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
21061	2024-08-07	Developing deep learning methods for classification of teeth in dental panoramic radiography 2024-07, Oral surgery, oral medicine, oral pathology and oral radiology DOI:10.1016/j.oooo.2023.02.021 PMID:37316425	研究论文	本文旨在开发基于深度学习方法的临床牙科决策支持系统，以减少诊断解释错误和时间，提高牙科治疗和分类的有效性	本文比较了两种深度学习方法（YOLO-V4和Faster R-CNN）在牙科全景放射摄影中牙齿分类的性能，发现YOLO-V4方法在预测牙齿的准确性、分类速度和检测能力方面优于Faster R-CNN方法	NA	开发基于人工智能的临床牙科决策支持系统	牙科全景放射摄影中的牙齿分类	计算机视觉	NA	深度学习	YOLO-V4, Faster R-CNN	图像	1200张全景放射摄影图像
21062	2024-08-07	Multi-model deep learning approach for segmentation of teeth and periapical lesions on pantomographs 2024-07, Oral surgery, oral medicine, oral pathology and oral radiology DOI:10.1016/j.oooo.2023.11.006 PMID:38616480	研究论文	本文介绍了一种多模型深度学习方法，用于在全景X光片上分割牙齿和根尖周病变，并将其与致病牙齿关联	本文采用了U-net和Mask RCNN两种算法进行病变检测，并通过多模型方法成功关联了根尖周病变与致病牙齿	本文仅使用了250张全景X光片进行训练，未来可通过增加图像数量和训练模型以自动化检测更多牙科诊断中的常见影像发现	开发一种深度学习AI模型，用于在全景X光片上分割根尖周病变并关联致病牙齿	根尖周病变及其与致病牙齿的关系	机器学习	NA	深度学习	U-net, Mask RCNN	图像	250张全景X光片
21063	2024-08-07	Dose robustness of deep learning models for anatomic segmentation of computed tomography images 2024-Jul, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.11.4.044005 PMID:39099642	研究论文	本文研究了在降低辐射剂量和CT重建技术进步的背景下，预训练分割模型在CT图像解剖分割中的剂量鲁棒性问题	使用全剂量采集的原始数据模拟低剂量CT扫描，避免了重新扫描患者的需要，并通过实际CT扫描的幻影验证了模拟的准确性	需要进一步研究以确定病变分割方法的鲁棒性，并排序影响剂量鲁棒性的因素	评估现有分割模型在不同辐射剂量下的性能	CT图像的解剖分割模型	计算机视觉	NA	CT扫描	CNN	图像	涉及多个预训练分割模型，剂量降低至20%，使用实际CT扫描的幻影进行验证
21064	2024-08-07	Development and External Validation of a Multidimensional Deep Learning Model to Dynamically Predict Kidney Outcomes in IgA Nephropathy 2024-Jul-01, Clinical journal of the American Society of Nephrology : CJASN IF:8.5Q1 DOI:10.2215/CJN.0000000000000471 PMID:38728096	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
21065	2024-08-07	Prediction model of early recurrence of multimodal hepatocellular carcinoma with tensor fusion 2024-Jun-05, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad4f45 PMID:38776945	研究论文	本文提出了一种基于张量融合的多模态肝细胞癌早期复发预测模型	引入了张量融合方法处理多尺度多维数据融合，并首次考虑了肝脏背景的影响，通过深度学习分割算法将其整合到特征提取过程中	NA	提高肝细胞癌术后复发预测的准确性	肝细胞癌的早期复发	数字病理学	肝癌	张量融合技术	深度学习模型	图像	176例病例用于训练和交叉验证，40例病例用于外部测试
21066	2024-08-07	Accurate prediction of antibody function and structure using bio-inspired antibody language model 2024-May-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae245 PMID:38797969	研究论文	本文介绍了基于生物启发的抗体语言模型（BALM），用于准确预测抗体的功能和结构	提出了BALM模型，该模型在抗体结合预测任务中表现出色，并引入了BALMFold方法，能够快速预测抗体的完整原子结构	NA	解决抗体结构预测的挑战，推动治疗性抗体的发展	抗体的功能和结构	机器学习	NA	深度学习	语言模型	序列数据	3.36亿个40%非冗余的未标记抗体序列
21067	2024-08-07	Physics-Informed Generative Model for Drug-like Molecule Conformers 2024-04-22, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.3c01816 PMID:38486425	research paper	本文提出了一种基于扩散的生成模型用于生成药物类似分子的构象	模型利用深度学习技术从训练集中推断原子类型和几何参数，并通过扩散生成方法实现构象采样，训练于优化后的半经验GFN2-xTB方法的大型合成数据集上，实现了对键合参数的高精度预测	NA	开发一种新的生成模型用于药物类似分子的构象生成	药物类似分子的构象	machine learning	NA	diffusion-based generation	generative model	molecular data	大型合成数据集
