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
221	2026-03-31	An AI-ready remote sensing dataset for high-resolution forest disturbance mapping 2026-Mar-26, Scientific data IF:5.8Q1 DOI:10.1038/s41597-026-07084-8 PMID:41888167	研究论文	本文介绍了一个用于高分辨率森林干扰类型分类的深度学习就绪数据集，并展示了其应用效果	提供了一个包含多通道（红、绿、蓝、近红外和物体高度）的高分辨率（0.2米）遥感数据集，专门针对森林干扰类型（如树皮甲虫损害、皆伐和风倒）进行标注，并通过消融分析评估了各通道的贡献	数据集仅基于德国莱茵兰-普法尔茨州的数字正射影像，可能在其他地理区域的泛化性有限；未详细讨论模型在不同干扰类型间的性能差异	开发一个高分辨率、深度学习就绪的遥感数据集，以改进森林干扰监测	欧洲森林的自然干扰事件，如昆虫爆发、病原体和风倒	计算机视觉	NA	遥感成像，数字正射影像	深度学习模型	图像	约17,500个图像块（500×500像素，0.2米分辨率）	NA	NA	总体准确率	NA
222	2026-03-31	Longitudinal dispersion coefficient modeling in natural streams via newly proposed explainable ensemble learning (ExEL) framework 2026-Mar-26, Journal of contaminant hydrology IF:3.5Q2 DOI:10.1016/j.jconhyd.2026.104931 PMID:41905004	研究论文	本研究提出了一种新的可解释集成学习框架，用于精确估计自然河流中的纵向弥散系数	提出了新的可解释集成学习框架，结合了多种机器学习模型和集成技术，并利用SHAP方法进行模型解释	研究仅使用了美国和英国的自然河流数据，可能限制了模型的全球适用性	精确估计河流中的纵向弥散系数，以改善污染物传输建模	自然河流中的纵向弥散系数	机器学习	NA	机器学习建模	FFNN, ANFIS, SVR, CNN	河流水文数据	来自美国和英国自然河流的数据集	NA	FFNN, ANFIS, SVR, CNN	RMSE, DC, AUC	NA
223	2026-03-31	Deep learning assisted particle size ranking and estimation from SEM images without explicit segmentation 2026-Mar-26, Micron (Oxford, England : 1993) DOI:10.1016/j.micron.2026.104022 PMID:41905154	研究论文	本文提出了一种无需显式分割的深度学习框架，用于直接从SEM图像中排名和估计颗粒尺寸比	采用基于相似性的深度学习框架，无需真实标注的显微镜图像，仅使用合成生成的类SEM图像训练CNN，实现颗粒尺寸的隐式编码和相对排序	未明确提及框架在处理极端复杂形态或高度聚集颗粒时的具体局限性	开发一种无需显式分割的颗粒尺寸排名和估计方法，以简化纳米材料研究中的尺寸分析	扫描电子显微镜（SEM）图像中的纳米颗粒	计算机视觉	NA	扫描电子显微镜（SEM）成像	CNN	图像	未明确指定具体样本数量，仅提及使用合成生成的类SEM图像和真实SEM数据集进行评估	未明确指定，可能为TensorFlow或PyTorch等	未明确指定具体架构，仅提及卷积神经网络（CNN）	排名性能、视觉一致性	未明确指定
224	2026-03-31	DeepMIF: A Multiview Interactive Fusion-Based Deep Learning Method for RNA-Small Molecule Binding Affinity Prediction 2026-Mar-25, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02946 PMID:41879212	研究论文	本文提出了一种基于多视图交互融合深度学习框架DeepMIF，用于预测RNA与小分子的结合亲和力	提出了一种新颖的多视图交互融合范式，通过多头交叉注意力网络与融合值向量，将注意力过程从简单信息检索转变为智能信息合成，动态构建跨模态共享值向量	NA	准确预测RNA与小分子的结合亲和力，以支持RNA靶向药物发现	RNA与小分子复合物	机器学习	NA	RNA序列分析，小分子特征提取	深度学习	序列数据，图数据	1439个RNA-小分子对	NA	多头交叉注意力网络	Pearson相关系数，均方根误差	NA
