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
2021	2025-12-15	Deep learning-driven characterization of single cell tuning in primate visual area V4 supports topological organization 2025-Nov-04, bioRxiv : the preprint server for biology DOI:10.1101/2023.05.12.540591 PMID:41279983	研究论文	本研究利用深度学习技术分析猕猴视觉区域V4中单个神经元的调谐特性，以支持其拓扑组织	结合大规模线性探针记录与深度学习方法，在非参数自然图像空间中系统表征V4神经元调谐，并量化功能聚类	研究主要基于猕猴V4区域，结果在人类或其他视觉皮层区域的普适性有待验证	探索灵长类视觉区域V4中神经元的功能组织及其与人工视觉系统的潜在共享编码策略	猕猴视觉区域V4中的单个神经元	计算机视觉	NA	线性探针记录，深度学习分析	深度学习模型	图像	超过1,200个V4神经元	NA	对比学习嵌入空间	人类心理物理学相似性度量，嵌入空间距离	NA
2022	2025-12-15	PLiCat: decoding protein-lipid interactions by large language model 2025-Nov-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf665 PMID:41378883	研究论文	本文提出了一个基于蛋白质序列预测蛋白质-脂质相互作用类别的深度学习框架PLiCat	首次开发了仅从蛋白质序列预测脂质类别的计算工具，并采用ESMC与BERT结合的混合深度学习架构实现可解释的分类	仅覆盖八个主要脂质类别，可能未涵盖所有脂质亚型	预测蛋白质相互作用的脂质类别并揭示序列编码的脂质结合特征	蛋白质序列及其与脂质的相互作用	自然语言处理	NA	蛋白质语言模型	深度学习	序列数据	NA	PyTorch	ESMC, BERT	NA	NA
2023	2025-12-15	Impact of intrinsically disordered regions and functional disorder hotspots in the human kinome 2025-Nov-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf662 PMID:41378882	研究论文	本研究提出了一种基于长短期记忆深度学习框架的标准化方法，用于预测人类激酶组中的内在无序区域，并揭示了这些区域的功能热点及其在激酶调控中的作用	开发了一种激酶中心化的内在无序区域预测方法，使用LSTM深度学习框架实现高预测性能（AUC=0.97），并首次系统分析了人类激酶组中内在无序区域的保守性和功能热点	研究依赖于计算预测方法，虽然性能较高，但可能需要实验验证进一步确认预测结果的生物学准确性；且方法主要针对人类激酶组，在其他蛋白质组中的适用性有待评估	系统预测和表征人类激酶组中的内在无序区域，揭示其在激酶调控和信号转导中的功能意义	人类激酶组中的蛋白质激酶及其内在无序区域	计算生物学	NA	深度学习，生物信息学分析	LSTM	蛋白质序列数据	涵盖人类所有137个激酶家族	NA	长短期记忆网络	AUC	NA
2024	2025-12-15	Biologically informed neural network models are robust to spurious interactions via self-pruning 2025-Oct-27, bioRxiv : the preprint server for biology DOI:10.1101/2025.10.24.684155 PMID:41278889	研究论文	本研究提出了一种评估生物学信息神经网络模型可靠性的新方法，通过测量模型在训练过程中对虚假相互作用的自我修剪能力	提出了一种可扩展且通用的自我修剪度量方法，用于评估BINN模型从先验知识网络中识别和移除虚假相互作用的能力，并实现了完全GPU加速的LEMBAS框架，获得了超过7倍的性能提升	分析主要关注选定的通路而非更全面的视角，且模型需要足够大的L2正则化才能有效修剪虚假相互作用	评估生物学信息神经网络模型在复杂细胞网络建模中机制推断的可靠性	细胞内信号传导动力学网络	机器学习	NA	深度学习，先验知识网络	循环神经网络	信号网络数据	3个不同的数据集	PyTorch	LEMBAS	预测准确性，自我修剪程度	GPU加速
