深度学习在生物医药领域的应用
本数据库通过收集和整理最新科研文献信息而得，供了解领域前沿进展之用。数据源自 PubMed Data ，每日自动更新（使用关键词“['deep learning']”过滤），已收录文献数量参见 统计表格。表格内容由 GPT 自动整理，可能存在错误或遗漏，请使用时务必注意核实！
如有建议或合作意向，欢迎联系 linlin.yan(AT)bioinfo.app 或 微信 yanlinlin82。本项目遵循 MIT 许可 发布，欢迎下载 源码 自行修改使用。如觉得不错，还请不吝 给我打赏，你的支持是我继续创新的重要动力！
添加微信请说明来意
微信赞赏
除通过在线浏览外，为方便用户离线查阅，本站也提供 付费下载（定价19.9元）。之所以考虑收费，是因为批量扫描这些文献并整理也是有一定成本的，还请理解并多多支持。本站数据会持续更新，而仅需一次付费，未来就可以随时重新下载到最新版本数据。
当前共找到 44618 篇文献，本页显示第 2081 - 2100 篇。
| 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2081 | 2026-04-30 |
DeepACP: A Novel Computational Approach for Accurate Identification of Anticancer Peptides by Deep Learning Algorithm
2020-Dec-04, Molecular therapy. Nucleic acids
DOI:10.1016/j.omtn.2020.10.005
PMID:33230481
|
研究论文 | 提出一种基于深度学习的计算方法DeepACP，用于准确识别抗癌肽 | 系统比较了卷积、循环和卷积-循环三种深度学习架构，发现双向长短期记忆网络表现最优，并实现了模型可视化与理解 | 未明确说明，但可推断仅限于序列信息，且需进一步验证对非ACP肽的泛化能力 | 探索最佳深度学习架构以准确预测抗癌肽，并开发实用工具 | 抗癌肽序列数据集 | 机器学习 | 癌症 | NA | 循环神经网络 | 序列数据 | 未提及具体数量 | 深度学习框架未明确指定 | 双向长短期记忆网络 | 准确率 | NA |
| 2082 | 2026-04-30 |
Cellular State Transformations Using Deep Learning for Precision Medicine Applications
2020-Sep-11, Patterns (New York, N.Y.)
DOI:10.1016/j.patter.2020.100087
PMID:33205131
|
研究论文 | 提出基于生成对抗网络的新型深度学习方法TSPG，用于识别组织状态间的基因表达变化 | 首次在单样本场景下应用生成对抗网络学习转录组扰动，实现从单个患者活检样本中识别与健康组织的差异表达基因 | NA | 开发精准医学中识别组织状态间转录组变化的深度学习方法 | 人类正常与肿瘤组织样本的RNA测序表达数据 | 机器学习 | 肾癌 | RNA测序 | 生成对抗网络 | 基因表达数据 | 单个患者肾癌活检样本 | NA | NA | NA | NA |
| 2083 | 2026-04-30 |
Attention-Based Deep Neural Networks for Detection of Cancerous and Precancerous Esophagus Tissue on Histopathological Slides
2019-11-01, JAMA network open
IF:10.5Q1
|
研究论文 | 提出一种基于注意力机制的深度神经网络，利用组织级标注对食管癌及癌前病变的组织病理切片进行检测 | 首次使用组织级标注代替区域级标注，结合卷积神经网络与网格注意力网络，减少人工标注工作量 | 模型性能在统计上不显著优于滑动窗口方法，且BE伴异型增生类别的F1分数较低 | 评估基于注意力机制的深度学习方法在Barrett食管和食管腺癌检测中的效果 | 食管组织病理切片中的4类组织：正常、无异型增生BE、伴异型增生BE、腺癌 | 数字病理学 | 食管腺癌, Barrett食管 | 组织病理学成像 | 卷积神经网络, 注意力网络 | 图像 | 训练集379张组织病理图像，独立测试集123张图像 | NA | 卷积神经网络, 网格注意力网络 | 准确率, 召回率, 精确率, F1分数 | NA |
| 2084 | 2026-04-30 |
ANI-1: an extensible neural network potential with DFT accuracy at force field computational cost
2017-Apr-01, Chemical science
IF:7.6Q1
DOI:10.1039/c6sc05720a
PMID:28507695
|
