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
2101	2026-09-13	BetaAlign: a deep learning approach for multiple sequence alignment 2024-12-26, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf009 PMID:39775454	研究论文	本文提出并改进了BetaAlign，这是首个利用深度学习进行多序列比对的方法，借鉴自然语言处理技术，通过训练Transformer模型将未比对的生物序列映射为多序列比对，并系统表征了其性能及多种因素对准确率的影响	首次将自然语言处理中的Transformer技术应用于多序列比对问题，提出了BetaAlign这一深度学习方法，完全偏离传统的比对计算算法，并通过模拟生成的比对数据进行训练，可为具有特定进化动力学属性的数据集轻松生成不同的比对工具	训练数据依赖模拟生成，性能受训练数据规模影响，需要针对特定进化动力学属性进行训练，可能受限于训练数据与真实数据的分布差异	利用自然语言处理技术解决生物信息学中的多序列比对问题，探索AI方法在系统发育基因组学中的潜力，并表征和优化BetaAlign的性能	未比对的生物序列（DNA/蛋白质序列），多序列比对结果	自然语言处理, 生物信息学	NA	模拟序列生成, 多序列比对, 深度学习	Transformer	序列数据（生物序列）, 文本（比对数据）	NA	HuggingFace Transformers	Transformer	准确率	NA
2102	2026-09-13	TPepRet: a deep learning model for characterizing T-cell receptors-antigen binding patterns 2024-12-26, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf022 PMID:39880376	研究论文	该研究开发了TPepRet，一种整合子序列挖掘与语义整合能力的深度学习模型，用于准确表征T细胞受体与抗原肽的结合模式。	将双向门控循环单元网络与大型语言模型框架相结合，同时捕获双向序列依赖关系并全面分析子序列和全局序列，解决了现有工具忽视序列数据中方向语义的问题。	摘要中未明确提及该研究的局限性。	准确表征T细胞受体与抗原肽之间的复杂结合模式，以推动癌症免疫治疗、疫苗设计和自身免疫疾病管理等临床应用。	T细胞受体（TCRs）与抗原肽（peptides）的结合模式。	机器学习	肺癌, 自身免疫疾病, COVID-19	NA	BiGRU, 大型语言模型	序列数据	NA	NA	BiGRU, 大型语言模型	NA	NA
2103	2026-09-13	Tiberius: end-to-end deep learning with an HMM for gene prediction 2024-11-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae685 PMID:39558581	研究论文	提出了一种端到端深度学习与隐马尔可夫模型相结合的真核基因预测方法Tiberius	将卷积层和长短期记忆层与可微分隐马尔可夫模型层端到端集成，并采用自定义基因预测损失函数	未明确提及	提高从头真核基因预测的准确性	哺乳动物基因组，包括人类基因组和其他两个基因组	生物信息学	不适用	深度学习、隐马尔可夫模型	CNN、LSTM、HMM	DNA序列	人类基因组和另外两个基因组	不适用	卷积层、长短期记忆层、可微分隐马尔可夫模型层	F1分数	高度并行化模型，处理人类基因组不到2小时
2104	2026-09-13	DeepDR: a deep learning library for drug response prediction 2024-11-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae688 PMID:39558584	研究论文	本文介绍了DeepDR，一个用于药物响应预测的深度学习库，该库自动化了药物和细胞的特征化、模型构建、训练和推理过程	DeepDR是首个专门为药物响应预测开发的深度学习库，集成了三种药物特征和九种药物编码器、四种细胞特征和九种细胞编码器以及两种融合模块，能够实现多达135种深度学习模型，并提供了用户友好的可视化界面	摘要中未提及该库的具体局限性	旨在解决药物响应预测中缺乏便捷工具支持建模的问题，推动精准医学和药物发现	药物和细胞系	机器学习	NA	NA	CNN, LSTM, GAN, Transformer等（具体取决于所选的编码器和融合模块）	药物特征和细胞特征数据	NA	PyTorch（推测，因未明确说明，但通常深度学习库基于此）	多种架构，包括基于CNN、LSTM、GAN、Transformer等的编码器和融合模块	NA	NA
2105	2026-09-13	DeepRSMA: a cross-fusion-based deep learning method for RNA-small molecule binding affinity prediction 2024-11-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae678 PMID:39540702	研究论文	本文提出了一种基于交叉融合的深度学习方法DeepRSMA，用于预测RNA-小分子结合亲和力	开发了核苷酸级和原子级特征提取模块，结合序列和图视图，并引入了基于Transformer的交叉融合模块来学习RNA与小分子之间的相互作用模式	未明确提及	加速RNA靶向药物的发现，通过计算预测RNA-小分子亲和力	RNA和小分子	机器学习	脊髓性肌萎缩	NA	深度学习	序列和图数据	NA	NA	Transformer	NA	NA
