusion and ESM2 pretrained protein language model 2025-Oct, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108429 PMID:40288255	研究论文	提出了一种名为ProAttUnet的新型深度学习方法，用于提升基于单序列的蛋白质二级结构预测性能	整合了最先进的蛋白质语言模型ESM2，采用独特的双路径U-Net框架进行特征融合，并引入交叉注意力机制和GCU_SE模块	NA	提升蛋白质二级结构预测的准确性	蛋白质序列	生物信息学	NA	深度学习	U-Net, ESM2	蛋白质序列数据	五个测试集（SPOT-2016, SPOT-2016-HQ, SPOT-2018, SPOT-2018-HQ和TEST2018）
6	2025-06-06	DICCA-DTA: Diffusion and Contextualized Capsule Attention guided Factorized Cross-Pooling for Drug-Target Affinity prediction 2025-Oct, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108472 PMID:40288256	研究论文	提出了一种名为DICCA-DTA的新框架，用于预测药物-靶标亲和力，通过改进分子信息的上下文整合和药物-靶标相互作用的全面表示	引入了扩散同构网络(DIN)和上下文胶囊注意力网络(CCAN)模块，结合因子化交叉池化(FCP)机制，动态优化药物-蛋白质相互作用建模，提高预测准确性和可解释性	未明确提及具体局限性	改进药物-靶标亲和力预测，加速药物发现和再利用过程	药物分子和蛋白质靶标	机器学习	癌症	深度学习	DIN, CCAN, FCP	分子图和蛋白质序列	Davis、KIBA、Metz和BindingDB数据集，以及DrugBank数据库中的癌症相关蛋白质相互作用案例
7	2025-06-06	scDGG: Dynamic gene graphs for enhancing clustering analysis of single-cell RNA sequencing data via spatiotemporal representations 2025-Oct, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108483 PMID:40328048	研究论文	本文提出了一种名为scDGG的多视图图学习架构，用于从不同信号通路中压缩动态基因图，以增强单细胞RNA测序数据的聚类分析	提出动态基因图（dynamic gene graphs）来捕捉调控机制的动态变化，相比静态基因图能更全面地观察细胞命运和疾病进展的调控机制	未明确提及具体局限性	提高单细胞RNA测序数据的聚类分析准确性	单细胞RNA测序数据	生物信息学	NA	单细胞RNA测序（scRNA-seq）	多视图图学习架构（multi-view graph learning architecture）	基因表达数据	基准scRNA-seq数据集（未明确数量）
8	2025-06-06	NABP-LSTM-Att: Nanobody-Antigen binding prediction using bidirectional LSTM and soft attention mechanism 2025-Oct, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108490 PMID:40347542	研究论文	该研究提出了一种名为NABP-LSTM-Att的深度学习模型，用于仅从序列信息预测纳米抗体与抗原的结合	使用双向LSTM和软注意力机制，仅依赖序列信息预测纳米抗体与抗原的结合，无需3D结构	模型的性能依赖于SAbDab-nano数据库中的序列数据，可能无法泛化到所有未知的纳米抗体-抗原对	提高纳米抗体与抗原结合亲和力和特异性的预测能力，以促进纳米抗体药物的开发	纳米抗体和抗原的序列	自然语言处理	NA	深度学习	biLSTM和软注意力机制	序列数据	来自SAbDab-nano数据库的纳米抗体-抗原序列对
9	2025-06-06	iEnhancer-DS: Attention-based improved densenet for identifying enhancers and their strength 2025-Oct, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108484 PMID:40349379	研究论文	提出了一种基于深度学习的多任务框架iEnhancer-DS，用于增强子识别及其强度分类	结合改进的DenseNet模块和自注意力机制，动态评估特征重要性并分配权重，提高了增强子识别和强度预测的性能	未提及具体的数据集规模限制或模型在其他生物序列上的泛化能力	开发计算方法来快速准确地识别增强子及其强度	DNA序列中的增强子及其强度	生物信息学	NA	one-hot编码、核苷酸化学性质(NCP)、t-SNE	改进的DenseNet、自注意力机制、多层感知机(MLP)	DNA序列数据	NA