21068	2024-08-07	PROTACable Is an Integrative Computational Pipeline of 3-D Modeling and Deep Learning To Automate the De Novo Design of PROTACs 2024-04-22, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.3c01878 PMID:38504115	研究论文	本文介绍了一种名为PROTACable的集成计算流程，结合三维建模和深度学习技术，用于自动化从头设计PROTACs。	开发了一种新的方法PROTACable，用于预测和自动化设计PROTACs，利用三维建模和SE(3)-等变图变换网络。	NA	探索结合计算化学和深度学习策略，以预测PROTAC活性并实现其自动化设计。	PROTACs的设计和活性预测。	机器学习	NA	三维建模	图变换网络	三维模型	使用了一个包含E3连接酶和连接子的库
21069	2024-08-07	LGGA-MPP: Local Geometry-Guided Graph Attention for Molecular Property Prediction 2024-04-22, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.3c02058 PMID:38516950	研究论文	本文提出了一种新的分子属性预测方法LGGA-MPP，该方法通过整合局部几何信息到图注意力机制中，以增强模型对分子局部结构细节的捕捉能力	LGGA-MPP方法创新地将局部几何信息引入到图神经网络的注意力和消息传递机制中，以更好地捕捉分子的局部结构和可解释性	NA	提高分子属性预测的准确性，推动药物发现及相关领域的发展	分子属性预测	机器学习	NA	图神经网络	图注意力网络	分子图	多种数据集
21070	2024-08-07	Discovery of Covalent Lead Compounds Targeting 3CL Protease with a Lateral Interactions Spiking Neural Network 2024-04-22, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.3c01900 PMID:38520328	研究论文	本文提出使用横向交互尖峰神经网络的深度学习方法构建共价先导化合物筛选模型，以快速筛选共价先导化合物	利用横向交互尖峰神经网络构建共价先导化合物筛选模型，提高了筛选效率和准确性	需要进一步验证化合物对3CL蛋白酶的选择性和抑制活性	开发一种新的方法来筛选针对3CL蛋白酶的共价先导化合物	SARS-CoV-2的3CL蛋白酶及其共价先导化合物	机器学习	NA	共价对接	横向交互尖峰神经网络	化合物数据集	32种化合物
21071	2024-08-07	PaCh (Packed Chemicals): Computationally Effective Binary Format for Chemical Structure Encoding 2024-04-22, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.3c01720 PMID:38554112	研究论文	本文提出了一种新的分子和反应编码二进制数据格式PaCh，旨在结合SMILES和MDL MOL的优点并解决它们的局限性	PaCh格式在大小效率、处理速度和全面表示之间取得了平衡，并提供了存储原子连接性、电子状态、立体化学等关键分子属性的显式方法	NA	旨在提高化学信息学中数据存储效率和软件工具间的互操作性	分子和化学反应的编码格式	自然语言处理	NA	NA	NA	二进制数据	NA
21072	2024-08-07	ALDELE: All-Purpose Deep Learning Toolkits for Predicting the Biocatalytic Activities of Enzymes 2024-04-22, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c00058 PMID:38573056	研究论文	开发了一种名为ALDELE的全能深度学习工具包，用于预测酶的生物催化活性	ALDELE整合了蛋白质的结构和序列表示以及配体的子图和整体物理化学性质，能够预测酶的催化活性，并识别基于残基的热点以指导酶工程	NA	加速生物催化剂筛选，以可持续地生产有价值的工业化学品	酶的生物催化活性	机器学习	NA	深度学习	NA	蛋白质结构和序列数据，配体数据	NA
21073	2024-08-07	Modeling Zinc Complexes Using Neural Networks 2024-04-22, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c00095 PMID:38587510	研究论文	本文利用深度学习架构来模拟锌有机金属配合物的能量学	本文开发了一种深度学习模型，用于模拟锌配合物的长程相互作用，并发现部分电荷在模型中的重要作用	本文主要集中在锌有机金属配合物上，而大多数相关工作主要关注有机分子	研究大型分子的能量景观，以促进化学和生物系统的研究	锌有机金属配合物的能量学	机器学习	NA	深度学习	神经网络	数据集	配置和构象多样化的锌配合物数据集
21074	2024-08-07	DeepP450: Predicting Human P450 Activities of Small Molecules by Integrating Pretrained Protein Language Model and Molecular Representation 2024-04-22, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c00115 PMID:38587937	研究论文	本文通过整合预训练的蛋白质语言模型和分子表示，建立了一个名为DeepP450的深度学习模型，用于预测小分子的人体P450酶活性	DeepP450模型通过特征集成和交叉注意力及自注意力层，实现了对CYP活性预测的高准确性，超越了当前的基准	NA	开发一个早期预测CYP活性和底物识别的模型，以促进药物设计	人体P450酶活性及小分子化合物	机器学习	NA	深度学习	深度学习模型	蛋白质和分子数据	涉及九种主要人体CYP酶的底物/非底物预测
