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
2121	2026-09-13	Anti-symmetric framework for balanced learning of protein-protein interactions 2024-10-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae603 PMID:39404784	研究论文	提出了一种反对称图学习模型BaPPI，用于蛋白质-蛋白质相互作用的平衡预测和模式外推	1. 提出反对称图卷积网络建模PPI网络中的不均匀分布，学习更鲁棒和平衡的表示；2. 采用无注意力机制（循环卷积算子）高效处理蛋白质数据的上下文信息，避免二次复杂度；3. 使用非对称损失函数更新模型，解决PPI特征不平衡问题	未明确说明	高效预测蛋白质-蛋白质相互作用，并解决PPI数据不平衡和长程依赖计算成本高的问题	蛋白质-蛋白质相互作用（PPI）网络及蛋白质序列数据	机器学习	NA	NA	图卷积网络	图数据、序列数据	SHS27K和SHS148K数据集	PyTorch	反对称图卷积网络、循环卷积算子	Micro-F1	NA
2122	2026-09-13	FateNet: an integration of dynamical systems and deep learning for cell fate prediction 2024-09-02, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae525 PMID:39177093	研究论文	本文提出了FateNet，一种整合动力系统理论与深度学习的计算方法，利用单细胞RNA测序数据预测细胞命运决策点	将动力系统理论中的范式与分岔附近的标度行为与深度学习相结合，相比传统方法能更准确地预测细胞决策的发生，并提供对生物系统新状态的定性见解	未明确提及	从单细胞RNA测序数据中精确推断细胞命运决策及其时间点，并揭示其对组织健康和功能的更广泛影响	单细胞RNA测序数据中的细胞命运决策过程，特别是造血过程中的分化过程	机器学习	NA	单细胞RNA测序	深度学习	单细胞RNA测序数据	NA	NA	NA	准确率	NA
2123	2026-09-13	GTAM: a molecular pretraining model with geometric triangle awareness 2024-09-02, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae524 PMID:39177102	研究论文	该文章提出了一种名为GTAM的分子预训练模型，通过几何三角形感知的对比学习策略，整合2D拓扑图和3D几何构象的分子编码器，以提升分子表示学习的效果	提出了一种新颖的对比学习策略，设计了创新的2D图和3D构象分子编码器，能够准确捕捉基于图的分子结构中边之间的几何依赖关系；开发了两种对比训练目标，促进2D拓扑图与3D几何构象之间边信息的直接迁移	未明确提及	克服现有分子表示学习方法在捕捉2D拓扑图中化学键的复杂相互作用以及3D几何构象多方面效应方面的不足，提升分子表示学习的性能	分子结构（包括2D拓扑图和3D几何构象）	机器学习	NA	分子表示学习，对比学习	对比学习模型，分子编码器	图数据（2D拓扑图），3D几何构象数据	NA	NA	NA	NA	NA
2124	2026-09-13	Sitetack: A Deep Learning Model that Improves PTM Prediction by Using Known PTMs 2024-Jun-04, bioRxiv : the preprint server for biology DOI:10.1101/2024.06.03.596298 PMID:38895359	研究论文	本文提出一种深度学习模型Sitetack，通过将已知的翻译后修饰（PTM）位点编码为独立氨基酸并结合词嵌入和卷积神经网络，提升了PTM位点预测性能	将已知PTM位点作为额外特征编码到序列中，显著提高了PTM预测的准确性，并且发现已知的一种PTM信息可以提升另一种PTM的可预测性	摘要中未明确提及研究的局限性	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	蛋白质序列及其翻译后修饰位点	机器学习	NA	NA	CNN	序列	NA	NA	卷积神经网络（CNN），词嵌入	NA	NA
