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 33853 篇文献，本页显示第 221 - 240 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 221 | 2025-11-15 |
A comparative study of MLP and LSTM neural networks for shale gas production prediction based on numerical simulation data
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0336782
PMID:41231836
|
研究论文 | 基于数值模拟数据比较MLP和LSTM神经网络在页岩气产量预测中的性能 | 首次系统比较前馈MLP和具有门控机制的LSTM网络在页岩气产量预测中的表现，证明LSTM能更好捕捉生产数据中的长期依赖关系 | 基于数值模拟数据而非实际生产数据，模型在真实场景中的泛化能力需进一步验证 | 提高页岩气产量预测精度以优化储层开发和提升生产效率 | 页岩气生产数据 | 机器学习 | NA | 数值模拟 | MLP, LSTM | 数值模拟数据 | 多种工程参数组合下的日产量数据 | NA | 多层感知机, 长短期记忆网络 | 相对误差 | NA |
| 222 | 2025-11-15 |
CattleNet-XAI: An explainable CNN framework for efficient cattle weight estimation
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0336434
PMID:41231892
|
研究论文 | 提出了一种可解释的CNN框架CattleNet-XAI，用于从牛只图像中自动估算体重 | 结合了定制化CNN架构与可解释AI技术（LIME可视化），在保持高效性的同时提供模型决策过程的透明度 | 未明确说明数据集规模和多样性限制，可能影响模型泛化能力 | 开发自动化牛只体重估算方法以改进农场管理效率 | 牛只体重估算 | 计算机视觉 | NA | 图像预处理（归一化、直方图均衡化）、特征提取 | CNN | 图像 | NA | YOLOv5 | 定制CNN（3Conv3Dense）, EfficientNetB3 | MAE, MSE, RMSE | NA |
| 223 | 2025-11-15 |
Comparing machine learning, deep learning, and reinforcement learning performance in Culex pipiens predictive modeling
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0333536
PMID:41231961
|
研究论文 | 比较机器学习、深度学习和强化学习方法在预测库蚊分布中的性能 | 首次将强化学习方法应用于物种分布预测问题 | 仅针对单一物种在美国的地理分布进行研究 | 比较不同机器学习方法在物种分布预测中的性能 | 库蚊（Culex pipiens）的历史分布数据 | 机器学习 | 西尼罗河病毒 | 物种分布建模 | 逻辑回归, 随机森林, 深度神经网络, Q学习, DQN, REINFORCE, Actor-Critic | 生物气候变量数据 | 美国范围内的库蚊分布数据 | NA | 深度神经网络, 深度Q网络 | 预测性能 | NA |
| 224 | 2025-11-15 |
DSA-DeepFM: a dual-stage attention-enhanced DeepFM model for predicting anticancer synergistic drug combinations
2025, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbaf269
PMID:41234327
|
研究论文 | 提出一种融合双阶段注意力机制和因子分解机的深度学习模型DSA-DeepFM，用于预测抗癌协同药物组合 | 首次将双阶段注意力机制与因子分解机结合，通过处理复杂生物特征交互来预测药物协同作用 | 未明确说明模型在更大规模药物组合数据集上的泛化能力 | 开发能够准确预测抗癌药物协同组合的计算模型 | 抗癌药物组合 | 机器学习 | 癌症 | 深度学习 | DeepFM, 注意力机制 | 分类特征和辅助数值特征 | NA | NA | 双阶段注意力增强DeepFM | 预测准确率 | NA |
| 225 | 2025-11-15 |
Quantitative evaluation of meibomian gland dysfunction via deep learning-based infrared image segmentation
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1642361
PMID:41234492
|
研究论文 | 本研究利用深度学习模型分割睑板腺红外图像并提取定量特征，用于睑板腺功能障碍的诊断和严重程度评估 | 首次将三种先进深度学习模型(DeepLabV3+、U-Net、U-Net++)集成应用于睑板腺功能障碍的定量诊断和分级评估 | 未明确说明样本来源和具体样本量，临床整合程度仍需进一步验证 | 开发基于深度学习的睑板腺功能障碍定量评估方法 | 睑板腺红外图像 | 计算机视觉 | 睑板腺功能障碍 | 红外成像 | 深度学习 | 红外图像 | NA | NA | DeepLabV3+, U-Net, U-Net++ | AUC, 微平均AUC, 宏平均AUC | NA |