2106	2026-09-13	Sitetack: a deep learning model that improves PTM prediction by using known PTMs 2024-11-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae602 PMID:39388212	研究论文	该文章开发了一个名为Sitetack的深度学习模型，通过将已知的翻译后修饰（PTM）位点编码为独立氨基酸特征，利用卷积神经网络预测PTM位点，并证明已知PTM信息能显著提升预测性能	首次将已知PTM位点作为额外特征编码到序列中，显著提升了现有模型的预测性能，并发现一种PTM的已知位置能提高另一种PTM的可预测性	NA	评估在基于序列的深度学习算法中利用已知PTM位点来预测PTM位置的有效性，以提高预测准确性	蛋白质序列及其翻译后修饰位点	机器学习	NA	NA	CNN	序列数据	NA	NA	卷积神经网络	NA	NA
2107	2026-09-13	Deep coupled registration and segmentation of multimodal whole-brain images 2024-11-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae606 PMID:39400311	研究论文	本文提出了一种深度学习框架，用于多模态全脑图像的联合配准与分割，通过深度耦合两个任务来提升性能	提出深度耦合配准与分割的框架，在特征层面和任务层面实现两个任务的协作，学习统一的模态无关潜在特征表示，从根本上解决多模态相似性度量设计的瓶颈，并增强潜在特征的可解释性	未明确提及	实现多模态全脑图像的准确对齐和解剖结构分割	小鼠和人类大脑的多模态及单模态全脑图像	计算机视觉	NA	深度学习	双分支网络	图像	NA	NA	NA	NA	NA
2108	2026-09-13	Lifestyle factors in the biomedical literature: an ontology and comprehensive resources for named entity recognition 2024-11-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae613 PMID:39412443	研究论文	本文构建了生活方式因素本体LSFO，开发了基于词典和基于Transformer的命名实体识别系统，并构建了人工标注语料库LSF200，用于在生物医学文献中识别生活方式因素	提出了首个全面的生活方式因素本体LSFO，开发了基于词典的LSF识别与标准化系统，构建了适用于NER系统训练与评估的人工标注语料库LSF200，并训练了基于Transformer的NER系统	基于词典的NER系统F-score仅为64%，基于Transformer的系统F-score为76%，仍有较大提升空间；LSF的固有多样性给全面识别带来挑战	系统性地描述生物医学文献中的生活方式因素，构建本体和命名实体识别系统以全面检测文本中各类生活方式因素	PubMed摘要和PMC开放获取文章中提及的生活方式因素	自然语言处理	慢性病	命名实体识别，本体构建，词典匹配，Transformer	Transformer	文本	LSF200人工标注语料库；大规模应用于PubMed摘要和PMC开放获取文章，识别出超过3亿次LSF提及	NA	Transformer	F-score	NA
2109	2026-09-13	TRAITER: transformer-guided diagnosis and prognosis of heart failure using cell nuclear morphology and DNA damage marker 2024-11-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae610 PMID:39412446	研究论文	本研究提出了一种基于Transformer的深度学习方法TRAITER，利用细胞核形态和DNA损伤标记图像进行心力衰竭的诊断和预后预测	首次将Transformer引导的深度学习方法应用于基于细胞核形态和DNA损伤标记的心力衰竭诊断和预后预测，并在左心室逆重构预测中取得了高准确率	样本量相对较小（9名和46名患者），需要更大规模的多中心验证	开发精确的心力衰竭诊断和预后方法，预测心力衰竭可能性和左心室逆重构潜力	心脏组织细胞核形态图像和双染图像（细胞核和DNA损伤标记）	数字病理学	心血管疾病	图像分割、双染成像	Vision Transformer	图像	31,158张来自9名患者的图像用于心力衰竭预测；231,840张来自46名患者的图像用于左心室逆重构预测	NA	Vision Transformer	准确率, ROC曲线, 精确率-召回率曲线	NA
2110	2026-09-13	Deep learning-based enhancement of fluorescence labeling for accurate cell lineage tracing during embryogenesis 2024-11-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae626 PMID:39418183	研究论文	开发了一种名为DELICATE的深度学习方法，通过增强荧光标记图像来改善胚胎发育过程中细胞谱系追踪的准确性	提出了一种新的图像增强方法DELICATE，专门针对线虫胚胎晚期细胞密集、低信噪比和荧光强度不均的问题，显著提高了自动细胞谱系追踪的准确性	未明确说明方法的泛化能力，可能主要针对线虫胚胎数据；未提及计算资源需求	改善胚胎发育过程中自动细胞谱系追踪的准确性，减少人工校正误差的工作量	线虫（Caenorhabditis elegans）胚胎	计算机视觉	NA	荧光显微成像	深度学习	图像	未明确说明，涉及线虫胚胎从早期到550细胞阶段的图像数据	NA	NA	信噪比（SNR）、分割错误率、追踪准确率	NA
