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
2561	2026-01-14	CIRI-Deep Enables Single-Cell and Spatial Transcriptomic Analysis of Circular RNAs with Deep Learning 2024-04, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202308115 PMID:38308181	研究论文	本文介绍了CIRI-deep，一种基于深度学习的模型，用于从单细胞和空间转录组数据中全面预测环状RNA的调控	开发了首个能够处理单细胞和空间转录组数据的深度学习模型，专门用于环状RNA的全面分析和预测	未在摘要中明确说明	解决现有单细胞和空间转录组技术在有效分析环状RNA方面的局限性	环状RNA	自然语言处理	NA	RNA-seq	深度学习模型	RNA-seq数据	基于2500万个高置信度环状RNA调控事件的数据集	NA	NA	在测试集和留出数据上均表现出高性能	NA
2562	2026-01-14	A Novel Approach Utilizing Domain Adversarial Neural Networks for the Detection and Classification of Selective Sweeps 2024-04, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202304842 PMID:38308186	研究论文	本文提出了一种基于域对抗神经网络的域适应扫描检测与分类方法，用于改进选择性扫描的识别与分类	通过域对抗神经网络及其对抗学习模块，平衡两个域的分布对齐与分类性能，有效解决了深度学习模型中训练数据与真实基因组数据不匹配的问题	NA	提高选择性扫描的检测与分类性能，以增强对生物进化的理解，并为精准医学和遗传改良提供支持	选择性扫描	机器学习	NA	基因组数据分析	域对抗神经网络	基因组数据	NA	NA	域对抗神经网络	泛化能力、预测鲁棒性、准确性	NA
2563	2026-01-14	Predicting Single Neuron Responses of the Primary Visual Cortex with Deep Learning Model 2024-04, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202305626 PMID:38350735	研究论文	本文提出了一种用于预测小鼠初级视觉皮层（V1）单神经元对自然刺激响应的先进计算模型	该算法结合物体位置并集成多个具有不同训练-验证数据的模型，在跨被试预测中比现有模型提升了15%-30%，并在SENSORIUM 2022挑战赛中排名第一	NA	预测初级视觉皮层单神经元对自然刺激的响应，以帮助理解神经机制并应用于脑机接口等下一代技术	小鼠初级视觉皮层（V1）的单神经元	机器学习	NA	NA	深度学习模型	图像	基于数千张图像的数据集	NA	NA	预测准确率	NA
2564	2026-01-13	Applications of artificial intelligence-based conversational agents in healthcare: A systematic umbrella review 2026-Mar-01, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2025.106204 PMID:41337874	综述	本文对人工智能对话代理在医疗保健领域的应用进行了系统性的伞状综述	首次对AI对话代理在医疗保健领域的应用和有效性进行全面的全球性综合评估	难以就当前AI对话代理在医疗保健领域的整体有效性得出结论，且存在研究领域不平衡的问题	全面概述AI对话代理在医疗保健领域的当前应用及相关健康结果	2000年至2025年间发表的同行评审系统综述文章	自然语言处理	NA	深度学习	NA	文本	44篇综述文章	NA	NA	NA	NA
2565	2026-01-13	Spectral anomaly detection in physiological time-series data: A systematic review 2026-Mar-01, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2025.106212 PMID:41411902	系统综述	本文系统综述了机器学习在生理时间序列数据（特别是ECG和EEG频谱）中异常检测的应用方法及效果	通过系统综述比较了不同机器学习方法在生理频谱异常检测中的性能，并指出无监督Transformer模型在该领域表现最优	综述仅纳入了AUC、准确率或F1分数高于0.95的研究，可能遗漏了其他有价值但性能略低的方法	评估机器学习在生理时间序列频谱数据异常检测中的应用效果，并推荐最佳方法	ECG（心电图）和EEG（脑电图）的频谱数据	机器学习	心血管疾病	频谱分析	变分自编码器, 生成对抗网络, 扩散模型, Transformer, 孤立森林, 支持向量数据描述	时间序列数据	NA	NA	Transformer	AUC, 准确率, F1分数	NA