2025	2025-12-15	Computational drug design in the artificial intelligence era: A systematic review of molecular representations, generative architectures, and performance assessment 2025-Oct-10, Pharmacological reviews IF:19.3Q1 DOI:10.1016/j.pharmr.2025.100095 PMID:41389438	综述	本文系统回顾了人工智能时代计算药物设计中的分子表示、生成架构和性能评估方法	提出了一个独特的分类框架，首先按药物表示分类，然后按生成模型类型分类，阐明了哪种模型最适合特定的分子数据类型	NA	分析计算药物设计领域的当前格局，为人工智能驱动的药物发现提供未来方向	分子表示策略、生成架构框架和评估方法	机器学习	NA	NA	变分自编码器, 生成对抗网络, 强化学习系统, 扩散模型	分子数据	NA	NA	NA	NA	NA
2026	2025-12-15	Time series forecasting of chlorophyll-a concentrations in the Chesapeake Bay 2025-Aug-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-16352-3 PMID:40846738	研究论文	本研究评估了使用长短期记忆神经网络预测切萨皮克湾叶绿素a浓度的方法	首次将LSTM神经网络应用于切萨皮克湾叶绿素a浓度的时间序列预测，并证明其优于传统统计模型ARIMA和TBATS	NA	评估深度学习模型在预测叶绿素a浓度方面的性能，以支持水质管理和政策决策	切萨皮克湾三个地理区域的叶绿素a浓度时间序列数据	机器学习	NA	卫星遥感	LSTM	时间序列数据	1997年至2020年每周的卫星衍生叶绿素a测量数据，覆盖三个区域	NA	LSTM	均方根误差	NA
2027	2025-12-15	scRegulate: Single-Cell Regulatory-Embedded Variational Inference of Transcription Factor Activity from Gene Expression 2025-May-05, bioRxiv : the preprint server for biology DOI:10.1101/2025.04.17.649372 PMID:40654959	研究论文	本文提出了一种名为scRegulate的生成式深度学习框架，用于从单细胞RNA测序数据中推断转录因子活性和基因调控网络	scRegulate结合了变分推断和基因调控网络先验知识，能够捕捉新颖、动态和上下文特异性的调控相互作用，超越了现有方法的确定性假设和静态数据库依赖	未在摘要中明确提及	开发一个可扩展且具有生物学可解释性的框架，用于从单细胞转录组数据中推断转录因子活性和调控网络	单细胞RNA测序数据中的转录因子活性和基因调控网络	计算生物学	NA	单细胞RNA测序	生成式深度学习框架	基因表达数据	多个公共实验和合成数据集，包括Perturb-seq数据集和PBMC单细胞RNA测序数据	NA	变分推断模型	AUROC, AUPRC, 平均log2倍数变化	NA
2028	2025-12-15	Fluid and White Matter Suppression contrasts MRI improves Deep Learning detection of Multiple Sclerosis Cortical Lesions 2025, NeuroImage. Clinical DOI:10.1016/j.nicl.2025.103818 PMID:40695098	研究论文	本研究探讨了使用Fluid and White Matter Suppression (FLAWS) MRI序列提升深度学习在多发性硬化症患者皮层病变检测和分割中的效果	通过整合FLAWS对比和注释，显著改善了基于深度学习的皮层病变检测和分割，并展示了从先进研究序列到常规临床序列的知识迁移能力	NA	提高多发性硬化症皮层病变的深度学习检测和分割准确性，并开发能泛化到标准临床图像设置的模型	多发性硬化症患者	计算机视觉	多发性硬化症	FLAWS MRI, MP2RAGE, MPRAGE	深度学习模型	MRI图像	204名多发性硬化症患者	NA	NA	F1-score, Dice相似系数	NA
