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
281	2026-02-07	Generation of multimodal realistic computational phantoms as a test-bed for validating deep learning-based cross-modality synthesis techniques 2026-Jan, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-025-03437-4 PMID:41015634	研究论文	提出一种利用计算体模生成逼真CT和MRI图像的新框架，用于验证基于深度学习的跨模态合成技术	利用生成的计算体模作为验证数据，为深度学习跨模态合成技术提供可靠的真实性测试平台	NA	验证基于深度学习的医学图像跨模态合成技术，特别是用于放射治疗的MRI到合成CT生成	计算体模生成的CT和MRI图像	医学影像	NA	计算体模生成，CycleGAN	GAN	图像	NA	NA	CycleGAN	直方图相关性，剂量学准确性	NA
282	2026-02-07	iDRKAN: Interpretable miRNA-Disease Association Prediction Based on Dual-Graph Representation Learning and Kolmogorov-Arnold Network 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3634550 PMID:41259182	研究论文	提出了一种基于双图表示学习和Kolmogorov-Arnold网络的可解释miRNA-疾病关联预测方法iDRKAN	结合双图表示学习（相似性视图和元路径视图）、多通道注意力机制、语义层注意力机制、对比学习策略以及可解释的Kolmogorov-Arnold网络，以捕获异构节点深层语义信息并提升模型可解释性	NA	准确预测miRNA与疾病之间的关联，以支持生物医学研究和临床应用	miRNA-疾病关联	生物信息学	NA	图表示学习，注意力机制，对比学习	图卷积网络，Kolmogorov-Arnold网络	图数据（相似性矩阵和关联矩阵）	两个公共数据集	NA	GCN, KAN	多个性能指标（未具体列出）	NA
283	2026-02-07	Spatial Hierarchical Protein-Protein Interaction Site Prediction Using Squeeze-and-Excitation Capsule Networks 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3638901 PMID:41325125	研究论文	本文提出了一种名为MSE-CapsPPISP的深度学习模型，用于预测蛋白质-蛋白质相互作用位点，通过考虑蛋白质序列特征的空间层次关系来提高预测性能	设计了基于胶囊网络的模型，利用向量神经元捕捉蛋白质序列特征的空间层次关系，并结合多尺度CNN和Squeeze-and-Excitation块增强特征表示	未在摘要中明确提及	开发计算方法来预测蛋白质-蛋白质相互作用位点，以补充耗时且易受噪声影响的生物实验	蛋白质序列及其相互作用位点	生物信息学	NA	深度学习	胶囊网络, CNN	蛋白质序列数据	NA	NA	MSE-CapsPPISP, Capsule Network, 多尺度CNN, Squeeze-and-Excitation块	F1, MCC, AUROC, AUPR	NA
284	2026-02-07	A Multi-Modal Contrastive Learning Framework for Cyclic Peptide Permeability Prediction 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3643437 PMID:41379908	研究论文	本文介绍了一个名为MCPerm的多模态深度学习框架，用于预测环肽的细胞膜渗透性	提出了一种新颖的模态共享和对比学习策略，协同整合了1D SMILES、2D拓扑和3D几何信息，并引入了基于注意力的可视化分析，使模型具有可解释性	NA	开发一个计算框架以准确预测环肽的细胞膜渗透性，加速细胞可渗透环肽药物的合理设计与发现	环肽分子	机器学习	NA	深度学习	Transformer, 对比学习	1D SMILES序列, 2D拓扑结构, 3D几何结构	NA	NA	图Transformer, 预训练肽语言模型	NA	NA
285	2026-02-07	DriverMONI: Cancer Driver Gene Prediction With Multimodal Deep Learning Integrating Multiomics Data and Condition-Specific Network Information 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3643887 PMID:41396756	研究论文	本文提出了一种名为DriverMONI的多模态深度学习方法，用于整合多组学数据和条件特异性网络信息以预测癌症驱动基因	利用条件特异性蛋白质-蛋白质相互作用子网络生成图注意力网络的输入图和节点属性，使模型具有条件特异性并提高预测准确性	未明确提及具体局限性	开发一种多模态深度学习方法，用于更准确地识别癌症驱动基因	癌症驱动基因	机器学习	癌症	多组学数据分析	图注意力网络	多组学数据、生物网络数据	NA	NA	图注意力网络	预测准确性	NA