研究论文 | 本文介绍了一种基于深度神经网络的ANI-1模型，能够以力场计算成本实现DFT精度的分子势能预测 | 提出ANAKIN-ME方法，利用改进的Behler-Parrinello对称函数构建单原子环境向量，并引入正态模式采样方法生成分子构象，首次在构型和构象空间大规模训练可迁移的神经网络势 | 仅在含H、C、N、O四种原子类型的小分子上验证，对更大分子系统的泛化能力需进一步评估 | 开发一种兼具DFT精度和力场计算效率的可迁移神经网络势能模型 | 有机分子，主要来自GDB数据库中含最多8个重原子的子集，以及最多54个原子的更大分子系统 | 机器学习 | NA | 深度神经网络、DFT计算、正态模式采样 | 深度神经网络 | 分子结构及能量数据 | 训练集为GDB数据库子集（最多8个重原子），测试集包含最多54个原子的分子系统 | NA | 神经网络，基于改进的Behler-Parrinello对称函数构建单原子环境向量 | 化学精度（与参考DFT计算对比） | NA |
| 2085 | 2026-04-29 |
AI-Powered Image-Based Assessment of Pressure Injuries Using You Only Look Once Version 8 (YOLOv8) Models
2026-May, Advances in wound care
IF:5.8Q1
DOI:10.1089/wound.2024.0245
PMID:40081991
|
研究论文 | 本研究利用YOLOv8深度学习模型对压力性损伤进行图像检测与分期 | 通过对比YOLOv8的多种变体和优化器，发现YOLOv8s结合AdamW优化器在压力性损伤分期中性能最优，尤其在2期等困难阶段检测效果显著提升 | 基于仿真数据集的评估可能无法完全反映真实临床场景的复杂性 | 提高压力性损伤检测与分期的准确性和鲁棒性，为临床决策提供可靠工具 | 压力性损伤的高质量公开图像数据集 | 计算机视觉 | 压力性损伤（褥疮） | NA | YOLOv8变体（YOLOv8n, YOLOv8s, YOLOv8m, YOLOv8l, YOLOv8x） | 图像 | 公开数据集，具体样本量未说明 | PyTorch | YOLOv8s | 平均精确率（mAP@0.5）、召回率、准确率 | NA |
| 2086 | 2026-04-29 |
Synthetic computed tomography from magnetic resonance imaging: An editorial on deep learning approaches for hip and knee image translation
2026-May, Knee surgery, sports traumatology, arthroscopy : official journal of the ESSKA
DOI:10.1002/ksa.70229
PMID:41368970
|
评论 | 一篇关于从磁共振成像生成合成计算机断层扫描的评论文章，重点关注髋关节和膝关节的深度学习图像翻译方法 | 系统概述了深度学习在髋关节和膝关节MRI到CT翻译中的应用前景，包括条件生成对抗网络和扩散模型等代表性方法 | 未提供具体实验验证，缺乏对合成CT临床可靠性和可重复性的定量评估 | 引导临床医生、工程师和研究者关注深度学习MRI到CT翻译的关键前景与开放问题 | 髋关节和膝关节的MRI到CT图像翻译方法 | 计算机视觉 | NA | MRI, CT | 生成对抗网络, 扩散模型 | 图像 | NA | NA | 条件生成对抗网络, 扩散模型 | NA | NA |
| 2087 | 2026-04-29 |
Satellite On-Orbit Chip-Level Deep Learning Model for Real-Time Dust Storm Monitoring
2026-Apr-28, Environmental science & technology
IF:10.8Q1
DOI:10.1021/acs.est.5c14697
PMID:41855461
|
研究论文 | 提出一种星上芯片级深度学习模型，用于实时沙尘暴监测，将沙尘检测与定量反演直接部署在卫星上，显著缩短数据处理延迟 | 首次将级联轻量事件门与多任务反演器集成到星上芯片级框架中，并采用尾感知损失函数优化极端浓度下的预测精度，实现分钟级的延迟降低 | 未提及该模型在不同卫星平台或不同气溶胶类型下的泛化能力，且模拟部署环境与实际星上计算条件可能存在差异 | 实现沙尘暴的实时、星上监测，将产品生成延迟从小时级降至分钟级，支持实时暴露评估与预警 | 沙尘暴事件及其相关的PM₂.₅和PM₁₀浓度 | 计算机视觉 | NA | 多光谱成像 | 级联深度学习模型 | 卫星遥感图像 | 未明确样本数量，但案例研究涉及2023年5月19-20日和2025年4月15日的沙尘暴事件 | Pytorch | 级联轻量事件门与多任务反演器 | RMSE、推理延迟、功耗、内存占用 | NVIDIA Jetson AGX Orin平台，功耗约10W，内存小于3GB |
| 2088 | 2026-04-29 |
Deep learning-based framework for comprehensive quantification of thigh and calf muscles and adipose tissues from MRI
2026-Apr, Magma (New York, N.Y.)