2029	2025-12-15	A robust deep learning framework for cerebral microbleeds recognition in GRE and SWI MRI 2025, NeuroImage. Clinical DOI:10.1016/j.nicl.2025.103873 PMID:40886589	研究论文	本研究开发了一个基于深度学习的鲁棒框架，用于在GRE和SWI MRI中自动识别脑微出血	结合了3D CNN和基于YOLO的方法来处理复杂场景中的假阳性案例，并在多个公共和私有数据集上验证了其鲁棒性能	未明确提及模型在更广泛或更具挑战性的临床环境中的泛化能力限制	提高脑微出血检测的准确性，减少假阳性，并确保在临床和正常病例中的鲁棒性	脑微出血	计算机视觉	脑血管疾病	GRE MRI, SWI MRI	CNN, YOLO	图像	来自ADNI、AIBL、OATS和MAS四个数据集的MRI扫描	NA	3D CNN, YOLO	平衡准确率, AUC, 精确率, 灵敏度, F1分数	NA
2030	2025-12-15	Hybrid quantum neural network models for fruit quality assessment 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0332528 PMID:41370242	研究论文	本研究探索了用于水果质量评估的混合量子神经网络，重点关注纠缠门选择的影响	提出了两种基于不同纠缠门（CNOT与CZ）的混合量子神经网络架构，并从门分解和硬件感知噪声角度提供了理论依据，表明CZ架构可能更稳定	研究为基础性计算研究，量子电路在经典硬件上执行，未在真实量子硬件上验证	研究量子机器学习算法中门级设计选择的作用，以指导未来算法开发	水果质量评估	机器学习	NA	量子神经网络	混合量子神经网络	图像	使用了MNIST、FruitQ数据集和自定义的苹果数据集	NA	NNQEv1, NNQEv2	测试准确率	经典硬件
2031	2025-12-15	Comprehensive and deep learning classification for analyses of the biological complexity of growth and biofilms of Cobetia marina under different temperature growths 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0336575 PMID:41379879	研究论文	本研究利用深度学习方法分析海洋细菌Cobetia marina在不同温度下的生长动力学和生物膜形成的生物复杂性	开发了结合半自动双分类器和三分类器、新型分数阶导数生长分类方法以及SPOCU（Scaled Polynomial Constant Unit）激活函数的神经网络，用于分析温度依赖的微生物行为	研究仅针对单一模式生物Cobetia marina，结果可能无法直接推广到其他微生物物种	分析微生物在不同温度条件下的生长和生物膜形成的生物复杂性	海洋细菌Cobetia marina及其通过pUTmini-Tn5-Km转座子生成的突变菌株	机器学习	NA	高通量筛选（96孔微孔板）、转座子突变	神经网络	微生物生长和生物膜形成数据	在8°C至41°C温度范围内进行实验，使用96孔微孔板确保足够的实验重复	NA	包含SPOCU激活函数的神经网络	与SELU和RELU激活函数的性能比较	NA
2032	2025-12-15	An open-source bio-logger for studying cetacean behavior and communication 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0337093 PMID:41379880	研究论文	本文介绍了一种用于研究鲸类行为与通信的开源生物记录仪	开发了一种开源、非侵入式的多模态生物记录仪，可同步记录高质量音频与多种行为和环境传感器数据，支持无人机部署与GPS回收	当前实现主要针对抹香鲸通信研究，电池续航时间最长为16.8小时	促进多模态数据集的规模化收集以支持深度学习应用，并推动海洋动物生物学与通信研究	海洋动物（特别是抹香鲸）	生物声学	NA	生物记录技术，多传感器同步采集	NA	音频，传感器数据（压力、运动、方向、温度、光照），GPS数据	10次部署，44小时录音，20次潜水，最深967米	NA	NA	剪切粘附力，耐压深度（560米），电池寿命（16.8小时），音频灵敏度（-205 dB re FS/μPa），动态范围（96 dB）	NA