2566	2026-01-13	Prognostic Utility of a Deep Learning Radiomics Nomogram Integrating Ultrasound and Multi-Sequence MRI in Triple-Negative Breast Cancer Treated With Neoadjuvant Chemotherapy 2026-Feb, Journal of ultrasound in medicine : official journal of the American Institute of Ultrasound in Medicine IF:2.1Q2 DOI:10.1002/jum.70054 PMID:40920176	研究论文	本研究评估了整合超声和多序列MRI的深度学习放射组学列线图在预测接受新辅助化疗的三阴性乳腺癌患者生存、复发和转移方面的预后性能	开发了一种整合临床参数、超声和多序列MRI的深度学习放射组学列线图模型，用于三阴性乳腺癌患者的预后预测，并进行了多中心验证	回顾性研究设计，样本量相对较小（103例患者），且仅针对三阴性乳腺癌这一特定亚型	评估整合超声和多序列MRI的深度学习放射组学列线图在预测三阴性乳腺癌患者预后方面的性能	接受新辅助化疗的三阴性乳腺癌患者	数字病理学	乳腺癌	超声成像, 多序列磁共振成像	深度学习放射组学模型	二维超声图像, 三维MRI图像	103例患者（训练组72例，验证组31例）	NA	深度学习放射组学列线图	一致性指数	NA
2567	2026-01-13	Artificial Intelligence Deep Learning Ultrasound Discrimination of Cosmetic Fillers: A Multicenter Study 2026-Feb, Journal of ultrasound in medicine : official journal of the American Institute of Ultrasound in Medicine IF:2.1Q2 DOI:10.1002/jum.70079 PMID:41024593	研究论文	本研究利用基于YOLO架构的深度学习人工智能技术，通过超声图像对常见美容填充剂进行可靠鉴别	首次将人工智能深度学习应用于超声图像中美容填充剂的鉴别，填补了该领域的研究空白	对钙羟基磷灰石和聚甲基丙烯酸甲酯填充剂的识别性能较低且不一致，需要进一步优化	开发人工智能深度学习模型以在真实条件下通过超声图像准确鉴别不同类型的美容填充剂	超声图像中的美容填充剂，包括透明质酸、聚甲基丙烯酸甲酯、钙羟基磷灰石和硅油	计算机视觉	NA	超声成像	深度学习	图像	1432张来自6个国家14位医生收集的超声图像	NA	YOLO, YOLOv11	准确率, F1分数, 精确率, 召回率	NA
2568	2026-01-13	SSIF-Affinity: Multimodal Deep Learning of Sequence-Structure Features for Precise Protein-Protein Binding Affinity Prediction 2026-Jan-12, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c01734 PMID:41392472	研究论文	提出一种名为SSIF-affinity的多模态深度学习框架，用于高精度预测蛋白质-蛋白质复合物的结合亲和力	创新性地结合了结合界面定位与几何约束区域构建、结构引导的跨模态注意力模块，以及全序列特征与结合区域结构特征的协同表示机制，有效平衡了界面相互作用与长程相互作用的贡献	未明确说明模型在更广泛的蛋白质-蛋白质相互作用类型上的泛化能力，以及计算效率的具体数据	实现蛋白质-蛋白质复合物结合亲和力的高精度定量预测，以辅助生物机制解析和治疗性抗体开发	蛋白质-蛋白质复合物，特别是抗体-抗原复合物	生物信息学，机器学习	NA	深度学习，多模态学习	CNN, LSTM, 注意力机制, MLP	序列数据，结构数据（结构图）	NA	NA	CNN, LSTM, 跨模态注意力模块, MLP	NA	NA
2569	2026-01-13	Discovery of Tetrahydroisoquinoline-Based SARS-CoV-2 Helicase Inhibitors with Iterative, Deep Learning-Enhanced Virtual Screening 2026-Jan-12, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02059 PMID:41400222	研究论文	本研究通过结合深度学习的虚拟筛选方法，发现了一系列基于四氢异喹啉的SARS-CoV-2解旋酶抑制剂	采用深度神经网络增强虚拟筛选，提高了21%的命中识别效率，并揭示了一种新型变构抑制机制	研究处于早期阶段，化合物需进一步验证其临床前和临床效果	针对SARS-CoV-2解旋酶进行基于结构的药物发现	SARS-CoV-2解旋酶（Nsp13）	机器学习	COVID-19	虚拟筛选，分子动力学模拟	深度神经网络	化学分子结构数据	NA	NA	深度神经网络	命中识别效率，选择性指数（CC/EC），抗病毒活性（EC）	NA
2570	2026-01-13	Toward Complete Molecular Structure Prediction from Infrared Spectroscopy Using Deep Learning 2026-Jan-12, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c01834 PMID:41403343	研究论文	本研究提出了一种基于深度学习的双损失架构，用于从红外光谱数据中预测完整的分子结构（以SMILES字符串表示）	采用受图像描述模型启发的双损失深度学习架构，首次从红外光谱直接预测完整分子结构，而非仅预测单个官能团	模型在未见测试集上仅能正确预测16.26%的完整结构，准确率有待提升	解决从红外光谱逆向解析完整分子结构的挑战，提升光谱分析在化学和医学等领域的应用能力	有机化合物的红外光谱数据及其对应的分子结构	机器学习	NA	量子力学密度泛函理论计算	深度学习	光谱数据	超过17,000个独特的红外光谱，其中测试集包含1,710个光谱	NA	受图像描述模型启发的双损失架构	完整结构预测准确率，官能团再生准确率	劳伦斯伯克利国家实验室的Lawrencium集群高性能计算资源
2571	2026-01-13	MambaTransDTA: A Hybrid Mamba-Transformer Architecture for Accurate Drug-Target Binding Affinity Prediction 2026-Jan-12, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02361 PMID:41406376	研究论文	提出了一种名为MambaTransDTA的新型混合模型，用于准确预测药物-靶点结合亲和力	首次将Mamba架构与Transformer架构相结合，以优化药物-靶点相互作用预测，通过结合Mamba捕获长程依赖的能力和Transformer对局部交互的建模，实现了更全面的亲和力估计	NA	提高药物-靶点亲和力预测的准确性、鲁棒性和泛化能力	药物-靶点相互作用	机器学习	NA	NA	混合模型	NA	NA	NA	Mamba, Transformer	均方误差	NA
2572	2026-01-13	LGABAN: An Integrated Multi-Scale Approach Combining Graph and Sequence Features for Enhanced Prediction of Drug-Protein Interactions 2026-Jan-12, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02364 PMID:41408656	研究论文	本文提出了一种名为LGABAN的新型深度学习框架，用于增强药物-蛋白质相互作用的预测，通过结合图特征和序列特征的多尺度方法	LGABAN框架通过双分支结构并行提取局部和全局特征，并利用双线性注意力网络整合四种特征对，同时引入多头图注意力网络增强药物图表示能力	NA	提高药物-靶标相互作用预测的准确性和可解释性，以缩短药物研发周期和降低成本	药物和蛋白质	机器学习	NA	深度学习	GAT, BAN	图数据, 序列数据	NA	NA	多头图注意力网络, 双线性注意力网络	NA	NA