DOI:10.1007/s10334-025-01308-5
PMID:41342972
|
研究论文 | 提出一个基于深度学习的框架，用于从MRI中全面量化大腿和小腿肌肉及脂肪组织 | 提出3D Attention-Res-V-Net管道，实现个体肌肉、皮下脂肪、肌间和肌内脂肪的精细量化，并公开高质量专家标注数据集 | 样本量较小（25名参与者），且肌内脂肪误差范围较大（17.4%-58.8%） | 开发自动化方法以全面分析下肢肌肉和脂肪组织，助力神经肌肉、肌肉骨骼和代谢疾病研究 | 下肢肌肉（13块大腿肌肉和9块小腿肌肉）、皮下脂肪、肌间脂肪和肌内脂肪 | 计算机视觉 | 神经肌肉疾病、肌肉骨骼疾病、代谢疾病 | MRI（两点Dixon序列） | 3D Attention-Res-V-Net | 图像（MRI轴向切片） | 25名参与者（平均年龄40.5±5.86岁，64%男性） | NA | Attention-Res-V-Net | Dice相似系数（DSC）、相对误差 | NA |
| 2089 | 2026-04-29 |
Computational Discovery of MERS-CoV Main Protease Inhibitors Through Screening and Molecular Dynamics Simulations
2026-Mar-26, Proteins
IF:3.2Q2
DOI:10.1002/prot.70132
PMID:41887806
|
研究论文 | 通过计算筛选和分子动力学模拟发现MERS-CoV主蛋白酶抑制剂 | 结合分子对接与相似性搜索策略，并使用深度学习K模型、MM/GBSA和FEP等多种计算方法评估结合自由能 | NA | 识别潜在的MERS-CoV主蛋白酶抑制剂 | MERS-CoV主蛋白酶及其小分子抑制剂 | 机器学习 | 呼吸道病毒疾病 | 分子对接、分子动力学模拟 | 深度学习K模型 | 分子结构数据 | 从DrugBank、CHEMBL和蛋白质数据库收集的小分子化合物库 | NA | NA | 结合自由能、平衡解离常数(KD)、半数抑制浓度(IC50) | NA |
| 2090 | 2026-04-29 |
Readout of intrinsic and induced DNA shape by homeodomain transcription factor complexes
2026-Mar-20, Biophysical journal
IF:3.2Q2
DOI:10.1016/j.bpj.2026.03.036
PMID:41863075
|
研究论文 | 解析同源域转录因子复合物对内在和诱导DNA形状的读取机制 | 首次结合SELEX-seq数据、分子动力学模拟和深度学习（DeepPBS）构建多尺度框架，揭示同源域转录因子复合物中内在和诱导DNA形状的协同作用，并弥补AlphaFold 3在预测突变影响和构象动态方面的不足 | AlphaFold 3在预测突变或构象动态对DNA形状的影响方面存在困难 | 理解同源域转录因子复合物如何通过内在和诱导DNA形状决定结合特异性 | 果蝇Hox转录因子Sex combs reduced及其辅因子Homothorax和Extradenticle形成的三聚体复合物，以及Distal-less和Engrailed两种同源域转录因子 | 自然语言处理 | NA | SELEX-seq, 分子动力学模拟, 深度学习 | DeepPBS, AlphaFold 3 | 序列数据, 结构数据 | 包含不同结合亲和力的多条DNA序列 | AlphaFold, DeepPBS | AlphaFold 3 (AF3), DeepPBS | NA | NA |
| 2091 | 2026-04-29 |
Deep learning-based seed germination prediction using morphological traits and RGB images
2026-Mar-19, BMC plant biology
IF:4.3Q1
DOI:10.1186/s12870-026-08599-3
PMID:41851627
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2092 | 2026-04-29 |
Comparing YOLO and U-net deep learning algorithms in chronic wound image segmentation
2026-Mar-19, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02266-7
PMID:41857518
|
研究论文 | 比较YOLO与U-Net深度学习算法在慢性伤口图像分割中的性能 | 首次系统比较YOLOv8和YOLO11与基准U-Net模型在慢性伤口分割任务中的表现，并采用跨数据集验证方法确保模型鲁棒性 | 未提及具体局限性 | 评估并比较YOLOv8和YOLO11与U-Net在慢性伤口医学图像分割中的准确性、泛化能力和推理速度 | 慢性伤口图像 | 计算机视觉 | 慢性伤口 | NA | CNN | 图像 | 使用FUSeg和Wound Data两个数据库（具体样本量未说明） | NA | YOLOv8, YOLO11, U-Net | IoU, 精确率, 召回率, DSC | NA |
| 2093 | 2026-04-29 |
PestDetectSim: an integrated approach for crop pest diagnosis using object detection and similarity-based image retrieval
2026-Mar-19, Plant methods
IF:4.7Q1
DOI:10.1186/s13007-026-01520-x
PMID:41857639
|
研究论文 | 提出一种结合目标检测和基于相似性的图像检索的农作物害虫诊断集成框架PestDetectSim | 将YOLO v8目标检测与SE-Net增强的相似性图像检索相结合，输出检测结果和相似参考图像列表，支持用户交叉验证，提高了诊断可靠性和可解释性 | 未明确提及限制，但可能依赖于预定义害虫类别和图像检索质量 | 提升农作物害虫诊断的准确性和实用性，通过集成自动检测与用户辅助验证增强可靠性 | 农作物害虫图像 | 计算机视觉 | 作物害虫病害 | 目标检测、图像检索 | YOLO v8，SE-Net模块 | 图像 | 包含30种害虫物种的真实田间数据集 | NA | YOLO v8，Squeeze-and-Excitation (SE-Net) | 端到端诊断准确率98.82%，端到端推理时间约60毫秒/图像 | 资源受限设备，支持实时部署 |
| 2094 | 2026-04-29 |
Mke-resnet: a lightweight and interpretable deep learning framework for efficient RNA m6A site identification
2026-Mar-19, BMC bioinformatics
IF:2.9Q1
DOI:10.1186/s12859-026-06416-0
PMID:41857714
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2095 | 2026-04-29 |
Critical evaluation of the theory and practice of feed-forward neural networks for genomic prediction
2026-03-04, G3 (Bethesda, Md.)