2111	2026-09-13	EuDockScore: Euclidean graph neural networks for scoring protein-protein interfaces 2024-11-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae636 PMID:39441796	研究论文	本文提出了基于欧几里得图神经网络的蛋白质-蛋白质对接评分函数EuDockScore，并针对抗体-抗原对接开发了EuDockScore-Ab，以及用于重排AlphaFold-Multimer输出的EuDockScore-AFM	利用欧几里得图神经网络架构改进蛋白质-蛋白质相互作用评分函数，并针对抗体-抗原对接和AlphaFold-Multimer输出重排开发了专用模型	摘要中未明确提及 limitation	开发改进的蛋白质-蛋白质相互作用评分函数，用于评估计算对接产生的候选界面以及蛋白质生成模型输出的结构质量	蛋白质-蛋白质界面，包括一般蛋白质-蛋白质界面和抗体-抗原界面	机器学习	NA	蛋白质对接，AlphaFold-Multimer	图神经网络	蛋白质结构数据	NA	NA	欧几里得图神经网络	NA	NA
2112	2026-09-13	InterLabelGO+: unraveling label correlations in protein function prediction 2024-11-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae655 PMID:39499152	研究论文	本文提出了一种混合方法InterLabelGO+，结合深度学习和基于比对的方法来改进蛋白质功能预测	引入了一种新的损失函数来解决标签依赖和不平衡问题，并通过动态加权基于比对组件来进一步提升性能	未明确提及	准确预测蛋白质功能，以理解生物过程和推动生物医学研究	蛋白质序列	机器学习	NA	NA	深度学习	蛋白质序列	NA	PyTorch	NA	多种评估指标	NA
2113	2026-09-13	A deep learning method to integrate extracelluar miRNA with mRNA for cancer studies 2024-11-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae653 PMID:39495117	研究论文	该文提出了CrossPred，一种基于深度学习的多编码器模型，用于细胞外miRNA与mRNA的跨预测，通过对比学习构建共享嵌入空间，实现从噪声exmiR数据预测细胞内mRNA表达以及反向预测	首次提出多编码器深度学习模型CrossPred，利用对比学习构建exmiR与mRNA的共享嵌入空间，实现两者的双向跨预测，并揭示了与癌症相关的重要exmiR和mRNA	exmiR表达数据本身具有噪声，可能影响预测精度；研究仅在三类癌症上进行了评估，泛化能力有待进一步验证	提高细胞外miRNA表达数据质量，并开发非侵入性方法评估细胞内mRNA表达，以深入理解疾病机制	细胞外miRNA（exmiRs）和细胞内mRNA，以及三类癌症相关的表达数据	机器学习	癌症	miRNA表达谱分析, mRNA表达谱分析	多编码器深度学习模型, 对比学习	基因表达数据	NA	NA	多编码器模型, 变分自编码器（VAE）, 编码器-解码器模型	NA	NA
2114	2026-09-13	ENKIE: a package for predicting enzyme kinetic parameter values and their uncertainties 2024-11-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae652 PMID:39495107	研究论文	该论文介绍了一个名为ENKIE的包，使用贝叶斯多层模型预测酶动力学参数值及其不确定性	使用贝叶斯多层模型，仅用五个分类预测变量，就能达到与深度学习相当的性能，并提供校准的不确定性预测和可解释的洞察	摘要中未明确说明局限性	预测酶动力学参数（KM和kcat）的值和不确定性，以简化代谢模型的构建	酶动力学参数（KM和kcat）	机器学习	NA	贝叶斯多层模型	贝叶斯多层模型	分类预测变量	NA	NA	贝叶斯多层模型	预测性能，校准的不确定性	NA
2115	2026-09-13	Prediction of antibiotic resistance mechanisms using a protein language model 2024-10-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae550 PMID:39254573	研究论文	该研究提出了一种基于蛋白质语言模型ProteinBERT的方法，用于预测抗生素抗性基因（ARGs）的抗性机制。	使用蛋白质语言模型ProteinBERT预测ARG的抗性机制，在低同源性数据集上优于现有方法，并通过注意力分析揭示了模型的可解释性，能够识别保守氨基酸残基和抗生素靶标结合位点等生物学相关特征。	摘要中未明确提及研究的局限性。	预测抗生素抗性基因（ARGs）的抗性机制，以理解并对抗抗生素抗性问题。	抗生素抗性基因（ARGs）及其对应的抗性机制。	生物信息学、机器学习	细菌感染	蛋白质语言模型（ProteinBERT）	蛋白质语言模型（pLM），基于深度学习的Transformer架构	蛋白质序列数据	摘要中未明确提及具体的样本数量。	NA	ProteinBERT（基于Transformer的蛋白质语言模型）	摘要中未明确提及具体的性能指标，但提到优于现有技术。	摘要中未明确提及计算资源。