2573	2026-01-13	AttentionScore: A Target-Specific, Bias-Aware Scoring Function for Structure-Based Virtual Screening: A Case Study on METTL3 2026-Jan-12, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02142 PMID:41435908	研究论文	本文提出了一种名为AttentionScore的深度学习评分函数，用于METTL3靶点的结构虚拟筛选，该函数整合了配体信息和蛋白质-配体相互作用信息，并通过相似性约束的数据划分方法进行偏差感知评估	开发了首个针对METTL3靶点的深度学习评分函数，采用多尺度融合模块耦合PLEC相互作用指纹和配体指纹，并设计了相似性约束的数据划分协议以最小化类比泄漏	研究仅针对METTL3单一靶点进行案例研究，未在其他靶点上验证方法的普适性	开发一种靶点特异性、偏差感知的评分函数，以改进结构虚拟筛选的准确性	METTL3靶点及其配体分子	机器学习	NA	结构虚拟筛选	深度学习	分子指纹数据（PLEC、Avalon/ECFP4）	未明确说明具体样本数量，但包含训练集和两个测试集（Set 1和Set 2）	未明确说明	多注意力编码器、联合自编码器潜在表示、多尺度融合模块	PR-AUC, 精确率, 召回率, F1分数, MCC	未明确说明
2574	2026-01-13	DeepMLP: A Proteomics-Driven Deep Learning Framework for Identifying Mis-Localized Proteins across Pan-Cancer 2026-Jan-12, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02226 PMID:41436377	研究论文	本文提出了一种名为DeepMLP的蛋白质组学驱动的深度学习框架，用于在泛癌中识别错误定位的蛋白质	通过交叉注意力机制构建通路感知的蛋白质表示，并结合动态蛋白质-蛋白质相互作用网络，协同增强识别潜在癌症错误定位蛋白质的能力	未明确说明	识别泛癌类型中的错误定位蛋白质，特别是错误定位的蛋白激酶，并探索其在肿瘤发生中的潜在生物学相关性	错误定位的蛋白质（MLPs），特别是蛋白激酶	机器学习	癌症	大规模质谱蛋白质组学数据	深度学习	蛋白质组学数据	未明确说明	未明确说明	图注意力网络（GAT），结合交叉注意力机制	准确性，稳定性	未明确说明
2575	2026-01-13	Chemprop v2: An Efficient, Modular Machine Learning Package for Chemical Property Prediction 2026-Jan-12, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02332 PMID:41453060	研究论文	介绍Chemprop v2，一个高效、模块化的机器学习软件包，用于化学性质预测	对Chemprop进行了全面重写，提高了速度、可扩展性和用户体验，支持多GPU训练，并增加了新功能和教程	未明确提及具体局限性	开发一个改进的软件包，用于分子性质预测，以支持计算化学设计	分子性质预测软件包	机器学习	NA	NA	D-MPNN	分子图	NA	NA	D-MPNN	NA	多GPU
2576	2026-01-13	SHIFT-DRP: Dynamic Multi-Scale Active Learning for Drug Response Prediction 2026-Jan-12, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02453 PMID:41392432	研究论文	本文提出了一种名为SHIFT-DRP的动态多尺度主动学习框架，用于药物反应预测，旨在通过智能选择药物-细胞系组合进行实验验证，以在有限资源下最大化模型性能提升	提出了一种动态采样策略，该策略从关注多样性的探索阶段过渡到以不确定性驱动的精炼阶段，确保了特征空间的广泛覆盖和模型在缺乏足够学习区域的针对性改进	未在摘要中明确说明	解决药物反应预测中，由于训练数据化学空间覆盖不足导致模型对新颖药物-细胞系组合预测能力有限的问题	药物-细胞系组合	机器学习	癌症	NA	深度学习模型	NA	在四个数据集上进行了评估	NA	使用预训练模型进行分子表示，并采用交叉注意力机制建模药物-细胞系相互作用	预测性能	NA