| 226 | 2025-11-15 |
SegDecon bridges histology and transcriptomics through AI-based nuclei segmentation and image-informed spatial deconvolution
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.10.041
PMID:41234485
|
研究论文 | 提出SegDecon计算框架，通过AI驱动的细胞核分割和图像信息空间解卷积连接组织学与转录组学 | 将图像衍生的细胞计数估计整合到贝叶斯解卷积中，使用HSV色彩空间变换和深度学习实例分割改进细胞核分割，并通过定制Gamma先验优化细胞类型解卷积 | 仅在小鼠脑部空间转录组数据上进行了评估，尚未在其他组织或物种中验证 | 提高空间转录组学中细胞组成空间定位的精确度 | 空间转录组数据中的细胞类型组成 | 数字病理学 | NA | 空间转录组学 | 深度学习实例分割, 贝叶斯解卷积模型 | 组织学图像, 空间转录组数据 | 小鼠脑部高分辨率空间转录组数据 | NA | 改进的cell2location模型 | 与真实数据的相关性 | NA |
| 227 | 2025-11-15 |
Decoding the anticancer and biofilm-inhibiting efficacy of Adansonia digitata using experimental, AI-powered, and molecular modeling approaches
2025, Frontiers in molecular biosciences
IF:3.9Q2
DOI:10.3389/fmolb.2025.1666360
PMID:41234539
|
研究论文 | 本研究通过实验、人工智能和分子建模方法评估猴面包树乙醇提取物的抗癌和抑制生物膜形成功效 | 首次结合深度学习分子对接工具GNINA、分子动力学模拟和传统实验方法系统评估猴面包树提取物的生物活性 | 研究主要集中于MDA-MB-231乳腺癌细胞系，未涉及其他癌症类型或体内实验验证 | 探索猴面包树乙醇提取物作为植物源抗癌药物和生物膜抑制剂的治疗潜力 | MDA-MB-231乳腺癌细胞、生物膜形成相关蛋白(pqsA和CK2) | 生物信息学, 药物发现 | 乳腺癌 | 分子对接, 分子动力学模拟, 荧光显微镜, Hoechst和AO/EB染色 | 深度学习 | 分子结构数据, 细胞图像数据 | 未明确说明具体样本数量 | GNINA | 深度学习分子对接模型 | 结合亲和力, 构象稳定性, 细胞活力抑制率 | NA |
| 228 | 2025-11-15 |
LESS-Net: a lightweight network for epistaxis image segmentation using similarity-based contrastive learning
2025, Frontiers in physiology
IF:3.2Q2
DOI:10.3389/fphys.2025.1644589
PMID:41234699
|
研究论文 | 提出一种用于鼻出血图像分割的轻量级半监督框架LESS-Net | 结合一致性正则化和对比学习来利用未标注数据，采用高效MobileViT骨干网络和多尺度特征融合模块 | 未明确说明模型在更广泛数据集上的泛化能力 | 开发数据高效的深度学习解决方案用于鼻出血图像分割 | 内窥镜鼻出血图像 | 计算机视觉 | 鼻出血 | 内窥镜成像 | 半监督分割网络 | 图像 | 公共鼻出血数据集，标注比例分别为50%、25%和5% | NA | MobileViT, 多尺度特征融合模块 | mIoU, Dice系数, 平均召回率 | NA |
| 229 | 2025-11-15 |
Novel deep learning-based prediction of HER2 expression in breast cancer using multimodal MRI, nomogram, and decision curve analysis
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1593033
PMID:41234727
|
研究论文 | 本研究开发了一种基于深度学习的多模态MRI和临床数据整合框架，用于预测乳腺癌HER2表达状态 | 首次将多序列乳腺MRI与深度学习特征提取和临床数据相结合，构建HER2表达预测模型 | 回顾性研究设计，数据来自四个医疗中心可能存在选择偏倚 | 开发稳健的自动化框架预测乳腺癌HER2表达状态，指导靶向治疗 | 乳腺癌患者 | 数字病理 | 乳腺癌 | MRI扫描（T1、T2、DCE序列） | 深度学习 | 医学影像，临床数据 | 2,400例乳腺癌病例（1,286例HER2阳性，1,114例HER2阴性），来自6,438名患者的回顾性数据 | Python, R | ResNet50, VGG16, EfficientNet-B0, ViT-Small | AUC, ROC分析, 决策曲线分析 | NA |
| 230 | 2025-11-15 |