2033	2025-12-15	Robust coffee plant disease classification using deep learning and advanced feature engineering techniques 2025, PeerJ. Computer science DOI:10.7717/peerj-cs.3386 PMID:41383546	研究论文	本文提出了一种结合深度学习和高级特征工程的混合框架，用于咖啡植物病害的鲁棒性图像分类	系统性地整合了GoogLeNet和ResNet18进行互补特征提取，并结合PCA/SVD降维与ANOVA/卡方检验特征选择，以提升模型泛化能力和计算效率	未明确提及模型在更广泛或不同环境数据集上的泛化性能测试，以及计算资源的具体配置细节	开发一种鲁棒的咖啡植物病害分类方法，以支持咖啡生产的可持续性	咖啡植物叶片病害图像	计算机视觉	植物病害	图像分类	CNN	图像	BRACOL数据集（具体样本数量未在摘要中明确给出）	未明确指定，可能为TensorFlow或PyTorch	GoogLeNet, ResNet18	准确率, 精确率, 召回率, F1分数	NA
2034	2025-12-15	Real-Time Tool Detection in Laparoscopic Datasets for Surgical Training in Low-Resource Settings 2025 Jan-Dec, Healthcare technology letters IF:2.8Q3 DOI:10.1049/htl2.70045 PMID:41383712	研究论文	本文测试了多种基于锚点和无锚点、卷积和Transformer架构的传统计算机视觉深度学习模型，用于低资源环境下腹腔镜手术训练中的实时工具检测	首次在腹腔镜训练数据集上系统比较了多种最先进的深度学习模型，特别关注在低成本嵌入式设备上的实时性能，并强调了在资源受限环境中应用的可能性	研究基于新构建的内部腹腔镜训练数据集，可能缺乏外部验证；且模型主要针对训练环境（无烟雾、遮挡等挑战），未直接测试在真实手术环境中的表现	开发适用于低资源环境下外科手术训练的实时工具检测方法，以支持计算机辅助手术技能评估	腹腔镜手术训练视频中的手术工具	计算机视觉	NA	深度学习	CNN, Transformer	视频	新构建的内部腹腔镜训练数据集（具体数量未明确说明）	NA	YOLOv8-X, YOLOv11-N	mAP, F1-score, 推理时间, FPS	NVIDIA Jetson Orin Nano 8GB（低成本嵌入式硬件）
2035	2025-12-15	DGA-Net: a dual-branch group aggregation network for liver tumor segmentation in medical images 2025, Frontiers in medical technology IF:2.7Q3 DOI:10.3389/fmedt.2025.1712952 PMID:41383832	研究论文	本文提出了一种用于医学图像中肝脏肿瘤分割的双分支组聚合网络（DGA-Net）	提出了一种包含傅里叶谱学习多尺度融合分支和多轴聚合哈达玛注意力分支的双分支编码器架构，并设计了组多头交叉注意力聚合模块，以更好地建模像素间关系并降低计算成本	未在摘要中明确说明	提高医学图像中肝脏和肿瘤区域分割的准确性，以支持肝癌的诊断和治疗规划	肝细胞癌（HCC）患者的医学图像	数字病理学	肝癌	深度学习	CNN, 注意力机制	医学图像	使用了公开数据集LiTS2017和3DIRCADb，具体样本数量未在摘要中说明	NA	DGA-Net, 包含FSMF分支, MAHA分支和GMCA模块	Dice-per-case	NA
2036	2025-12-15	A machine learning approach for classifying date fruit varieties at the Rutab stage 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1678757 PMID:41383940	研究论文	本文提出了一种基于机器学习的管道，用于从图像中分类Rutab阶段的枣品种	首次将深度学习模型应用于Rutab阶段枣品种的分类，并开发了移动应用以促进文化保护和全球多样性认知	Rutab品种的分类在文献中代表性不足，且数据集仅包含八种流行类型	解决Rutab枣品种分类在文献中代表性不足的问题，通过图像识别技术进行分类	Rutab阶段的枣品种，包括八种流行类型	计算机视觉	NA	图像采集与深度学习	YOLOv12	图像	1,659张图像，涵盖八种Rutab类型	NA	YOLOv12	召回率	NA