2116	2026-09-13	TAWFN: a deep learning framework for protein function prediction 2024-10-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae571 PMID:39312678	研究论文	本文提出了一种结合卷积神经网络和自适应图卷积网络的深度学习框架TAWFN，用于蛋白质功能预测	提出双模型自适应权重融合网络，将氨基酸接触图和序列的深度学习特征与自适应图卷积网络结合，动态计算权重融合两个模型的初步预测结果	未明确说明	从蛋白质结构出发，提高蛋白质功能预测的准确性	蛋白质结构和序列	机器学习	NA	深度学习	CNN, GCN	蛋白质结构数据	PDBset和AFset数据集	NA	自适应图卷积网络, 多层卷积神经网络	AUPR, Fmax, Smin	NA
2117	2026-09-13	Identifying nucleotide-binding leucine-rich repeat receptor and pathogen effector pairing using transfer-learning and bilinear attention network 2024-10-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae581 PMID:39331576	研究论文	该论文提出了一种名为ProNEP的深度学习算法，通过结合迁移学习和双线性注意力网络来预测核苷酸结合富含亮氨酸重复序列受体（NLR）与病原体效应蛋白之间的配对关系	将NLR与效应蛋白的配对预测任务概念化为蛋白质-蛋白质相互作用预测任务，并结合迁移学习与双线性注意力网络实现高通量识别，同时发现了91291个NLRs中仅有387个CNEs被确认的数据稀缺问题	CNE数据非常稀缺，仅有387个已知的CNE对，严重限制了模型的训练和泛化能力	以高通量方式识别NLR与效应蛋白的配对关系，解决CNE数据稀缺问题，推动生物学、免疫学和作物育种的发展	核苷酸结合富含亮氨酸重复序列受体（NLRs）和病原体效应蛋白	机器学习	NA	NA	双线性注意力网络	序列数据	91291个NLRs和387个CNEs	NA	双线性注意力网络	NA	NA
2118	2026-09-13	Learning to explain is a good biomedical few-shot learner 2024-10-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae589 PMID:39360976	研究论文	本文提出了一种名为LetEx的多任务生成方法，利用大语言模型生成的推理解释来增强生物医学小样本学习的归纳推理能力	首次探索可解释性对生物医学小样本学习的影响，提出利用LLMs通过CoT提示和自我训练策略收集高质量解释，并将各种生物医学NLP任务统一转化为文本到文本的生成任务，以解释作为额外监督信号进行多任务训练	未明确提及	研究生物医学小样本学习这一更现实的场景，并探索可解释性对生物医学小样本学习的影响	六个生物医学基准数据集上的三种小样本设置下的多种生物医学NLP任务	自然语言处理	NA	大语言模型、CoT提示、自我训练策略	生成式模型、多任务学习模型	文本	六个生物医学基准数据集	NA	LetEx（220M参数生成式模型）	准确率等（相比强基线模型提升高达6.41%）	NA
2119	2026-09-13	PocketDTA: an advanced multimodal architecture for enhanced prediction of drug-target affinity from 3D structural data of target binding pockets 2024-10-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae594 PMID:39365726	研究论文	开发了一种名为PocketDTA的多模态架构，利用目标结合口袋的3D结构数据增强药物-靶标亲和力的预测	通过预训练模型ESM-2和GraphMVP增强泛化性能，利用定制的GVP-GNN层和GraphMVP解码器巧妙处理前3个目标结合口袋和药物3D信息，并使用双线性注意力网络增强可解释性	摘要中未明确提及	准确预测药物-靶标结合亲和力，以促进药物发现和重定位	药物-靶标结合亲和力预测	机器学习	NA	NA	GVP-GNN, 双线性注意力网络	3D结构数据	Davis和KIBA数据集（具体样本量未提供）	NA	ESM-2, GraphMVP, GVP-GNN, 双线性注意力网络	NA	NA
2120	2026-09-13	MSDAFL: molecular substructure-based dual attention feature learning framework for predicting drug-drug interactions 2024-10-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae596 PMID:39383521	研究论文	本文提出了一个基于分子子结构的双重注意力特征学习框架MSDAFL，用于预测药物-药物相互作用	利用药物对子结构之间的交互信息，通过自注意力模块和交互注意力模块提取子结构模式及子结构间交互向量，并基于余弦相似度进一步捕捉药物对自注意力向量之间的交互特征，同时进行归一化以缓解过拟合	未明确提及	充分利用药物对子结构之间的信息以提升药物-药物相互作用预测性能	药物-药物相互作用（DDI）	机器学习	NA	NA	注意力机制	分子结构数据	三个数据集（具体样本量未在摘要中说明）	NA	自注意力模块, 交互注意力模块, 基于余弦相似度的交互模块	精确率（precision）, AUC	NA