21075	2024-08-07	Substituted Oligosaccharides as Protein Mimics: Deep Learning Free Energy Landscapes 2024-04-08, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.3c00179 PMID:37040394	研究论文	本研究通过微秒时间尺度的增强采样分子动力学模拟，揭示了一系列956种取代的葡萄糖吡喃寡聚物（长度为3至12）的构象景观，并利用深度卷积网络预测更长寡糖结构的稳定性。	本研究首次使用深度学习方法分析寡糖的构象景观，并设计深度生成对抗网络来建议任意长度和取代序列的寡糖模拟物的可能构象。	研究主要集中在寡糖的构象分析上，未涉及其在蛋白质模拟中的实际应用效果。	探索寡糖作为蛋白质模拟物的构象偏好，并利用深度学习技术预测其稳定性。	一系列取代的葡萄糖吡喃寡聚物及其在蛋白质界面模拟中的应用。	机器学习	NA	分子动力学模拟	深度卷积网络，深度生成对抗网络	构象数据	956种取代的葡萄糖吡喃寡聚物
21076	2024-08-07	RPI-EDLCN: An Ensemble Deep Learning Framework Based on Capsule Network for ncRNA-Protein Interaction Prediction 2024-04-08, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.3c00377 PMID:37158609	研究论文	提出了一种基于胶囊网络的集成深度学习框架RPI-EDLCN，用于预测非编码RNA与蛋白质的相互作用	使用了胶囊网络结合卷积神经网络、深度神经网络和堆叠自编码器进行特征学习，提高了预测准确性	未提及具体限制	开发一种新的计算方法来预测非编码RNA与蛋白质的相互作用	非编码RNA与蛋白质的相互作用	机器学习	NA	胶囊网络（CapsuleNet）	胶囊网络（CapsuleNet）	序列特征、二级结构序列特征、基序信息和理化性质	RPI1807、RPI2241和NPInter v2.0数据集
21077	2024-08-07	CACPP: A Contrastive Learning-Based Siamese Network to Identify Anticancer Peptides Based on Sequence Only 2024-04-08, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.3c00297 PMID:37252890	研究论文	本研究提出了一种基于对比学习的孪生网络CACPP，用于仅通过序列信息准确预测抗癌肽	引入TextCNN模型提取高潜特征，并利用对比学习模块学习更具区分性的特征表示，以提高预测性能	未明确提及	开发一种新的深度学习框架，用于准确预测抗癌肽	抗癌肽的预测	机器学习	癌症	对比学习	CNN	序列	使用基准数据集进行比较
21078	2024-08-07	PLANET: A Multi-objective Graph Neural Network Model for Protein-Ligand Binding Affinity Prediction 2024-04-08, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.3c00253 PMID:37319418	研究论文	本研究开发了一种名为PLANET的图神经网络模型，用于预测蛋白质-配体结合亲和力	PLANET模型采用多目标训练过程，同时处理蛋白质-配体结合亲和力、接触图和配体距离矩阵三个相关任务，并使用大量非结合配体数据进行训练	NA	预测蛋白质-配体结合亲和力，以辅助药物设计	蛋白质-配体结合亲和力、接触图和配体距离矩阵	机器学习	NA	图神经网络	图神经网络	图结构	使用了来自PDBbind数据库的已知结合亲和力的蛋白质-配体复合物数据以及大量非结合配体数据
21079	2024-08-07	Water Network-Augmented Two-State Model for Protein-Ligand Binding Affinity Prediction 2024-04-08, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.3c00567 PMID:37433009	研究论文	本研究通过整合水网络信息到配体结合和未结合状态，构建了一个全面的深度学习模型，用于预测蛋白质-配体结合亲和力	本研究首次将水网络信息纳入到配体结合和未结合状态的模型中，并使用图变换器操作提取特征	NA	提高基于机器学习的评分函数在预测蛋白质-配体结合亲和力方面的鲁棒性和适用性	蛋白质-配体结合亲和力	机器学习	NA	图变换器操作	深度学习模型	图表示	CASF-2016基准测试和DEKOIS2.0数据集
21080	2024-08-07	MMDTA: A Multimodal Deep Model for Drug-Target Affinity with a Hybrid Fusion Strategy 2024-04-08, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.3c00866 PMID:37610162	研究论文	本文提出了一种名为MMDTA的多模态深度模型，通过混合融合策略整合药物和靶标的异质信息，以提高药物-靶标亲和力的预测	MMDTA模型采用卷积神经网络(CNN)和图卷积网络(GCN)提取药物和靶标的多样异质信息，并通过混合融合策略进行整合，以提高预测性能	NA	提高药物-靶标亲和力预测的准确性和可靠性	药物和靶标的序列及结构信息	机器学习	NA	卷积神经网络(CNN)，图卷积网络(GCN)	多模态深度模型	序列和结构信息	广泛使用的基准数据集