2037	2025-12-15	Quantum AI for psychiatric diagnosis: enhancing dementia classification with quantum machine learning 2025, Frontiers in psychiatry IF:3.2Q2 DOI:10.3389/fpsyt.2025.1648060 PMID:41383998	研究论文	本文提出了一种结合量子计算与经典深度学习的混合量子-经典卷积神经网络，用于基于MRI图像的痴呆症分类，并通过知识蒸馏框架进一步提升模型性能	提出了一种混合量子-经典卷积神经网络，将量子特征提取与经典CNN结合，并引入知识蒸馏框架，使模型在保持高效的同时学习更具判别性的特征	未明确讨论模型在更广泛或更具噪声的真实临床数据上的泛化能力，以及量子电路在实际硬件部署中的可行性	开发一种高效、高精度的痴呆症早期检测与分类方法	阿尔茨海默病等痴呆症患者的MRI脑部图像	量子机器学习, 医学影像分析	痴呆症, 阿尔茨海默病	MRI成像, 量子机器学习	混合量子-经典卷积神经网络, 知识蒸馏	MRI图像	ADNI-1、ADNI-2和OASIS-2三个基准MRI数据集	未明确指定，可能涉及PyTorch或TensorFlow等	QCNN, 经典CNN	准确率	未明确指定，但提及量子计算机可减少训练时间
2038	2025-12-15	Predicting language outcome after stroke using machine learning: in search of the big data benefit 2025, NeuroImage. Clinical DOI:10.1016/j.nicl.2025.103858 PMID:40773787	研究论文	本研究使用机器学习方法预测中风后语言恢复结果，探讨样本量对逻辑回归和深度学习模型性能的影响	通过对比逻辑回归与深度学习模型在预测中风后语言结果中的表现，发现简单模型在现有数据规模下与复杂模型性能相当，并揭示了神经影像数据可大幅降维而不损失准确性	当前数据集规模可能限制了模型性能的进一步提升，需要更大规模数据以捕捉更复杂的模式	评估机器学习模型在预测中风后语言恢复结果中的有效性，并探索样本量对模型性能的影响	758名英语中风患者	机器学习	中风	神经影像分析	逻辑回归, CNN	神经影像数据, 表格数据	758名患者	NA	ResNet-18	准确率	NA
2039	2025-12-15	A fault diagnosis method for rotating machinery components based on enhanced YOLO v8 and integrated attention mechanism 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0338387 PMID:41385552	研究论文	本文提出了一种基于增强YOLO v8和集成注意力机制的旋转机械部件故障诊断方法	通过引入Omni-dimensional Dynamic Convolution改进C2F模块，并融合CBAM注意力机制，以增强小目标故障特征提取并抑制不必要特征	NA	提高旋转机械部件故障诊断的准确性和可靠性	旋转机械部件，如轴承	计算机视觉	NA	连续小波变换	CNN	图像	NA	NA	YOLO v8	准确率	NA
2040	2025-12-15	Precise energy modeling and green retrofitting optimization of existing buildings based on BIM and deep learning approaches 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0337469 PMID:41385581	研究论文	本研究提出了一种结合Transformer、图神经网络和生成对抗网络的新方法，利用BIM数据进行建筑能效预测与绿色改造优化	首次将Transformer模型与图神经网络集成，用于建筑能效预测，并结合GAN生成多样化的绿色改造方案，增强了模型的时空学习能力和优化路径	未明确说明模型在非BIM数据环境或不同气候区域建筑中的泛化能力，也未详细讨论计算复杂性和实施成本	提高现有建筑的能效预测精度和绿色改造优化效果，以支持智能城市的可持续发展和节能减排目标	现有建筑及其BIM数据，包括空间结构、能耗模式和建筑组件关系	机器学习	NA	BIM数据建模，深度学习	Transformer, GNN, GAN	BIM数据（包含空间结构和能耗模式）	NA	NA	Transformer, GNN, GAN	节能效果（提升近4%），优于传统能效优化模型	NA