2125	2026-09-13	Genetic and Clinical Correlates of AI-Based Brain Aging Patterns in Cognitively Unimpaired Individuals 2024-05-01, JAMA psychiatry IF:22.5Q1 DOI:10.1001/jamapsychiatry.2023.5599 PMID:38353984	研究论文	本文通过深度学习半监督聚类方法，在认知未受损人群中识别出三种脑老化模式，并分析其与遗传、临床指标及认知衰退的关联	首次在认知未受损人群中以数据驱动方式识别出跨十年稳定的三种脑老化亚组，并揭示其与遗传变异、心血管风险因素和认知衰退的差异化关联	研究基于特定国际联盟队列，样本种族和地域多样性可能有限，且未在独立外部队列中验证亚组的可重复性	在认知未受损人群中以数据驱动方式推导脑结构变化的常见模式亚组，并将其与遗传、生物医学指标和认知衰退轨迹相关联	认知未受损的个体，年龄跨度45至85岁，来自iSTAGING国际联盟	医学影像分析	阿尔茨海默病	结构磁共振成像	生成对抗网络	图像	27402名认知未受损个体，超过50000个数据时间点	NA	生成对抗网络	NA	NA
2126	2026-09-13	Deep model predictive control of gene expression in thousands of single cells 2024-03-08, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-46361-1 PMID:38459057	研究论文	该研究训练深度神经网络预测大肠杆菌光遗传系统的响应，并利用深度模型预测控制框架在数千个单细胞中实时施加任意基因表达动态	将深度学习与控制理论结合，实现无需生物学系统专家知识即可对数千个单细胞进行高精度、高通量的基因表达动态反馈控制	研究仅在大肠杆菌光遗传系统中验证，尚未推广到更复杂的生物系统或哺乳动物细胞	实现对单细胞基因表达动态的精准实时控制，以研究基因表达动态对细胞表型的影响	大肠杆菌单细胞	机器学习	NA	光遗传学	深度神经网络	时间序列数据	数千个单细胞	NA	NA	预测准确性	NA
2127	2026-09-13	TabDEG: Classifying differentially expressed genes from RNA-seq data based on feature extraction and deep learning framework 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0305857 PMID:39037985	研究论文	该文章提出了一种名为TabDEG的模型，结合数据增强和基于深度学习的表格数据模型，从RNA-seq数据中预测差异表达基因及其上调/下调方向	将数据增强与基于深度学习框架的表格数据模型相结合，无需考虑数据分布类型和样本变异，能够从有限数据中提取互补的伪值，有效处理高维小样本数据集	依赖于癌症基因组图谱数据库的数据，可能受限于标注数据的可用性和质量，且未提及在其他非癌症数据集上的泛化能力验证	解决传统差异表达基因识别模型在小样本数据集上因分布假设限制导致高假阳性/假阴性率的问题，实现从RNA-seq数据中准确分类差异表达基因	从癌症基因组图谱数据库获取的基因表达数据	机器学习	癌症	RNA-seq	深度学习	基因表达数据	NA	NA	NA	灵敏度, 误分类率	NA
2128	2026-09-13	Feature extraction method of EEG based on wavelet packet reconstruction and deep learning model of VR motion sickness feature classification and prediction 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0305733 PMID:39028732	研究论文	该文章提出了一种基于小波包重建的脑电特征提取方法，并构建深度学习模型（增强型GRU网络）来分类和预测VR晕动症	结合小波包重建进行EEG特征提取，并采用增强型GRU网络进行VR晕动症的特征分类与预测，分类准确率达到84.9%，优于现有模型	未明确说明数据集的规模、多样性以及模型在不同VR场景下的泛化能力	通过分析EEG数据和用户反馈，开发深度学习模型以分类和预测VR晕动症的严重程度，从而改善VR体验并推动VR技术发展	VR晕动症相关的EEG数据及用户反馈数据	机器学习	VR晕动症（非疾病类，但可归类为神经/生理反应）	小波包重建、EEG信号处理	GRU（门控循环单元）	EEG信号、用户反馈数据	NA	NA	增强型GRU网络	准确率	NA