Correction: An explainable hybrid deep learning framework for precise skin lesion segmentation and multi-class classification
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1724427
PMID:41234911
|
correction | 对一篇关于皮肤病变分割与多分类的混合深度学习框架论文进行更正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 231 | 2025-11-15 |
Machine learning in lupus nephritis: bridging prediction models and clinical decision-making towards personalized nephrology
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1686057
PMID:41234906
|
综述 | 本文综述了机器学习在狼疮性肾炎预测模型与临床决策中的应用，探讨其推动个性化肾脏病学的潜力 | 系统整合多模态数据源和多种机器学习方法，实现非侵入性组织学分类和高精度疾病预测，推动个性化肾病管理 | 数据集规模有限，缺乏外部验证，结局定义存在异质性 | 评估机器学习模型在狼疮性肾炎预测、诊断和监测中的临床应用价值 | 狼疮性肾炎患者 | 机器学习 | 狼疮性肾炎 | 多模态数据整合（临床、实验室、影像、组织病理、组学数据） | 逻辑回归,决策树,随机森林,支持向量机,神经网络,梯度提升,聚类 | 临床数据,实验室数据,影像数据,组织病理数据,组学数据 | NA | NA | NA | AUC | NA |
| 232 | 2025-11-15 |
ResUbiNet: A Novel Deep Learning Architecture for Ubiquitination Site Prediction
2025, Current genomics
IF:1.8Q3
|
研究论文 | 提出了一种名为ResUbiNet的新型深度学习架构，用于泛素化位点预测 | 结合蛋白质语言模型、氨基酸特性和BLOSUM62矩阵进行序列嵌入，并整合transformer、多核卷积、残差连接和压缩激励等先进架构组件 | NA | 准确预测潜在的泛素化位点，探索泛素化机制及相关疾病发病机制 | 蛋白质泛素化位点 | 生物信息学 | 与泛素化过程相关的疾病 | 深度学习 | ResUbiNet | 蛋白质序列 | NA | NA | Transformer, 多核卷积, 残差连接, 压缩激励 | 交叉验证和外部测试性能 | NA |
| 233 | 2025-11-15 |
Leveraging hand-crafted radiomics on multicenter FLAIR MRI for predicting disability worsening in people with multiple sclerosis
2025, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2025.1610401
PMID:41235171
|
研究论文 | 本研究利用多中心FLAIR MRI影像组学特征预测多发性硬化患者的残疾恶化 | 首次结合多中心FLAIR MRI影像组学特征与临床特征，使用机器学习方法预测多发性硬化残疾恶化 | 样本量有限且不平衡，短期纵向变化预测能力有限，需要更大规模数据验证 | 预测多发性硬化患者的残疾恶化情况 | 247名多发性硬化患者 | 医学影像分析 | 多发性硬化 | FLAIR MRI，影像组学分析 | Elastic Net，Balanced Random Forest，Light Gradient-Boosting Machine | MRI影像数据 | 247名来自两个医疗中心的多发性硬化患者 | Pyradiomics，Longitudinal ComBat | LGBM，BRFC | PR AUC，ROC AUC | NA |
| 234 | 2025-11-15 |
Learning meaningful representation of single-neuron morphology via large-scale pre-training
2024-09-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae395
PMID:39230697
|
研究论文 | 提出MorphRep模型，通过大规模预训练学习单神经元形态的有意义表示 | 首次使用超过25万神经元形态数据进行大规模预训练，采用图结构数据编码和图形变换器，通过多增强视图一致性学习实现最先进性能 | NA | 开发能够准确表征神经元形态的计算模型 | 单神经元形态结构 | 机器学习 | 脑部疾病 | 显微镜成像 | 图变换器 | 图结构数据 | 超过250,000个神经元形态数据 | NA | 图变换器 | NA | NA |
| 235 | 2025-11-15 |
Protein structure prediction with in-cell photo-crosslinking mass spectrometry and deep learning
2023-12, Nature biotechnology