225	2026-03-31	Identifying key convection-sensitive oceanic regions to weaken the ENSO spring predictability barrier 2026-Mar-24, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2512725123 PMID:41838918	研究论文	本文通过引入海表温度范围指数（SRI）识别对对流变化最敏感的关键海洋区域，以减弱ENSO的春季可预报性障碍（SPB）	提出了海表温度范围指数（SRI）来量化有利于对流的SST空间范围，并识别出东中太平洋和东大西洋的关键对流敏感区域，这些区域通过调节沃克环流增强Bjerknes反馈，从而缓解SPB	NA	减弱厄尔尼诺-南方涛动（ENSO）的春季可预报性障碍（SPB），提高春季预测能力	ENSO现象及其春季可预报性障碍（SPB），重点关注对流敏感的海洋区域	机器学习	NA	海表温度（SST）分析，深度学习建模	LSTM	海表温度数据，气候指数数据	NA	NA	LSTM	预测技能（与动力和统计模型平均相比）	NA
226	2026-03-31	Dual-encoder contrastive learning accelerates enzyme discovery 2026-Mar-24, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2520070123 PMID:41843673	研究论文	本文提出了一个名为Dual-encoder contrastive learning的计算高效深度学习框架，用于大规模反应-酶推荐，并通过实验验证其在酶发现中的有效性	首次将双编码器对比学习框架大规模应用于酶发现，并通过全面的实验验证其在真实世界场景中的有效性，包括孤儿反应、酶混杂性和非天然生化反应	在代表性不足的反应类别上性能仍有提升空间，需要更多样化的反应数据集进行训练	加速酶发现过程，解决酶工程中寻找合适起始蛋白质的关键瓶颈	酶（蛋白质）与化学反应	机器学习	NA	反应指纹、蛋白质语言模型	深度学习、对比学习	化学反应数据、蛋白质序列数据	数百万个反应-酶对	NA	双编码器对比学习框架	Top-100命中率	NA
227	2026-03-31	Orthogonal disentanglement of single-cell multi-omics reveals private and shared drivers of tissue development and pathogenesis 2026-Mar-24, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2519870123 PMID:41849387	研究论文	本文提出了一种名为OmiDos的深度学习框架，用于从单细胞多组学数据中分离组学特异性和组间共享的潜在变量，以揭示组织发育和发病机制的驱动因素	开发了OmiDos框架，通过私有-共享成分分析正交解耦多组学数据中的私有和共享信号，并采用模块化架构支持对抗学习和最大均值差异正则化，以最小化对生物变异性的干扰	未明确提及具体限制，但可能涉及数据对齐和模型泛化性方面的挑战	整合分析单细胞多组学数据，以表征正常组织功能和疾病进展中的基因表达和调控动态	单细胞多组学数据，包括基因表达和调控信息	机器学习	髓母细胞瘤	单细胞多组学技术	深度学习	多组学数据	NA	NA	NA	聚类准确性，批次效应校正，错位解析	NA
228	2026-03-31	Peptide-protein docking: from physics-based models to generative intelligence 2026-Mar-24, Chemical communications (Cambridge, England) DOI:10.1039/d6cc00583g PMID:41873490	综述	本文综述了从基于物理的模型到生成智能的肽-蛋白质对接方法的发展	从传统的搜索-评分流程转向基于深度学习的流程，包括预测肽结合区域、基于AlphaFold的协议和深度生成模型	训练数据有限，对长、无序或化学修饰肽的性能较弱	改进肽-蛋白质复合物结构预测，以指导治疗剂设计	肽-蛋白质相互作用	机器学习	NA	NA	深度学习, 生成模型	结构数据	NA	NA	AlphaFold	准确性, 适用性	NA
229	2026-03-31	Graph-Based Classification with GNN-Explainer for Predicting Cardiac Toxicity Associated with Multi-Ion Channel Blockers 2026-Mar-24, Chemical research in toxicology IF:3.7Q2 DOI:10.1021/acs.chemrestox.5c00369 PMID:41875377	研究论文	本研究开发了一种基于图神经网络的深度学习框架，用于预测多离子通道阻断剂的心脏毒性	整合了Kv11.1、Cav1.2和Nav1.5三种关键离子通道的抑制数据，克服了现有模型仅依赖Kv11.1数据的局限性，并利用GNNExplainer提供可解释的原子和键级贡献可视化	NA	开发一个深度学习框架，以更全面地评估药物开发中的心脏毒性风险	药物分子（特别是多离子通道阻断剂）	机器学习	心血管疾病	深度学习，图神经网络	GNN	分子图数据	总计38,905个分子（Kv11.1: 34,124个，Cav1.2: 1,564个，Nav1.5: 3,217个）	PyTorch	GNN	准确率	NA
230	2026-03-31	Improving hERG Cardiotoxicity Prediction via SMILES Transformer, Molecular Fingerprints, and Layer-Wise Self-Adaptive Graph Attention Network 2026-Mar-24, ACS omega IF:3.7Q2 DOI:10.1021/acsomega.5c10745 PMID:41908382	研究论文	本文提出了一种名为TDMFLSGAT的多模态深度学习模型，用于预测药物分子对hERG钾通道的阻断作用，以评估其心脏毒性风险	提出了一种新颖的多模态架构，整合了SMILES序列的Transformer编码、基于图的自适应注意力机制以及多种分子指纹，并引入了多模态可解释性框架	未明确说明模型在外部验证集上的泛化能力，也未详细讨论计算成本	开发可靠的计算筛选工具，以预测药物分子对hERG钾通道的阻断作用，从而评估其心脏毒性风险	药物分子（药物样分子）	机器学习	心血管疾病	NA	Transformer, GAT（图注意力网络）	分子结构数据（SMILES字符串，分子图，分子指纹）	未明确说明具体样本数量，使用了5折交叉验证	NA	Transformer, Layer-Wise Self-Adaptive Graph Attention Network	准确率, AUC, 平均精度, 灵敏度, 特异性, 阴性预测值, 阳性预测值, 马修斯相关系数	NA
231	2026-03-31	Structure-Based and AI-Assisted Identification of AGPS Inhibitors for Glioma via Integrated Docking, Molecular Dynamics, and Binding Affinity Screening 2026-Mar-24, ACS omega IF:3.7Q2 DOI:10.1021/acsomega.5c09368 PMID:41908407	研究论文	本研究提出了一种基于结构和人工智能辅助的集成流程，用于识别针对胶质瘤靶点AGPS的可再利用候选药物	开发了一个特征驱动的AI集成管道，结合了深度学习模型、图神经网络、分子对接、分子动力学模拟以及混合深度学习模型（3D CNN与多层感知器），用于系统性地识别针对多种癌症的可成药靶点的候选药物	研究主要针对胶质瘤和AGPS靶点进行验证，尚未在其他癌症类型或靶点上进行广泛测试	旨在解决癌症药物发现中的瓶颈，通过AI辅助方法加速可再利用候选药物的识别	胶质瘤及其关键靶点烷基甘油酮磷酸合酶（AGPS）	机器学习	胶质瘤	深度学习，图神经网络，分子对接，分子动力学模拟	深度学习模型，图神经网络，3D卷积神经网络，多层感知器	化合物结构数据，分子动力学轨迹数据	从Life Chemicals高通量筛选数据库中筛选了超过576,510种化合物	NA	3D CNN，多层感知器，图神经网络	AUC	NA
232	2026-03-31	Tissue morphology predicts telomere shortening in human tissues 2026-Mar-23, Cell reports methods IF:4.3Q2 DOI:10.1016/j.crmeth.2026.101336 PMID:41844165	研究论文	本文提出了一个名为TLPath的深度学习框架，能够从常规组织病理学图像中提取的组织形态学特征预测整体组织的端粒长度	首次提出通过组织形态学特征预测端粒长度的深度学习框架，无需明确年龄监督即可检测衰老引起的组织结构变化，并发现形态学特征在预测端粒长度方面优于实际年龄	研究基于组织切片图像，可能无法完全反映体内三维组织结构的复杂性；模型在部分组织类型中的预测性能可能存在差异	开发能够从组织形态学预测端粒长度的深度学习模型，探索衰老与组织形态变化的关系	人类组织样本（来自919名个体和18个器官）	数字病理学	衰老相关疾病	组织病理学成像（H&E染色）	深度学习	图像（全切片数字病理图像）	超过5,000张全切片图像，来自919名个体和18个器官；在约2,800个GTEx活检样本中验证	NA	NA	相关系数（r=0.51）	NA
233	2026-03-31	Assessing the Performance of BioEmu in Understanding Protein Dynamics 2026-Mar-23, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms27062896 PMID:41898756	研究论文	本文评估了基于深度学习的蛋白质构象生成模型BioEmu在多个蛋白质动力学相关任务中的性能	首次系统性地评估了序列驱动的生成模型BioEmu在蛋白质动力学研究中的能力与局限，明确了其在构象分布和能量权重方面的不足	BioEmu无法预测突变引起的构象分布变化，在某些情况下偏好高能构象而非低能构象，且生成的构系对整体对接的改进有限	评估基于深度学习的序列生成模型在蛋白质动力学研究中的应用潜力与局限性	蛋白质构象与动力学特性	机器学习	NA	深度学习，分子动力学模拟	生成模型	蛋白质序列	NA	NA	BioEmu	残基灵活性，运动相关性，局部残基接触，构象分布预测，能量权重准确性	NA
234	2026-03-31	Artificial Intelligence in Asthma and COPD: Current Status and Future Potential 2026-Mar-23, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm15062445 PMID:41899367	综述	本文综述了人工智能在哮喘和慢性阻塞性肺疾病（COPD）中的应用现状与未来潜力	系统总结了AI在哮喘和COPD诊断、表型分型、风险分层及监测中的最新应用，并探讨了其在慢性呼吸系统疾病管理中的整合前景	依赖现有文献的叙述性综述，可能未涵盖所有最新研究；AI工具在常规临床实践中的安全实施仍需进一步验证和透明度	探索人工智能在哮喘和COPD等慢性呼吸系统疾病中的应用证据及临床整合潜力	哮喘和慢性阻塞性肺疾病（COPD）患者	机器学习	哮喘, 慢性阻塞性肺疾病	NA	NA	临床记录、影像数据、数字健康数据	NA	NA	NA	NA	NA
235	2026-03-31	The Current Landscape of Artificial Intelligence in Positron Emission Tomography (PET) Imaging Across the Cancer Continuum 2026-Mar-23, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm15062446 PMID:41899368	综述	本文综述了人工智能在癌症连续体中正电子发射断层扫描（PET）成像的当前应用现状	整合了深度学习、放射组学和重建技术，将PET从成像模态转变为预测治疗反应和指导治疗的平台	大多数AI PET研究是回顾性、单中心、样本量小，外部验证有限，标准化不一致，导致可重复性差和性能估计偏高	探讨人工智能在肿瘤学PET成像中的应用，以优化PET模态并克服其限制	PET扫描在肿瘤学诊断和治疗中的应用	数字病理	癌症	PET成像	深度学习	图像	NA	NA	NA	NA	NA
236	2026-03-31	Enhanced Lateral Resolution in Acoustic Imaging: From High- to Super-Resolution 2026-Mar-23, Sensors (Basel, Switzerland) DOI:10.3390/s26061992 PMID:41902160	综述	本文系统性地总结了克服声学成像（尤其是超声）横向衍射极限分辨率的最新进展，并对未来研究方向提出了建议	系统性地比较了从传统聚焦技术到基于深度学习的算法优化等多种提升横向分辨率方法的差异与优缺点，并提出了未来研究的清晰方向	NA	克服声学成像的横向衍射极限分辨率限制，提升成像质量	声学成像（尤其是超声成像）技术	医学影像分析	NA	声学成像，超声	NA	声学信号/图像	NA	NA	NA	NA	NA