2129	2026-09-13	Biobjective gradient descent for feature selection on high dimension, low sample size data 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0305654 PMID:39024199	研究论文	本文提出一种基于约束双目标梯度下降的方法，将特征选择集成到深度神经网络训练中，以解决高维低样本量数据的过拟合问题	将基于稀疏化的特征选择集成到深度神经网络训练过程中，使用约束双目标梯度下降方法，提供一组在稀疏性和准确性之间权衡的帕累托最优神经网络	未明确说明	解决高维低样本量数据在深度学习中的过拟合问题，通过特征选择提高网络稀疏性而不降低分类性能	高维低样本量数据集，包括人工数据集和真实数据集	机器学习	罕见疾病	特征选择，网络稀疏化	深度神经网络	数值数据	未明确说明	未明确说明	深度神经网络	特征选择得分，稀疏性得分，准确率	未明确说明
2130	2026-09-13	Exploring Healthy Retinal Aging with Deep Learning 2023-Sep, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2023.100294 PMID:37113474	研究论文	本文利用反事实生成对抗网络（GAN）分析英国生物银行的大规模视网膜OCT图像，研究健康衰老过程中视网膜各层的个体化变化轨迹	首次构建反事实GAN，能够生成高分辨率、高保真的反事实OCT图像和纵向时间序列，实现对同一受试者年龄或性别改变而身份和图像采集参数不变的假设情景进行可视化与分析，从而突破传统群体平均测量的局限，探索个体化视网膜衰老轨迹	研究基于回顾性横断面数据，反事实推断依赖于模型假设，可能无法完全反映真实纵向变化；样本仅限于UK Biobank中40-75岁成年人，结论对其他年龄段和人群的泛化性有待验证	利用深度学习研究健康衰老引起的视网膜变化的个体化进程	85,709名40至75岁成年人的视网膜OCT图像（来自UK Biobank人群研究）	数字病理学	老年性疾病	OCT	GAN	图像	85,709名成年人的OCT图像	NA	GAN	NA	NA
2131	2026-09-13	Deep-Learning-Based Hepatic Ploidy Quantification Using H&E Histopathology Images 2023-04-16, Genes IF:2.8Q2 DOI:10.3390/genes14040921 PMID:37107679	研究论文	本文开发了一种基于深度学习的计算算法，利用H&E组织病理学图像量化肝脏倍性	首次成功尝试在H&E图像上自动化倍性分析	未提及	提高临床样本中肝脏倍性量化的可及性	肝脏倍性	数字病理学	肝脏疾病	H&E组织病理学成像	CNN	图像	未提及	未提及	未提及	未提及	未提及
2132	2026-09-13	Enhancing convolutional neural network predictions of electrocardiograms with left ventricular dysfunction using a novel sub-waveform representation 2022-Oct, Cardiovascular digital health journal IF:2.6Q2 DOI:10.1016/j.cvdhj.2022.07.074 PMID:36310683	研究论文	该研究提出一种基于心电波形节律模式的子波形表示方法，以提升卷积神经网络对左心室功能障碍的预测性能，并在9万余例人群中验证了其有效性	提出了一种以数据为中心的子波形表示方法，利用心电波形的节律模式而非改变CNN架构来增强预测，并通过心跳对齐机制解释了性能提升的原因	摘要中未明确提及研究局限性	通过引入子波形表示来增强卷积神经网络对心电图左心室功能障碍的预测性能	92,446例患者的心电图数据	机器学习	心血管疾病	心电图深度学习	CNN	心电图波形信号	92,446例患者	NA	卷积神经网络	受试者工作特征曲线下面积，精确率-召回率曲线下面积	NA
2133	2026-09-13	Default risk prediction and feature extraction using a penalized deep neural network 2022, Statistics and computing IF:1.6Q1 DOI:10.1007/s11222-022-10140-z PMID:36124203	研究论文	该研究开发了一种带惩罚的深度学习模型，用于基于生存数据预测P2P借贷中的违约风险，并实现特征选择与估计	在神经网络中增加一对一层并引入L1惩罚，同时实现特征选择与估计；使用小批量梯度下降处理大规模数据；预测违约概率随时间的变化而非简单二分类	摘要中未明确说明模型局限性，可能包括对高维稀疏数据的泛化能力、超参数调优复杂度等	提高P2P借贷平台中违约风险预测的准确性，并同时进行特征选择	P2P借贷平台上的贷款数据	机器学习	NA	深度学习，生存分析	带惩罚的深度神经网络	表格数据（贷款生存数据）	未明确说明具体样本量，但提及使用真实世界贷款数据和大规模模拟	NA	前馈神经网络（含一对一层）	NA	NA