286	2026-02-07	DeepNhKcr: Explainable Deep Learning Framework for the Prediction of Crotonylation Sites of Non-Histone Lysine in Plants Based on Pre-Trained Protein Language Model 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3643930 PMID:41396754	研究论文	本研究提出了一种名为DeepNhKcr的深度学习框架，用于预测植物非组蛋白赖氨酸的克罗托尼化位点	结合预训练蛋白质语言模型（ESM2）与双向长短期记忆网络（BiLSTM），并采用焦点损失函数处理数据不平衡问题，同时提供可解释性分析	未明确提及模型在跨物种或不同植物类型中的泛化能力限制	开发一种计算方法来快速准确预测植物非组蛋白中的克罗托尼化位点	植物非组蛋白中的赖氨酸克罗托尼化位点	生物信息学	NA	蛋白质语言模型, 深度学习	BiLSTM	蛋白质序列	NA	NA	ESM2, BiLSTM	准确率	NA
287	2026-02-07	SG-DCNN: A Deep Learning Method Integrating Self-Attention Mechanism and Generative Adversarial Network for Predicting Ion-Ligand Binding Residues in Small Samples 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3645246 PMID:41406298	研究论文	提出了一种结合自注意力机制和生成对抗网络的深度学习方法SG-DCNN，用于预测小样本中离子配体的结合残基	首次将生成对抗网络和自注意力机制集成到深度卷积神经网络框架中，以解决小样本和类别不平衡问题	仅针对八种小样本离子配体进行了验证，未在大规模或更多种类的配体上进行测试	提高蛋白质与离子配体结合残基的预测准确性	离子配体与蛋白质的结合残基	机器学习	NA	NA	CNN, GAN	NA	八种小样本离子配体	NA	深度卷积神经网络, 生成对抗网络, 自注意力机制	准确率, 马修斯相关系数	NA
288	2026-02-07	DeepR2OM: Accurate Recognition for RNA 2'-O-Methylation Sites in Human Genome Using Deep Learning 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3647488 PMID:41433162	研究论文	本文提出了一种名为DeepR2OM的新方法，通过整合特征选择和深度学习技术，用于准确预测人类基因组中的RNA 2'-O-甲基化位点	开发了DeepR2OM，一种结合了八种RNA描述符编码、特征选择算法降维以及深度学习网络训练的新型预测方法，并评估了多种深度学习架构以优化模型性能	未明确提及具体局限性，但传统检测方法存在资源密集、可能损伤RNA样本和高成本等问题，而本研究未讨论模型在更广泛数据集或实际应用中的泛化能力	准确预测人类基因组中的RNA 2'-O-甲基化位点，以理解RNA的生物学功能及相关病理	人类基因组中的RNA 2'-O-甲基化位点	机器学习	NA	RNA描述符编码	CNN, Multi-Head Self-Attention, DNN	序列数据	NA	NA	CNN, Multi-Head Self-Attention, DNN	准确率, 召回率, 精确率, 马修斯相关系数	NA
289	2026-02-07	Drug Effect Classification Using Frequency-Based Graph Traversal Approach 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3648860 PMID:41452695	研究论文	本研究提出了一种基于频率的图遍历方法，用于将药物分类为症状缓解型或疾病修饰型	采用异质网络和引导最短路径遍历框架，通过识别最短元路径中频繁出现的基因来分类药物，并提高了模型的可解释性	NA	基于药物对疾病治疗的影响，将其分类为症状缓解型或疾病修饰型	药物、基因和疾病	机器学习	多发性硬化症	图遍历方法	图模型	网络数据	NA	NA	引导最短路径遍历框架	分类准确率	NA
290	2026-02-07	Foundation Models for Neural Signal Decoding: EEG-Centered Perspectives Toward Unified Representations 2026-Jan, The European journal of neuroscience DOI:10.1111/ejn.70376 PMID:41459740	综述	本文综述了用于神经信号解码的基础模型，特别聚焦于EEG，并探讨了构建统一神经表征的设计原则与挑战	提出了以EEG为中心的基础模型开发框架，强调生理感知表征学习、结构感知架构和可解释性机制三大设计原则，以支持跨空间和时间尺度的统一神经表征	许多现有模型仍沿用非神经领域的训练目标，未能充分利用电极拓扑或功能连接等空间先验信息	探讨基础模型在神经信号解码中的应用，旨在构建鲁棒、可迁移且具有生理学基础的统一神经表征	EEG、ECoG和皮层内记录等神经信号	机器学习	NA	EEG、ECoG、皮层内记录	基础模型	神经信号	NA	NA	Patched Brain Transformer, CBraMod, BrainGPT	NA	NA