237	2026-03-31	Explicit Features Versus Implicit Spatial Relations in Geomorphometry: A Comparative Analysis for DEM Error Correction in Complex Geomorphological Regions 2026-Mar-23, Sensors (Basel, Switzerland) DOI:10.3390/s26061995 PMID:41902163	研究论文	本研究比较了显式特征工程与隐式空间关系在复杂地貌区域DEM误差校正中的性能，评估了几何深度学习与特征工程范式的优劣	揭示了在稀疏高程监督下，几何深度学习模型（如GNN）相比系统优化的特征工程方法（如XGBoost）未表现出显著精度优势，并提出了“物理优先”的范式	研究基于稀疏高程数据（平均间距约485米），可能限制了模型在更高分辨率地形中的表现，且仅在中国四川省进行了验证	评估在稀疏高程监督约束下，几何深度学习是否比传统特征工程范式在DEM误差校正中带来性能提升	全球数字高程模型（DEM）产品，包括ALOS World 3D、Copernicus DEM、SRTM GL1和TanDEM-X	机器学习	NA	高程采样、特征工程	GNN, XGBoost	高程数据、地形特征	使用中国四川省作为代表性自然实验室，涉及四个主流DEM产品	NA	混合GNN模型	RMSE	NA
238	2026-03-31	Enhanced Multi-Scale Defect Detection in Steel Surfaces via Innovative Deep Learning Architecture 2026-Mar-23, Sensors (Basel, Switzerland) DOI:10.3390/s26062001 PMID:41902169	研究论文	本研究提出了一种创新的深度学习架构CTG-YOLO，用于增强钢铁表面多尺度缺陷检测的准确性	通过集成CBY并行网络结构、TFF-PANet颈部网络和GS-Head检测头，模型实现了卓越的特征提取和融合能力	NA	提高钢铁表面缺陷检测的准确性和效率	钢铁表面缺陷	计算机视觉	NA	深度学习	YOLO	图像	NEU-DET和GC10-DET数据集	NA	CTG-YOLO, YOLOv8s	平均精度均值(mAP)	NA
239	2026-03-31	An attention fusion of Fourier-analysis-based transformer and CNN-BiLSTM for coastal inorganic nitrogen concentration forecasts 2026-Mar-23, Water research IF:11.4Q1 DOI:10.1016/j.watres.2026.125798 PMID:41904912	研究论文	提出一种名为AFTB的新型深度学习架构，用于沿海无机氮浓度的多步预测	通过注意力机制融合傅里叶增强的Transformer与CNN-BiLSTM网络，并引入对数变换和改进的损失函数处理数据偏斜	NA	提高沿海无机氮浓度预测的准确性和鲁棒性	中国广西九个浮标站的沿海无机氮浓度数据	机器学习	NA	深度学习	Transformer, CNN, BiLSTM	时间序列数据	九个浮标站的数据	NA	傅里叶增强Transformer, CNN-BiLSTM	准确性, 鲁棒性, 推理速度	NA
240	2026-03-31	A Systematic Literature Review of You Only Look Once Architectures (v1-v12) in Healthcare Systems 2026-Mar-22, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16060935 PMID:41897668	系统综述	本文系统回顾了从YOLOv1到YOLOv12在医疗系统中的演进与应用	首次对YOLO系列算法（v1-v12）在医疗诊断应用中的演变进行系统性综述，总结了其在性能提升与架构优化方面的趋势	存在可解释性不足、跨机构泛化能力有限以及在边缘设备上部署的挑战	评估YOLO系列算法在医疗图像分析任务中的演进、应用效果与性能	应用于医疗成像任务的YOLO模型，包括疾病检测、病变识别及临床程序支持	计算机视觉	NA	深度学习，计算机视觉	YOLO系列（v1至v12）	图像	NA	NA	YOLOv1, YOLOv2, YOLOv3, YOLOv4, YOLOv5, YOLOv6, YOLOv7, YOLOv8, YOLOv9, YOLOv10, YOLOv11, YOLOv12	平均精度, 准确率, 推理时间, 计算效率	NA