2134	2026-09-10	Harnessing Spectral Libraries From AVIRIS-NG Data for Precise PFT Classification: A Deep Learning Approach 2026-Oct, Plant, cell & environment DOI:10.1111/pce.15393 PMID:39866067	研究论文	利用AVIRIS-NG高光谱数据生成光谱库，结合深度学习技术对印度Shoolpaneshwar野生动物保护区的植物功能类型进行精确分类	通过整合AVIRIS-NG高光谱成像和ASD手持光谱仪数据，构建包含130种植物物种的全面光谱库，并使用模糊C均值聚类和多种机器学习分类器实现高精度的PFT分类	摘要中未提及明确的局限性	利用机载高光谱数据和机器学习技术，实现印度Shoolpaneshwar野生动物保护区植物功能类型的精确分类与监测	印度Shoolpaneshwar野生动物保护区的130种植物物种，涵盖多种植物功能类型	遥感、机器学习	NA	AVIRIS-NG高光谱成像、ASD手持光谱仪、光谱库构建、模糊C均值聚类、ISODATA聚类、Jeffries-Matusita距离分析	Parzen Window (PW)、梯度提升机 (GBM)、随机梯度下降 (SGD)	高光谱图像和光谱数据	130种植物物种	NA	NA	总体精度 (OAA)和Kappa系数	NA
2135	2026-09-10	INTELCAPE: A Deep Learning-Powered System for Automated, High-Accuracy Crohn's Disease Diagnosis via Capsule Endoscopy 2026-Sep, Clinical gastroenterology and hepatology : the official clinical practice journal of the American Gastroenterological Association IF:11.6Q1 DOI:10.1016/j.cgh.2026.02.026 PMID:41861933	研究论文	开发并验证了INTELCAPE系统，利用深度学习自动分析胶囊内镜视频，用于克罗恩病的高准确率诊断。	提出了一个集成了ResNet、Transformer和EfficientNet架构的多任务深度学习框架，能够同时进行小肠区域分割、病变检测和疾病诊断，并且性能优于或接近专家水平。	研究为回顾性设计，数据来自两家中国医院，可能限制了结果的普适性。	开发一种自动化、高精度的克罗恩病诊断系统，通过胶囊内镜视频分析，提高诊断效率和准确性，尤其是对经验较少的临床医生。	克罗恩病患者的小肠胶囊内镜视频。	医学影像分析	克罗恩病	胶囊内镜检查	深度学习模型	视频图像	来自两个队列的872名患者（Cohort 1: 757名，Cohort 2: 115名）的胶囊内镜视频	NA	ResNet, Transformer, EfficientNet	交并比, 曲线下面积, 准确率	NA
2136	2026-09-10	Integrated Neuromorphic Photonic Computing for AI Acceleration: Emerging Devices, Network Architectures, and Future Paradigms 2026-Sep, Advanced materials (Deerfield Beach, Fla.) DOI:10.1002/adma.202508029 PMID:41117104	综述	本文综合评述了集成神经形态光子计算在AI加速中的进展，涵盖新兴器件、网络架构与未来范式	系统梳理了光子神经网络十年进展，并提出克服材料与系统层面障碍的可行路径	未提及具体局限性	分析光子神经形态计算在AI加速中的核心组件与应用部署要求，并展望未来发展方向	光子神经网络的核心组件，包括线性突触器件、非线性神经元器件及网络架构	机器学习	不适用	光子计算	光子神经网络	不适用	不适用	不适用	不适用	不适用	不适用