10	2025-06-06	Towards automated and reliable lung cancer detection in histopathological images using DY-FSPAN: A feature-summarized pyramidal attention network for explainable AI 2025-Oct, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108500 PMID:40381571	research paper	本研究提出了一种名为DY-FSPAN的深度学习框架，用于在组织病理学图像中实现自动化和可靠的肺癌检测	结合Y-blocks和注意力机制增强空间特征表示，同时保持感受野一致性，提高了分类准确性和可解释性	未提及具体的数据集限制或临床应用中的潜在问题	开发一个平衡性能和可解释性的医学图像分类模型，以提高肺癌诊断的准确性	肺癌组织病理学图像	digital pathology	lung cancer	deep learning	DY-FSPAN (Dilated Y-Block-based Feature Summarized Pyramidal Attention Network)	image	NA
11	2025-06-06	End-to-End Deep Learning-Based Motion Correction and Reconstruction for Accelerated Whole-Heart Joint T1/T2 Mapping 2025-Sep, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110396 PMID:40268172	研究论文	提出一种端到端深度学习算法，用于加速3D全心联合T1/T2映射，通过联合运动估计和基于模型的运动校正重建多对比度欠采样数据	采用端到端非刚性运动校正重建网络，显著减少重建时间（从2.5小时缩短至24秒），同时保持T1和T2值的良好一致性	未提及具体样本量或临床验证范围	加速全心心肌组织表征的3D联合T1/T2映射	多对比度欠采样MRI数据	医学影像分析	心血管疾病	深度学习算法、MRI多对比度成像	端到端非刚性运动校正重建网络	3D MRI影像	NA
12	2025-06-06	Self-supervised learning for MRI reconstruction through mapping resampled k-space data to resampled k-space data 2025-Sep, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110404 PMID:40324545	研究论文	本文提出了一种自监督深度学习方法RSSDU，用于从欠采样的MRI数据中高效准确地重建图像，无需完全采样数据集作为参考	提出了一种新的自监督学习方法RSSDU，通过两次重采样k空间数据并训练网络从一个子集映射到另一个子集，无需完全采样数据	未提及具体在哪些临床场景下该方法可能表现不佳	开发一种无需完全采样数据的MRI图像重建方法	欠采样的MRI数据	医学影像处理	NA	深度学习	DL	MRI k空间数据	未提及具体样本量
13	2025-06-06	Study on predicting breast cancer Ki-67 expression using a combination of radiomics and deep learning based on multiparametric MRI 2025-Sep, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110401 PMID:40360135	研究论文	开发基于多参数乳腺MRI的放射组学和深度学习的多模态模型，用于预测乳腺癌术前Ki-67表达状态	结合放射组学和深度学习技术，利用多参数MRI数据预测Ki-67表达状态，为乳腺癌个体化治疗和精准医疗提供潜在工具	样本量相对较小（176例），且未提及外部验证集的结果	预测乳腺癌术前Ki-67表达状态，以推进个体化治疗和精准医疗	176例浸润性乳腺癌患者	数字病理	乳腺癌	多参数MRI（T1WI、DWI、T2WI、DCE-MRI）	深度学习模型（具体类型未明确说明）	MRI图像	176例浸润性乳腺癌患者（训练集70%，测试集30%）
14	2025-06-06	Accelerating prostate rs-EPI DWI with deep learning: Halving scan time, enhancing image quality, and validating in vivo 2025-Sep, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110418 PMID:40368253	研究论文	本研究评估了基于深度学习的超分辨率技术在减少前列腺扩散加权成像（DWI）扫描时间的同时保持图像质量的可行性和有效性	使用多尺度自相似网络（MSSNet）进行图像重建，显著减少扫描时间并提升图像质量	研究未提及对大规模临床数据集的验证，可能影响结果的普适性	评估深度学习超分辨率技术在前列腺DWI中的应用效果	前列腺扩散加权成像（DWI）数据	数字病理	前列腺癌	readout-segmented echo-planar imaging (rs-EPI)	MSSNet	医学影像	未明确提及样本数量
15	2025-06-06	A Multihead Attention Deep Learning Algorithm to Detect Amblyopia Using Fixation Eye Movements 2025 Sep-Oct, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2025.100775 PMID:40458668	研究论文	开发了一种基于多注意力头的深度学习模型，通过简单的视觉注视任务中的眼动数据来检测不同类型和严重程度的弱视患者	使用多注意力头的transformer编码器模型，首次利用眼动数据进行弱视的客观分类	样本量相对较小（135名受试者），且仅在单一医疗中心进行	开发客观检测弱视的深度学习模型	40名对照组和95名弱视患者（包括不同类型和严重程度）	计算机视觉	弱视	红外视频眼动追踪技术	多注意力头transformer编码器	眼动位置数据	135名受试者（40名对照，95名弱视患者）