291	2026-02-07	BELE: Blur Equivalent Linearized Estimator 2026, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2026.3651959 PMID:41528899	研究论文	本文提出了一种轻量级且感知可解释的全参考图像质量评估模型BELE，通过分离强边缘退化与纹理失真的影响来桥接主观感知与客观度量	提出基于位置费舍尔信息损失的线性化估计器计算模糊指数，引入复峰值信噪比捕捉纹理失真，并采用带聚焦项的低阶多项式拟合替代传统VQEG校正方法	未明确说明模型在极端失真类型或跨模态图像评估中的泛化能力	开发感知可解释且计算高效的全参考图像质量评估方法	图像质量评估	计算机视觉	NA	NA	无训练参数模型	图像	六个基准数据集	NA	BELE	与MOS的相关性	NA
292	2026-02-07	Large Language Models Improve Scene-Invariant Detection of Behavior of Risk in Dementia Residential Care Across Multiple Surveillance Camera Views 2026, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2026.3656747 PMID:41564063	研究论文	本文提出了一种无监督的场景不变融合深度学习网络，用于检测痴呆症患者护理环境中的风险行为，通过结合语言模型和视频异常检测来提高跨摄像头场景的泛化性能	提出了一种结合语言模型字幕生成与评分以及视频异常检测评分的无监督场景不变融合网络，以改善在未见过摄像头场景中的泛化能力	研究仅基于九名痴呆症患者的数据，且摄像头数量有限，可能限制了模型的广泛适用性	开发一种能够跨不同摄像头场景检测痴呆症患者风险行为的自动化深度学习系统	痴呆症患者在护理环境中的行为风险检测	计算机视觉	老年疾病	视频监控、深度学习	自编码器、大型语言模型	视频	九名痴呆症患者的视频数据，通过三个不同的走廊摄像头记录	NA	深度加权时空自编码器	接收者操作特征曲线下面积	NA
293	2026-02-07	Technology-Enhanced Dual-Task Testing for Alzheimer's Disease and Related Dementias: A Review of Trends, Tools, and Emerging Directions 2026, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2026.3658013 PMID:41587242	综述	本文全面综述了2010年至2025年10月期间，基于双任务测试（DT）评估阿尔茨海默病及相关痴呆症（ADRD）的技术趋势、工具和新兴方向	整合了工程学与临床神经科学的见解，探讨了广泛的双任务范式、传感技术和分析方法，并强调了现代传感器与AI技术在增强早期ADRD检测中的作用	文章作为综述，本身不包含原始研究数据，其总结的局限性主要基于现有文献，并强调了当前方法在公平性、可扩展性和临床可行性方面的挑战	为工程师、数据科学家和临床医生开发用于神经退行性疾病早期检测和监测的技术驱动工具提供关键资源	阿尔茨海默病及相关痴呆症（ADRD）的早期检测方法	数字病理学	老年病	双任务测试（DT）、可穿戴传感器、电子步道、红外/深度相机、视频、平板电脑、脑成像工具（如fMRI和fNIRS）、眼动追踪、基于AI的视频姿态估计	深度学习	多模态数据（运动数据、视频、脑成像数据等）	NA	NA	NA	NA	NA
294	2026-02-07	Advancing regulatory variant effect prediction with AlphaGenome 2026-Jan, Nature IF:50.5Q1 DOI:10.1038/s41586-025-10014-0 PMID:41606153	研究论文	本文介绍了AlphaGenome，一个统一的DNA序列模型，能够输入1 Mb的DNA序列并预测数千个功能基因组轨迹，涵盖多种模态，用于推进调控变异效应预测	AlphaGenome通过处理长输入序列（1 Mb）并实现单碱基对分辨率的预测，克服了现有方法在输入序列长度和预测分辨率之间的权衡限制，统一了多种功能基因组模态的预测	NA	开发一个深度学习模型以从DNA序列预测功能基因组测量，用于解读遗传调控代码并推进调控变异效应预测	人类和小鼠基因组中的DNA序列	机器学习	NA	深度学习	NA	DNA序列	NA	NA	AlphaGenome	变异效应预测评估	NA
295	2026-02-07	Deep learning-driven morphological fingerprinting: rapid, accurate and low-cost pathogen identification via the analysis of dried patterns of droplets 2025-Dec-29, Journal of nanobiotechnology IF:10.6Q1 DOI:10.1186/s12951-025-03923-9 PMID:41462248	研究论文	本研究提出了一种基于深度学习的AI平台，通过分析微生物悬浮液干燥后形成的物种特异性脱水图案，实现快速、准确且低成本的病原体识别	首次利用微生物悬浮液干燥过程中的脱水图案作为形态指纹，结合深度学习模型进行病原体分类，提供了一种新型的快速诊断方法	研究仅针对七种常见血流感染病原体，未涵盖所有可能病原体；且需在40°C下进行干燥步骤，可能受环境条件影响	开发一种快速、低成本的血流感染病原体识别技术，以指导及时抗生素治疗	常见血流感染病原体，包括大肠杆菌、肺炎克雷伯菌、铜绿假单胞菌、鲍曼不动杆菌、金黄色葡萄球菌、粪肠球菌和白色念珠菌	计算机视觉	血流感染	脱水图案分析	CNN	图像	10,055张脱水图案图像	PyTorch	ResNet-34	准确率, AUC-ROC	NA