2137	2026-09-10	Evaluating deep learning based structure prediction methods on antibody-antigen complexes 2026-04-07, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btag136 PMID:41863324	研究论文	本研究评估了基于深度学习的结构预测方法在抗体-抗原复合物上的表现，发现增加采样可提高模型生成正确结构的概率，但内部质量评估难以识别最佳预测模型，且AlphaFold3优于其他方法。	对未见过抗体-抗原复合物进行了系统基准测试，揭示了采样量与预测性能的对数线性关系，并指出内部质量估计的局限。	内部质量估计无法可靠识别最佳模型，且AlphaFold3对缺乏结构相似性的复合物性能显著下降。	评估不同深度学习结构预测方法在抗体-抗原复合物上的性能，并探讨采样策略和模型内部评估的影响。	抗体-抗原复合物	结构预测	不适用	蛋白质结构预测	AlphaFold2, AlphaFold3, Boltz-1, Chai-1	蛋白质序列和结构数据	未明确说明，但涉及多个未见的抗体-抗原复合物	NA	AlphaFold2, AlphaFold3, Boltz-1, Chai-1	预测准确度（基于模型质量评估）	NA
2138	2026-09-10	Hypergraph representations of single-cell RNA sequencing data for improved cell clustering 2026-04-07, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btag148 PMID:41896196	研究论文	提出将单细胞RNA测序数据表示为超图，并引入两种新的聚类算法以改善细胞类型聚类与注释	首次将超图表示应用于单细胞RNA测序基因表达数据，引入两种新型超图随机游走算法DIPHW和CoMem-DIPHW，利用偏好指数和记忆机制融合局部基因表达与全局共表达信息，显著改善弱模块性数据的细胞聚类性能	未详细阐述计算资源使用情况，实际临床验证尚不充分	通过超图表示保留单细胞RNA测序数据的高阶信息与稀疏性特征，从而提升细胞类型聚类的准确性和生物学可解释性	人类胰腺、小鼠胰腺、人类大脑、小鼠大脑组织细胞以及人肺腺癌细胞系	机器学习	肺腺癌	单细胞RNA测序（scRNA-seq）	超图随机游走模型	单细胞基因表达计数数据	未提供具体样本量，涉及人类和小鼠的胰腺、大脑组织及人肺腺癌细胞系数据集	Python	超图随机游走结构	聚类准确性、模块性	NA
2139	2026-09-10	Predicting antibody-antigen affinity with a dual-level representation model 2026-04-07, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btag109 PMID:41808445	研究论文	提出了一种双层级蛋白质表示模型DLP-Affinity，用于基于序列的抗体-抗原亲和力预测，在通用和单域抗体数据集上达到最先进性能。	创新性地结合残基到残基接触和全局随机投影嵌入两个互补模块，并利用微调的蛋白质语言模型，充分利用序列信息，提高预测准确性。	未明确提及局限性，可能依赖于序列数据，对结构数据稀缺情况下仍有挑战。	开发一种基于序列的高精度抗体-抗原亲和力预测方法，以适用于多种抗体格式（如单域抗体）。	抗体-抗原相互作用，包括单域抗体（sdAbs）和一般抗体。	自然语言处理，生物信息学	不适用	蛋白质语言模型，微调模型	深度学习框架（双层级表示模型）	序列数据	包含AB-Bind数据集和sdAb-DB数据集（具体样本数量未在摘要中给出）	PyTorch（推断）	双层级架构（残基到残基模块和全局随机投影嵌入模块），底层为蛋白质语言模型（如ESM）	平均绝对误差（MAE），准确率（可能）	未提及
2140	2026-09-10	A Bilayer Feature Fusion Framework for Pan-Cancer Survival Prediction Based on Multihead Attention and Adaptive Differential Privacy: Model Development and Validation Study 2026-03-30, JMIR medical informatics IF:3.1Q2 DOI:10.2196/83743 PMID:41911549	研究论文	提出一种基于多头注意力和自适应差分隐私的双层特征融合框架，用于泛癌生存预测，平衡特征提取精确性与数据隐私保护	首次将多头注意力机制与自适应差分隐私相结合，通过分层相关性分析指导拉普拉斯噪声的自适应添加，实现精确特征提取与敏感数据保护的协同优化	未涉及病理图像和蛋白质组学数据，模型应用范围有待扩展	提出一种在保护医疗数据隐私的同时提高泛癌生存预测准确性的融合框架	泛癌和单一癌症的生存预测数据，包括临床数据、mRNA表达数据和miRNA表达数据	机器学习, 数字病理学	癌症（泛癌）	NA	多头注意力机制	多模态数据（临床数据、mRNA表达数据、miRNA表达数据）	涉及20种癌症类型的数据集，具体样本量未提供	NA	多头注意力（基于Transformer）	一致性指数（C-index）	NA