16	2025-06-06	Longitudinal Comparison of Geographic Atrophy Enlargement Using Manual, Semiautomated, and Deep Learning Approaches 2025 Sep-Oct, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2025.100787 PMID:40469899	research paper	比较了全自动AI模型、半自动化方法和手动平面测量在纵向评估地理萎缩（GA）中的表现	首次比较了全自动AI模型、半自动化方法和手动平面测量在GA评估中的表现，并验证了AI模型的准确性	研究样本仅来自一项临床试验，可能不具有广泛代表性	评估不同方法在GA纵向评估中的一致性和准确性	108名患者（185只眼）的地理萎缩（GA）数据	digital pathology	geriatric disease	fundus autofluorescence imaging	AI	image	185 eyes from 108 patients
17	2025-06-06	Repeatability-encouraging self-supervised learning reconstruction for quantitative MRI 2025-Aug, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.30478 PMID:40014485	research paper	提出了一种鼓励重复性的自监督学习（SSL）重建方法，用于定量MRI，以提高测量的重复性	首次提出了一种自监督学习方法，通过最小化k-t空间数据子集间的交叉数据一致性来鼓励定量MRI的重复性	方法仅在心脏MR多任务T1映射数据上进行了评估，未在其他类型的定量MRI数据上验证	提高定量MRI的测量重复性，同时加速重建过程	心脏MR多任务T1映射数据	medical imaging	cardiovascular disease	quantitative MRI, self-supervised learning	SSL reconstruction network	MRI images	未明确说明样本数量，但使用了60秒和30秒的输入数据进行评估
18	2025-06-06	Quantitative multislice and jointly optimized rapid CEST for in vivo whole-brain imaging 2025-Aug, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.30488 PMID:40087839	研究论文	开发了一种定量多切片化学交换饱和转移（CEST）调度优化和脉冲序列，以减少多切片序列固有的灵敏度损失	提出了一个深度学习框架，用于同时优化扫描参数和切片顺序，提高了扫描效率和准确性	仅在3名健康受试者中进行了测试，样本量较小	开发一种定量多切片CEST方法，用于全脑成像	健康受试者的白质（WM）和灰质（GM）	医学影像	NA	化学交换饱和转移（CEST）	深度学习	医学影像	3名健康受试者
19	2025-06-06	The environmental risk of heterogeneous oxidation is unneglectable: Time-resolved assessments beyond typical intermediate investigation 2025-Aug-01, Water research IF:11.4Q1 DOI:10.1016/j.watres.2025.123572 PMID:40184704	research paper	该研究提出了一种环境风险评估方法，用于区分高级氧化过程中不同解毒效果的氧化路径，并选择最适合的处理系统	通过深度学习回归建模和密度泛函理论，提高了有毒分子结构转变的推导速度，并建立了基于风险商数和聚类分析的定量评估系统	研究主要关注高级氧化过程中的环境风险，可能未涵盖所有类型的污染物或氧化过程	提高高级氧化过程中污染物解毒效果评估的准确性和安全性	高级氧化过程中的污染物及其副产物	环境科学	NA	密度泛函理论，深度学习回归建模	deep neural network	化学数据	NA
20	2025-06-06	Deep Ensemble for Central Serous Microscopic Retinopathy Detection in Retinal Optical Coherence Tomographic Images 2025-Jul, Microscopy research and technique IF:2.0Q3 DOI:10.1002/jemt.24836 PMID:40014549	research paper	该研究提出了一种基于卷积神经网络的框架，结合分割和后处理技术，用于视网膜光学相干断层扫描图像中的中央浆液性视网膜病变检测	采用三种网络（ResNet-18、GoogleNet和VGG-19）的融合方法进行图像分类，实现了高准确率（99.6%）和高特异性（100%）	研究仅使用了公开数据集OCTID，样本量相对较小（207张正常图像和102张CSR图像）	开发一种自动检测中央浆液性视网膜病变的方法，以减少视力丧失的风险	视网膜光学相干断层扫描图像	digital pathology	retinal disorder	光学相干断层扫描（OCT）	CNN（ResNet-18、GoogleNet、VGG-19）	image	309张图像（207张正常，102张CSR）