IF:33.1Q1
DOI:10.1038/s41587-023-01704-z
PMID:36941363
|
研究论文 | 本研究开发了AlphaLink方法，通过将实验距离约束信息整合到AlphaFold2网络架构中，提升具有构象变化或同源序列稀少蛋白质的结构预测精度 | 提出首个将细胞内光交联质谱实验数据整合到深度学习蛋白质结构预测框架的方法，通过稀疏实验接触点作为锚点改进预测性能 | 未明确说明方法对各类蛋白质构象变化的普适性及计算效率的具体评估 | 改进蛋白质结构预测精度，特别是针对构象变化蛋白质和同源序列稀少的困难目标 | 蛋白质三维结构，特别是具有构象变化的蛋白质 | 计算生物学 | NA | 光交联质谱，非经典氨基酸光亮氨酸标记 | 深度学习 | 蛋白质序列数据，质谱实验数据，距离约束信息 | NA | AlphaFold2 | AlphaFold2改进架构 | 结构预测精度 | NA |
| 236 | 2025-11-15 |
Interpretable neural architecture search and transfer learning for understanding CRISPR-Cas9 off-target enzymatic reactions
2023-12, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-023-00569-1
PMID:38177723
|
研究论文 | 提出Elektrum深度学习框架，通过可解释神经网络架构搜索和迁移学习预测CRISPR-Cas9脱靶编辑概率 | 结合数据驱动和生物物理可解释模型，通过体外动力学假设生成和体内迁移学习的两阶段框架 | NA | 开发预测性和可解释的酶促通路模型 | CRISPR-Cas9脱靶编辑反应 | 机器学习 | NA | 体外动力学检测，深度学习 | CNN，可解释神经网络 | 体外动力学数据，体内反应数据 | NA | NA | KINNs（动力学可解释神经网络），卷积神经网络 | 预测性能，正则化效果，可解释性 | NA |
| 237 | 2025-11-15 |
Deep contrastive learning of molecular conformation for efficient property prediction
2023-12, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-023-00560-w
PMID:38177719
|
研究论文 | 提出一种基于深度对比学习的分子构象领域自适应方法LACL，用于高效预测分子性质 | 通过局部原子环境对比学习形成领域无关的潜在空间，规避了几何弛豫瓶颈同时保持量子化学精度 | NA | 解决不同构象生成方法间的领域偏移问题，实现准确的分子性质预测 | 有机小分子、生物和药理学长链分子 | 机器学习 | NA | 对比学习 | 深度学习 | 分子构象数据 | NA | NA | LACL（局部原子环境对比学习） | 量子化学精度 | NA |
| 238 | 2025-11-15 |
Predictive analyses of regulatory sequences with EUGENe
2023-11, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-023-00544-w
PMID:38177592
|
研究论文 | 介绍了一个名为EUGENe的FAIR工具包，用于使用深度学习分析基因组序列 | 开发了首个完全符合FAIR原则的深度学习工具包，专门用于调控基因组学分析 | NA | 为基因组序列的深度学习分析提供标准化工具包 | 基因组调控序列 | 生物信息学 | NA | 深度学习 | 神经网络 | 基因组序列数据 | NA | PyTorch, TensorFlow | 多种架构 | NA | NA |
| 239 | 2025-11-15 |
Deep learning-guided discovery of an antibiotic targeting Acinetobacter baumannii
2023-11, Nature chemical biology
IF:12.9Q1
DOI:10.1038/s41589-023-01349-8
PMID:37231267
|
研究论文 | 利用深度学习发现针对鲍曼不动杆菌的新型抗生素阿鲍辛 | 首次通过神经网络筛选发现具有窄谱活性的新型抗生素，并揭示其通过干扰LolE蛋白影响脂蛋白运输的独特机制 | 仅针对单一病原体进行验证，尚未评估对其它耐药菌的活性 | 开发针对多重耐药鲍曼不动杆菌的新型抗生素 | 鲍曼不动杆菌菌株及约7,500个小分子化合物 | 机器学习 | 细菌感染 | 体外生长抑制实验、计算机预测、小鼠伤口感染模型 | 神经网络 | 化学分子结构数据、细菌生长数据 | 约7,500个分子化合物 | NA | NA | NA | NA |
| 240 | 2025-11-15 |
A software framework for end-to-end genomic sequence analysis with deep learning
2023-11, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-023-00557-5
PMID:38177600
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |