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 45506 篇文献，本页显示第 241 - 260 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 241 | 2026-06-08 |
Machine learning and deep learning for neurological disease analysis: A systematic review across five major disorders
2026-Jun-05, Neuroscience
IF:2.9Q2
|
综述 | 系统综述了2021年1月至2026年3月间机器学习与深度学习在五种主要神经系统疾病（阿尔茨海默病、卒中、帕金森病、脑肿瘤和创伤性脑损伤）分析中的应用 | 总结新兴范式（联邦学习、自监督学习、基础模型）应对数据稀缺、隐私和跨机构差异，指出高性能Transformer模型在阿尔茨海默诊断中的突破及多模态融合改进帕金森检测 | 泛化性、可解释性和临床转化方面仍存在挑战，需更稳健且临床可靠的AI系统 | 综合评估近期ML/DL在神经系统疾病影像、临床、生理和可穿戴数据分析中的应用进展 | 来自PubMed、Scopus和Web of Science数据库的206篇相关文章 | 机器学习 | 神经系统疾病 | NA | 卷积神经网络、编码器-解码器、Transformer、混合模型、多模态模型 | 影像、临床、生理、可穿戴数据 | 206篇研究文章 | NA | 卷积神经网络、编码器-解码器、Transformer、混合模型、基础模型 | NA | NA |
| 242 | 2026-06-08 |
Deep learning-based water body extraction using high-resolution RGB-UAV imagery: a case study on Horseshoe Island, Antarctica
2026-Jun-03, Environmental monitoring and assessment
IF:2.9Q3
DOI:10.1007/s10661-026-15519-3
PMID:42234036
|
研究论文 | 利用深度学习从高分辨率RGB无人机影像中提取南极马蹄岛水体 | 首次系统比较六种先进语义分割架构在RGB无人机影像南极水体提取中的表现，并验证了模型在不同空间分辨率及复杂海岸线条件下的泛化能力 | 未提及数据集规模较小、未考虑跨季节变化、未与多光谱数据结合 | 评估深度学习模型在极地高分辨率RGB无人机影像中提取水体的可行性，建立可扩展的水体监测框架 | 南极马蹄岛的沿海水体，包括大型湖泊区域和复杂海岸线区域 | 计算机视觉 | NA | 无人机遥感 | 语义分割模型 | RGB影像 | 287张RGB无人机影像 | PyTorch | U-Net++, DeepLabv3+, MA-Net, SegFormer, ConvNeXt, DINOv3 | 交并比, 总体准确率 | NA |
| 243 | 2026-06-08 |
pedQTNet: A Deep Learning Approach to Estimate Corrected QT Intervals from Multi-Lead Conventional ECG Waveforms in Pediatric Patients
2026-Jun-03, Journal of medical systems
IF:3.5Q2
DOI:10.1007/s10916-026-02386-1
PMID:42234295
|
研究论文 | 开发并评估了pedQTNet，一种用于从多导联常规心电图波形估计儿童校正QT间期并检测长QT综合征的深度学习模型 | 首次提出专门针对儿科患者的深度学习模型pedQTNet，用于从原始心电图波形直接估计QTc并检测LQTS，性能优于商用算法并与专家水平相当 | 未在更大规模的多中心数据或不同心电图机上进行验证，且模型在极低体重或早产儿中的表现有待进一步评估 | 开发一种自动化工具，帮助非心律专家准确测量儿童QTc并筛查LQTS，提高儿科心脏护理的可及性和效率 | 0-18岁儿科患者的心电图数据 | 深度学习 | 长QT综合征 | 心电图 | 深度神经网络 | 心电图波形 | 37,992名患者共65,370份心电图，以及200份前瞻性心电图 | PyTorch | NA | 平均绝对误差, 灵敏度, 特异度, 阳性似然比, 阴性似然比 | NA |
| 244 | 2026-06-08 |
Deep learning for predicting cardiac procedure outcomes: A scoping review of recent advances
2026-Jun-03, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2026.103463
PMID:42250347
|
综述 | 总结基于深度学习的四种主要心脏手术（PCI、CABG、AVR和二尖瓣成形术）术后结果预测的最新进展 | 首次对深度学习在心脏手术结果预测中的应用进行系统综述，涵盖多种数据类型（文本、影像、信号）及多模态融合方法 | 所有纳入研究均缺乏外部验证，可推广性、可解释性和临床整合仍面临挑战 | 评估深度学习在心脏手术预后预测中的潜力及其与传统机器学习方法的对比 | 经皮冠状动脉介入、冠状动脉搭桥术、主动脉瓣置换术和二尖瓣成形术相关研究 | 机器学习 | 心血管疾病 | 深度学习 | DL模型 | 文本、影像、信号 | 9篇纳入研究（来自457篇检索文献） | NA | NA | 性能指标因数据类型而异 | NA |
| 245 | 2026-06-08 |
Artificial intelligence applications using patient-generated health data for pre-care processes in elective healthcare: a systematic review
2026-Jun-03, International journal of medical informatics
IF:3.7Q2
DOI:10.1016/j.ijmedinf.2026.106525
PMID:42250455
|
系统综述 | 系统综述了人工智能在择期医疗预诊流程中利用患者生成健康数据的应用 | 首次系统梳理了AI、患者生成健康数据与预诊流程三者交叉领域的研究现状，并综合评估了技术、临床、运营、用户体验和公平性等多维度结果 | 95%的研究存在高偏倚风险，仅6%进行了外部验证，仅一项研究测量了临床结局，公平性评估仅占14%，无研究证明患者获益或描述临床部署 | 绘制AI方法和患者生成健康数据模态的图谱，综合多维度结果，识别部署障碍和报告空白 | 利用患者生成健康数据的AI应用，用于支持择期医疗预诊流程（如分诊、症状评估、病史采集） | 自然语言处理, 机器学习 | NA | NA | 经典机器学习, 深度学习, 大型语言模型 | 自由文本, 问卷, 录音, 可穿戴设备数据, 图像 | 21项研究 | NA | NA | AUC (0.64-0.98，中位数0.78) | NA |
| 246 | 2026-06-08 |
Overrepresentation Bias Leads to Performance Overestimation in Blood-Brain Barrier Permeability Prediction Models: Characterization and Mitigation
2026-Jun-02, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c02891
PMID:42226621
|
研究论文 | 本研究揭示了血脑屏障渗透性预测模型中因过度呈现偏差导致的性能高估现象，并提出了检测与缓解方法 | 首次系统表征了药物数据库中的过度呈现偏差对血脑屏障渗透性预测模型性能评估的夸大影响，并提出了自动检测算法和偏差感知数据处理流程 | 未提供全文信息，但根据摘要可推断可能未完全消除所有偏差来源或未在其他类型数据库验证 | 研究并解决药物性质预测模型中因过度呈现偏差导致的性能高估问题 | 血脑屏障渗透性预测模型中的过度呈现偏差现象 | 机器学习 | 神经疾病（涉及血脑屏障渗透性） | NA | 深度学习模型 | 分子性质数据（药物化合物数据） | NA | NA | NA | AUC，宏观F1分数 | NA |
| 247 | 2026-06-08 |
Specific-Source Insights into Changes of O3 Concentrations and Health Risks in China
2026-Jun-02, Environmental science & technology
IF:10.8Q1
DOI:10.1021/acs.est.6c01808
PMID:42226704
|
研究论文 | 开发了结合深度学习模型与源导向CMAQ模型的集成框架，用于重构2005-2020年中国O3浓度并将其归因于不同来源，评估健康风险 | 首次将深度学习模型与源导向空气质量模型耦合，突破了传统方法在精细尺度上归因源贡献的局限，揭示了O3浓度来源在时空异质性及健康影响之间的显著不对等关系 | NA | 量化中国不同来源对臭氧浓度的贡献并评估相应的健康风险，为制定面向健康、来源特定的臭氧管理策略提供科学依据 | 2005-2020年中国大气臭氧浓度及其来源贡献和健康风险 | 机器学习 | 呼吸系统疾病 | NA | 深度学习模型 | 时间序列数据、空间分布数据 | 2005-2020年的臭氧浓度数据 | NA | 深度学习模型 | NA | NA |
| 248 | 2026-06-08 |
Concerted Electron-Ion Transport by Polyacrylonitrile Elucidated with Reactive Deep Learning Potentials
2026-Jun-02, Journal of the American Chemical Society
IF:14.4Q1
DOI:10.1021/jacs.6c05078
PMID:42227688
|
研究论文 | 利用反应性深度学习势能阐明聚丙烯腈中协同电子-离子传输的机制 | 首次通过深度学习势能模拟非平衡反应性PAN构型，揭示了亲核攻击引发的锂耦合电子转移及环化反应动力学 | 模拟未考虑聚合物链间相互作用及更复杂电解液环境的影响 | 研究PAN在电池中作为离子导体的协同电荷传输机制 | 聚丙烯腈（PAN）聚合物构型与Li⁺的相互作用 | 机器学习 | NA | 深度学习势能、红外光谱（IR）、核磁共振（NMR） | 深度学习势能（Deep Potential） | 分子结构数据（PAN构型能与力） | 非平衡反应性PAN构型（具体数量未提及） | DeepMD-kit | 深度神经网络势能 | 反应自由能、反应速率、电荷分析 | GPU（具体型号未提及） |
| 249 | 2026-06-08 |
AI-Driven Design and Clinical Translation of Nucleotide-Peptide and Peptide-Drug Conjugates
2026-Jun-02, ACS biomaterials science & engineering
IF:5.4Q2
DOI:10.1021/acsbiomaterials.6c00187
PMID:42228500
|
综述 | 本文综述了核苷酸-肽偶联物和肽-药物偶联物的设计进展、临床转化现状及人工智能驱动下的优化策略 | 系统整合了人工智能与深度学习技术用于预测肽-药物相互作用、优化连接子和虚拟筛选生物活性支架，重新定义了精准治疗药物的研发流程 | 未充分讨论体内稳定性与生物活性长期维持的实际验证案例，且对大规模合成可扩展性的技术瓶颈分析不够深入 | 加速核酸-肽偶联物和肽-药物偶联物从理论到临床转化的进程，并提升其选择性、稳定性和可转化性 | 核苷酸-肽偶联物与肽-药物偶联物的设计原理、偶联化学策略及临床应用（如癌症、神经退行性疾病、炎症性疾病） | 自然语言处理 | 癌症, 神经退行性疾病, 炎症性疾病 | 共价连接（如氨基酰化、硫醇氧化）、非共价相互作用（如配体-受体结合）、人工智能辅助的预测建模 | 深度学习 | 文本 | NA | NA | NA | NA | NA |
| 250 | 2026-06-08 |
From Empirical Ratio Tuning to Mechanistic Insight: Decoding NiO-ZnO Heterojunction Effects in Gas Sensing via Explainable Machine Learning
2026-Jun-02, ACS sensors
IF:8.2Q1
DOI:10.1021/acssensors.6c00675
PMID:42228598
|
研究论文 | 通过可解释机器学习解码NiO-ZnO异质结在气体传感中的比例效应机制 | 将可解释人工智能（SHAP和特征交互网络）与深度学习多任务框架结合，揭示NiO-ZnO复合比例对气体传感性能的非线性调控机制，突破传统经验性比例优化范式 | NA | 阐明NiO-ZnO复合比例对气体传感性能的调控机制，建立材料组成、响应特征演化与气体识别能力之间的内在联系 | 七种不同摩尔比例的NiO-ZnO基气体传感器及六种代表性挥发性有机化合物 | 机器学习 | NA | NA | 深度学习多任务网络 | 气体传感器响应数据 | 七种不同摩尔比例的NiO-ZnO传感器，每种传感器对六种VOC进行测试 | NA | 深度学习多任务网络、SHAP可解释性分析、特征交互网络、UMAP | 气体种类分类准确率、浓度回归误差、响应特性、灵敏度、稳定性 | NA |
| 251 | 2026-06-08 |
MEG-mod: A Multiview Enhanced Graph Neural Network for Knockdown Efficiency Prediction of Chemically Modified siRNA
2026-Jun-02, Journal of medicinal chemistry
IF:6.8Q1
DOI:10.1021/acs.jmedchem.6c00411
PMID:42228641
|
research paper | 提出MEG-mod，一个多视图增强图神经网络框架，用于预测化学修饰siRNA的敲低效率 | 整合文献阅读代理、手动整理和公共数据库资源构建扩展数据集，并采用结构感知的Transformer图神经网络联合建模序列上下文、理化性质、化学修饰特征和双链结构关系，同时通过修饰碱基融合模块建模上下文依赖的修饰效应 | 未在摘要中明确说明局限性 | 开发一个深度学习框架准确预测化学修饰siRNA的敲低效率，以辅助合理设计 | 化学修饰的siRNA分子 | machine learning | NA | 深度学习 | 图神经网络 | 序列数据、结构数据、理化性质数据 | 通过整合文献、手动整理和公共数据库构建了扩展数据集，但未给出具体样本数量 | PyTorch | Transformer, 图神经网络 | Pearson相关系数 | NA |
| 252 | 2026-06-08 |
Efficient FPGA accelerator for low-power high-speed BCI motor imagery classification using novel deep learning
2026-Jun-02, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2026.109105
PMID:42250530
|
研究论文 | 提出一种结合少样本学习与双注意力机制的SqueezeNet深度学习模型，并设计高效FPGA加速器，用于低功耗高速运动想象脑电信号分类 | 1) 首次将少样本学习与双注意力机制结合到SqueezeNet中，提升小样本和未见数据的分类精度；2) 设计基于双核DPU和双缓冲方案的低功耗硬件加速器，功耗仅12.14W，推理时间5.01ms，比CPU和GPU分别降低4.8倍和6.3倍 | 未提及对噪声鲁棒性的具体分析及模型在真实复杂环境下的验证情况 | 实现运动想象脑电信号的高精度、低功耗、高速分类，适用于边缘设备实时部署 | 脑电信号中的运动想象任务分类 | 机器学习 | NA | 脑电图 | SqueezeNet、双注意力机制、少样本学习 | 脑电信号 | BCI Competition IV 2a数据集（具体样本数未提及），以及其他公共数据集 | NA | FSL-Dual Attention-based SqueezeNet | 准确率 | FPGA硬件加速器（双核DPU，双缓冲方案），CPU，GPU（功耗对比） |
| 253 | 2026-06-08 |
Virtual fluorescent labeling of engineered vascular networks with embedded tracer particles
2026-Jun, Acta biomaterialia
IF:9.4Q1
DOI:10.1016/j.actbio.2026.04.059
PMID:42097439
|
研究论文 | 开发了一种深度学习虚拟标记方法，能从无标记图像中恢复细胞核、细胞骨架和内皮荧光，用于工程化血管网络的纵向研究 | 首次在厚三维共培养系统中实现多通道荧光标记的虚拟预测，并对散射微珠具有鲁棒性，采用通道特定损失函数提升重建质量 | 未提及限制 | 实现无破坏性的实时定量分析工程组织中的微血管形态发生及细胞外基质力学 | 含2μm二氧化硅微珠的纤维蛋白水凝胶中三维共培养的人脐静脉内皮细胞和肺成纤维细胞 | 数字病理学, 计算机视觉 | 不适用 | 三维荧光成像, 明场成像 | 3D U-Net | 图像（明场和共焦荧光序列） | 三维纤维蛋白水凝胶中细胞共培养样本（具体数量未提及） | PyTorch | 3D U-Net | 均方误差, 结构相似性, 峰值信噪比, 相关性, Dice系数 | 未提及 |
| 254 | 2026-06-08 |
A deep learning multi-attention Bi-GRU framework for kcat prediction with segmentation-based insights
2026-Jun-01, Enzyme and microbial technology
IF:3.4Q2
DOI:10.1016/j.enzmictec.2026.110915
PMID:42250496
|
研究论文 | 提出了一种名为KcatNeuroCortex的深度学习框架，用于预测酶催化效率，该框架结合了双向门控循环单元（Bi-GRU）与多注意力机制，并通过基于分段的策略捕捉局部功能基序 | 创新性地将双向GRU与多注意力机制结合，模仿酶的工作方式；采用基于分段的策略捕捉局部功能基序，并整合为全局表示，提高了可解释性和预测准确性 | NA | 开发一个可解释且新颖的深度学习框架，用于准确预测酶催化效率（kcat），以解决酶序列数据增长快于测量催化常数的问题 | 酶序列的催化效率（kcat）预测 | 机器学习 | NA | NA | Bi-GRU | 序列数据 | NA | NA | Bi-GRU, 多注意力机制 | R², RMSE | NA |
| 255 | 2026-06-08 |
AWPAUNet: An advanced surrogate for real-time simultaneous modeling of multiple mechanical fields of soft tissues
2026-May-30, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2026.104146
PMID:42250383
|
研究论文 | 提出一种基于UNet的代理模型AWPAUNet，用于实时同步预测软组织在空间位移交互下的多力学场行为 | 引入并行注意力模块增强力学敏感区域特征提取，并采用自适应加权策略平衡不同数值尺度的力学场联合学习，解决多场同步建模中的主导效应问题 | NA | 实现软组织的实时同步多力学场建模，支撑手术仿真及相关医疗辅助应用 | 软组织 | 机器学习 | NA | NA | UNet | 力学场数据（位移、应力、反作用力） | NA | NA | Adaptive Weighted Parallel Attention UNet (AWPAUNet) | NA | NA |
| 256 | 2026-06-08 |
Deep Learning of Protein Structure and Physicochemical Properties from Two-Dimensional Infrared Spectra
2026-May-28, The journal of physical chemistry letters
IF:4.8Q1
DOI:10.1021/acs.jpclett.6c00969
PMID:42205032
|
研究论文 | 提出一个数据驱动的计算框架，通过二维红外光谱推断蛋白质结构表示和物理化学性质 | 首次建立从二维红外光谱到蛋白质结构距离图和多种理化性质的直接映射，利用大规模计算光谱数据集学习‘光谱-结构-性质’关系 | 结果基于模拟光谱，需要在实验二维红外光谱数据上进行进一步验证以评估实际应用性 | 建立从二维红外光谱定量推断蛋白质结构信息和物理化学性质的计算方法 | 蛋白质结构和物理化学性质（包括二级结构含量、回转半径、氢键计数和埋藏残基分数） | 机器学习 | NA | 二维红外光谱 | 深度学习 | 光谱数据 | 631,651个计算得到的二维红外光谱，来自静态蛋白质结构和分子动力学轨迹 | NA | NA | NA | NA |
| 257 | 2026-06-08 |
StruCloze: A Unified Framework for Backmapping and Inpainting Biomolecule Structures
2026-May-27, Journal of chemical theory and computation
IF:5.7Q1
DOI:10.1021/acs.jctc.6c00214
PMID:42202161
|
研究论文 | 提出了StruCloze，一个用于从粗粒化模型重建全原子结构以及填补缺失区域的深度学习框架，适用于蛋白质和核酸 | 首次统一处理多种粗粒化方案和生物分子类型的反向映射与结构补全，采用掩码学习策略实现跨方案泛化 | 论文标题和摘要中未明确提及局限性 | 从粗粒化模型重建原子级结构并填补生物分子结构中的缺失区域 | 蛋白质和核酸的粗粒化结构及结构缺失区域 | 机器学习 | NA | NA | 深度学习框架 | 分子结构数据（粗粒化表示及全原子结构） | NA | NA | NA | NA | NA |
| 258 | 2026-06-08 |
Unraveling Separation Mechanisms of Propanol Isomers and Water in LTA Zeolites via Deep Potential Molecular Dynamics
2026-May-23, Langmuir : the ACS journal of surfaces and colloids
IF:3.7Q2
DOI:10.1021/acs.langmuir.6c01184
PMID:42176278
|
研究论文 | 通过基于深度学习的分子动力学模拟，研究LTA沸石中丙醇异构体与水的分离机制 | 首次利用深度势能分子动力学模拟揭示水分子如何影响Na离子迁移并动态调控LTA沸石孔道，解释支链异丙醇比直链正丙醇扩散更快的反常现象 | NA | 探究LTA沸石膜中丙醇异构体（异丙醇和正丙醇）与水的分离机理 | 丙醇异构体（异丙醇和正丙醇）以及水分子在LTA型沸石中的扩散行为 | 机器学习 | NA | 深度势能分子动力学（DPMD）模拟 | 深度学习势能模型 | 分子动力学模拟轨迹数据 | NA | NA | 深度势能（Deep Potential）模型 | NA | NA |
| 259 | 2026-06-08 |
MultiSP deciphers tissue structure and multicellular communication from spatial multi-omics data
2026-May-13, Cell genomics
IF:11.1Q1
DOI:10.1016/j.xgen.2026.101141
PMID:41650976
|
研究论文 | MultiSP是一个深度学习框架，用于从空间多组学数据中解析组织结构与多细胞通讯 | 通过高效的空间与特征相似性融合、模态特异性概率生成模型和跨模态对抗学习，增强数据表征，优于现有方法捕捉生物学可解释的空间区域 | 数据稀疏性和噪声带来挑战，具体局限性未在摘要中明确说明 | 从空间多组学数据中解释复杂的组织结构与细胞通讯 | 空间多组学数据集，包括肿瘤微环境中的细胞分布 | 机器学习 | 肿瘤微环境相关疾病 | 空间多组学 | 深度学习框架 | 空间多组学数据 | NA | NA | NA | NA | NA |
| 260 | 2026-06-08 |
Label-free serum SERS combined with RFE-GBDT algorithm for non-invasive screening of liver cancer
2026-May-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
DOI:10.1016/j.saa.2026.127552
PMID:41662803
|
研究论文 | 利用无标记血清SERS联合RFE-GBDT算法实现肝癌非侵入性筛查 | 首次将递归特征消除（RFE）与梯度提升决策树（GBDT）算法结合应用于血清SERS数据，实现肝癌分期的高精度非侵入性诊断 | 样本量可能较小，需进一步在更大规模多中心临床队列中验证模型泛化能力 | 开发无创光学诊断方法用于肝癌早期筛查和分期识别 | 不同分期肝癌患者（T1、T2、T3）、乙肝患者及健康对照组的血清样本 | 机器学习 | 肝癌 | 表面增强拉曼光谱（SERS） | 梯度提升决策树（GBDT） | 光谱数据 | 肝癌早中晚期患者（T1、T2、T3各期）、乙肝病毒感染者及健康对照者血清样本，具体数量未明确说明 | NA | GBDT | 准确率 | NA |