DOI:10.1093/g3journal/jkaf314
PMID:41442545
|
研究论文 | 对前馈神经网络在基因组预测中的理论和实践进行关键评估 | 提出预测问题分类法以避免模型比较中的混淆，并理论结合实证验证深度学习相对线性模型的三大声称优势 | 仅探索了少量可能的深度学习模型空间，未涵盖所有相关方面 | 评估深度学习在基因组预测中的理论和实践效果，并建议未来研究方向 | 玉米多环境试验数据集中的基因组、土壤、天气和管理输入与谷物产量的关系 | 机器学习 | NA | 基因组预测 | 前馈神经网络、再生核希尔伯特空间模型 | 基因组数据、土壤数据、天气数据、管理数据 | NA | NA | 前馈神经网络 | 预测精度 | NA |
| 2096 | 2026-04-29 |
Deep learning analysis of the pathologic sequence in gastric biopsies from Helicobacter pylori-related intestinal metaplasia
2026-Mar-03, American journal of clinical pathology
IF:2.3Q2
DOI:10.1093/ajcp/aqaf146
PMID:41852252
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2097 | 2026-04-29 |
Computational discovery of high-temperature superconducting ternary hydrides via deep learning
2026-Mar, National science review
IF:16.3Q1
DOI:10.1093/nsr/nwag030
PMID:41908304
|
研究论文 | 利用深度学习框架计算发现高温超导三元氢化物 | 首次将深度学习驱动的理论框架整合高通量晶体结构探索、物理约束筛选和超导临界温度精确预测，成功识别出129种新化合物及27种新结构原型 | NA | 通过深度学习有效解决高温超导三元氢化物在庞大化学和构型空间中的搜索难题 | 三元氢化物超导材料 | 机器学习 | NA | NA | 深度学习模型 | 结构数据与物理约束 | 约3600万种三元氢化物结构；涵盖29种元素 | NA | NA | 超导临界温度预测；热力学稳定性评估 | NA |
| 2098 | 2026-04-29 |
Threat discrimination of real-world social interactions in schizotypal traits
2026-Feb-17, Psychonomic bulletin & review
IF:3.2Q1
DOI:10.3758/s13423-025-02821-3
PMID:41703359
|
研究论文 | 研究精神分裂型特质个体在真实世界社交互动中的威胁辨别能力 | 利用深度学习模型重新渲染自然视频，操纵社交环境信息量，探索社交环境对威胁检测的影响 | 研究基于非临床样本，结果可能不直接适用于临床精神分裂症患者 | 探讨社交环境对精神分裂型特质个体威胁检测能力的影响 | 161名非临床样本，具有不同精神分裂型和自闭型特质水平 | 机器学习 | 精神分裂症谱系障碍 | 深度学习模型 | 深度学习模型 | 自然视频 | 161名非临床样本 | NA | NA | NA | NA |
| 2099 | 2026-04-29 |
Vector-Based Comparison and Average Slope Can Refine Bioequivalence Claims: A Machine and Deep Learning Approach
2026-Feb, Biopharmaceutics & drug disposition
IF:1.7Q3
DOI:10.1002/bdd.70023
PMID:41684335
|
研究论文 | 本研究探索了两种创新概念AS和VBC在生物等效性研究中的优势，结合机器学习和深度学习方法提高研究准确性及效率 | 创新性地将AS（平均斜率）与VBC（基于向量的比较）相结合，测量吸收率同时减少变异性，并首次应用机器学习和人工神经网络于生物等效性分析 | 未提及具体局限性 | 改善生物等效性研究的准确性和效率，简化研究流程并降低成本 | 生物等效性研究中的吸收率测量和临床终点分析 | 机器学习 | 无特定疾病 | NA | 人工神经网络 | 临床数据集 | 14个实际数据集 | NA | NA | 统计效力、变异性减少 | NA |
| 2100 | 2026-04-29 |
Genomic prediction of feed efficiency in boars by deep learning
2026-01-07, G3 (Bethesda, Md.)
DOI:10.1093/g3journal/jkaf274
PMID:41239183
|
研究论文 | 利用深度学习对公猪饲料效率进行基因组预测，并与传统线性模型比较 | 首次将深度学习模型应用于公猪饲料效率的基因组预测，并评估了其对非加性遗传效应的捕捉能力 | 深度学习模型的计算成本显著增加，且捕捉的非加性方差并未显著提高预测能力 | 比较深度学习模型与线性模型在预测两个公猪群体饲料效率上的能力，并评估非加性遗传效应的影响 | 两个公猪群体（父系和母系）的饲料效率性状 | 机器学习 | NA | 基因组预测 | MLP, CNN | 基因组数据 | NA | NA | 多层感知器, 卷积神经网络 | 预测能力 | NA |