296	2025-12-29	A survival prediction model for leptomeningeal metastasis patients with non-small cell lung cancer based on deep learning 2025-Dec-28, BMC cancer IF:3.4Q2 DOI:10.1186/s12885-025-15503-z PMID:41455921	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
297	2026-02-07	Distinct Tumor-Immune Ecologies in Lung Cancer Patients Predict Progression and Define a Clinical Biomarker of Therapy Response 2025-Dec-19, Cancer research IF:12.5Q1 DOI:10.1158/0008-5472.CAN-25-1594 PMID:41418101	研究论文	本研究通过分析非小细胞肺癌患者的多重组织图像，开发了一个计算框架来预测免疫治疗反应并识别临床生物标志物	结合细胞分割、空间统计、机器学习和深度学习，首次揭示了SD与PD患者之间不同的空间免疫生态，并发现这些生态比PD-L1状态更能预测疾病进展	样本量较小（仅9名患者），且仅包括稳定疾病和进展性疾病患者，缺乏完全或部分缓解者，结果需在更大队列中验证	预测非小细胞肺癌患者的免疫治疗反应并开发临床生物标志物	免疫治疗难治性非小细胞肺癌患者的配对治疗前和治疗中组织样本	数字病理学	肺癌	多重组织成像	深度学习	图像	9名患者的配对样本	NA	NA	NA	NA
298	2026-02-07	Exploiting correlations across trials and behavioral sessions to improve neural decoding 2025-Sep-25, bioRxiv : the preprint server for biology DOI:10.1101/2024.09.14.613047 PMID:39314484	研究论文	本文提出了两种利用跨试验和跨行为会话相关性的新型神经解码模型，以提高神经解码的准确性	提出了多会话降秩回归模型和多会话状态空间模型，首次系统性地利用跨试验和跨会话的神经活动相关性来改进解码，相比传统方法具有更好的解释性和计算效率	未明确说明模型在实时解码场景下的性能表现，也未讨论模型对噪声和异常数据的鲁棒性	改进神经解码的准确性，通过利用跨试验和跨行为会话的神经活动相关性	小鼠的神经活动数据与行为数据	机器学习	NA	Neuropixels记录技术	降秩回归模型, 状态空间模型	神经活动数据, 行为数据	433个行为会话，覆盖270个脑区，来自国际脑实验室公开的小鼠Neuropixels数据集	NA	多会话降秩回归模型, 多会话状态空间模型	解码准确率	NA
299	2026-02-07	Longitudinal methods for Alzheimer's cognitive status prediction with deep learning 2025-Sep, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz.70488 PMID:40994414	研究论文	本文开发了一种新的深度学习技术，用于预测阿尔茨海默病认知状态在3-10年内的变化	提出了两种新的建模技术：分离标准化基线特征与偏离基线的方法，以及一种新的基于线性注意力的插补方法，以扩展预测时间范围至3-10年	预测3-10年内最终导致阿尔茨海默病的aMCI仍然具有挑战性，且研究可能受限于数据库样本	开发机器学习技术以延长阿尔茨海默病认知状态的预测时间范围	遗忘型轻度认知障碍（aMCI）和阿尔茨海默病（AD）患者	机器学习	阿尔茨海默病	深度学习	深度学习模型	神经心理学数据、患者历史数据	使用国家阿尔茨海默病协调中心（NACC）数据库，具体样本数量未明确	未明确指定	未明确指定	1vA准确率	未明确指定
300	2026-02-07	Towards global reaction feasibility and robustness prediction with high throughput data and bayesian deep learning 2025-May-15, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-59812-0 PMID:40374636	研究论文	本文通过整合高通量实验和贝叶斯深度学习，预测有机反应可行性及其对环境因素的鲁棒性	利用内部高通量平台构建了工业规模下最广泛的单一HTE数据集，并应用贝叶斯神经网络实现高精度预测，同时通过细粒度不确定性解耦实现高效主动学习	未明确提及模型在更广泛化学空间或不同反应类型中的泛化能力限制	预测有机反应的可行性和对环境因素的鲁棒性，以支持工业过程设计	11,669个不同的酸胺偶联反应	机器学习	NA	高通量实验	贝叶斯神经网络	实验数据	11,669个反应	NA	贝叶斯神经网络	预测准确率	NA