2577	2026-01-13	Advanced deep learning framework for breast cancer detection using digital breast tomosynthesis images 2026-Jan-12, Biomedizinische Technik. Biomedical engineering DOI:10.1515/bmt-2025-0011 PMID:41521204	研究论文	本文提出了一种基于深度学习的框架，利用数字乳腺断层合成图像进行乳腺癌检测	结合了单切片和多切片输入，采用拉普拉斯金字塔增强、特征融合、穷举特征选择以及集成学习（ResNet V2、MobileNet V3、Inception V3+与XGBoost）的混合模型，显著提升了诊断性能	未提及具体样本量或数据来源细节，未来需整合临床决策支持系统并扩展到多中心数据集及其他乳腺成像模态	通过深度学习框架提高乳腺癌的早期和准确检测能力	数字乳腺断层合成图像	计算机视觉	乳腺癌	数字乳腺断层合成	CNN, 集成学习	图像	NA	TensorFlow, PyTorch, Keras, Scikit-learn	ResNet V2, MobileNet V3, Inception V3+	准确率, 灵敏度, 特异性, AUC	NA
2578	2026-01-13	Proteolysis-targeting Chimera efficacy prediction using a deep-learning-QSP model 2026-Jan-12, Journal of cheminformatics IF:7.1Q1 DOI:10.1186/s13321-026-01152-2 PMID:41521293	研究论文	本研究提出了一种结合深度学习和定量系统药理学的集成计算建模框架，用于预测PROTAC分子的降解效力	首次将基于卷积神经网络的深度学习方法与机制性QSP模型相结合，用于预测PROTAC的关键药效参数，并引入补充深度神经网络调整模型参数以提高准确性	对最大降解率的预测准确性较低，可能由于当前数据集未能捕捉实验条件的变异性，且缺乏全面的结构数据	开发一种高效的计算方法来预测PROTAC分子的降解效力，以加速其发现和优化过程	PROTAC分子及其与靶蛋白和E3连接酶的结合亲和力	机器学习	NA	定量系统药理学，深度学习	CNN, 深度神经网络	化学和生化特征数据，实验验证的DC50和Dmax值	来自PROTAC-DB数据库的精选实验数据	NA	DeepCalici, Hook模型	预测准确性	NA
2579	2026-01-13	"Super-Resolution" Deep Learning Image Reconstruction in Dynamic Myocardial Perfusion: A Prospective Evaluation of Image Quality and Hemodynamic Parameters 2026-Jan-12, Journal of computer assisted tomography IF:1.0Q4 DOI:10.1097/RCT.0000000000001840 PMID:41521534	研究论文	本研究前瞻性评估了超分辨率深度学习重建（SR-DLR）在动态心肌CT灌注中对图像质量和血流动力学参数的影响	首次在动态心肌CT灌注中比较SR-DLR与传统重建方法（FBP、混合IR、NR-DLR）对图像质量和血流动力学参数的影响	单中心研究，样本量较小（25例患者），未评估长期临床结局	评估SR-DLR在动态心肌CT灌注中提升图像质量和保持血流动力学参数准确性的能力	25例接受动态心肌CT灌注的患者（平均年龄65±10岁，21名男性）	医学影像分析	心血管疾病	动态心肌CT灌注成像	深度学习重建模型	CT影像	25例患者	NA	超分辨率深度学习重建（SR-DLR），正常分辨率深度学习重建（NR-DLR）	图像噪声，信噪比（SNR），对比噪声比（CNR），整体图像质量，病变可见性，心肌血流量（MBF），冠状动脉血流储备（CFR）	NA
2580	2026-01-13	Artificial Intelligence Model for Automated Identification of Bowel Preparation for Colonoscopy (AI-PREPOO): A Multicenter Study 2026-Jan-12, Journal of gastroenterology and hepatology IF:3.7Q2 DOI:10.1111/jgh.70235 PMID:41521851	研究论文	本研究开发了基于深度学习的AI模型（AI-PREPOO），用于自动识别结肠镜检查前的肠道准备状态	首次利用智能手机拍摄的粪便图像，通过迁移学习开发了多个深度学习模型，实现了肠道准备状态的自动化评估	样本量较小（仅37名患者），且图像采集依赖于患者自行拍摄和上传，可能存在质量不一致的问题	开发自动化AI模型以评估结肠镜检查前的肠道准备充分性，减轻医疗提供者和患者的负担	结肠镜检查前的肠道准备状态	计算机视觉	NA	图像识别	CNN	图像	37名患者提供的282张粪便图像	NA	MobileNetV3-Small	AUC, 灵敏度, 特异度	NA