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
3141	2026-08-01	ctGAN: combined transformation of gene expression and survival data with generative adversarial network 2024-05-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae325 PMID:38980369	研究论文	本文提出ctGAN模型，利用生成对抗网络联合转换基因表达和生存数据，以增强癌症生存分析	与现有仅生成转录组数据的样式迁移生成模型不同，ctGAN能同时生成基因表达和生存数据，应用于癌症类型间的数据增强	文本未提及明显局限性	通过数据增强提高生存分析性能，并生成高仿真的基因表达和生存数据以支持临床决策	乳腺癌和11种其他癌症类型的基因表达及生存数据	机器学习	癌症	生成对抗网络（GAN）	GAN	基因表达数据和生存数据	涉及乳腺癌和11种其他癌症类型，具体样本数未提及	NA	生成对抗网络（具体架构未提及，可能包含多层感知机或卷积层，但未明确）	C-index, log-rank p值, 聚类评估指标	NA
3142	2026-08-01	DeepGRNCS: deep learning-based framework for jointly inferring gene regulatory networks across cell subpopulations 2024-05-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae334 PMID:38980373	研究论文	提出一个基于深度学习的框架DeepGRNCS，用于跨细胞亚群联合推断基因调控网络。	通过等宽法离散化数据，并利用深度模型预测剔除每个转录因子后的靶基因表达，从而推断调控关系，克服了现有方法忽略细胞间异质性和亚群间相似性的局限。	未在摘要中明确说明局限性。	开发一种能有效联合推断不同细胞亚群特异性基因调控网络的深度学习方法。	细胞亚群及其基因调控网络。	机器学习	非小细胞肺癌	单细胞RNA测序	深度学习模型（具体类型未指定）	单细胞RNA测序数据	多种模拟和真实单细胞RNA测序数据集，包括非小细胞肺癌样本。	未指定	未指定	优于现有GRN推断方法（具体指标未指定）	未指定
3143	2026-08-01	DrugMetric: quantitative drug-likeness scoring based on chemical space distance 2024-05-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae321 PMID:38975893	研究论文	介绍了一种基于化学空间距离的无监督学习框架DrugMetric，用于定量评估药物相似性，以提高虚拟筛选的准确性。	提出了一个创新的无监督学习框架DrugMetric，结合了变分自编码器和高斯混合模型，以及集成学习原则，以有效区分药物与非药物分子，优于传统方法如QED。	摘要中未明确提及局限性，但可能依赖于数据集的代表性，以及无监督方法可能在某些复杂情况下缺乏显式标签指导。	开发一种新的药物相似性定量评估方法，以加速药物发现过程中的虚拟筛选。	药物和非药物分子，用于评估药物相似性。	机器学习	NA	NA	变分自编码器（VAE），高斯混合模型（GMM）	分子数据（化学结构）	未指定具体样本大小，但涉及多种任务和数据集。	NA	变分自编码器、高斯混合模型	评分和分类性能（具体指标如准确率、AUC等未提及）	NA
3144	2026-08-01	Antibody design using deep learning: from sequence and structure design to affinity maturation 2024-05-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae307 PMID:38960409	综述	本文综述了深度学习在抗体设计中的应用，涵盖从序列和结构设计到亲和力成熟的各个方面	系统总结了深度学习在抗体设计中的最新进展，特别强调了计算能力在加速先导候选物生成和针对复杂抗原的抗体开发中的应用	未明确提及具体局限性	综述深度学习在抗体设计和优化方面的显著进展，重点关注抗体的设计、折叠、抗体-抗原相互作用对接和亲和力成熟	抗体	机器学习	NA	深度学习	NA	序列和结构数据	NA	NA	NA	NA	NA
3145	2026-08-01	AttABseq: an attention-based deep learning prediction method for antigen-antibody binding affinity changes based on protein sequences 2024-05-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae304 PMID:38960407	研究论文	本研究开发了一种基于注意力机制的端到端序列深度学习模型AttABseq，用于预测抗体突变引起的抗原-抗体结合亲和力变化	AttABseq是一种高效且通用的基于注意力的模型，仅使用抗原-抗体复合物序列作为输入，在预测残基突变引起的结合亲和力变化方面比现有序列模型准确度提高120%，且性能可与基于结构的方法相媲美或更优	未明确提及局限性，但可能依赖于序列数据，且解释性分析仅提供残基水平的可视化，未涉及结构信息	开发一种基于序列的深度学习模型，以加速和改善治疗性抗体的优化过程，特别是预测抗体突变引起的结合亲和力变化	抗原-抗体复合物及其残基突变	机器学习	不适用	不适用	注意力机制深度学习模型	蛋白质序列	使用了三个基准数据集进行验证，但具体样本量未在标题和摘要中提及	不适用	注意力机制	皮尔逊相关系数	不适用
3146	2026-08-01	Morphological profiling for drug discovery in the era of deep learning 2024-05-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae284 PMID:38886164	综述	本文综述了深度学习时代形态学分析在药物发现中的应用，涵盖图像分析流程、基于特征工程和深度学习的方法、公开基准数据集，并强调了深度学习在细胞分割、图像表示学习和多模态学习中的作用。	重点讨论了深度学习在形态学分析流程中的应用，包括细胞分割、图像表示学习和多模态学习，并系统总结了该领域的最新进展和潜在挑战。	未提及具体局限性。	综述形态学分析在表型药物发现中的最新进展，并指出该领域的挑战和机遇。	细胞或生物体在扰动下的形态特征，用于药物发现。	计算机视觉	不适用	高通量自动成像	深度学习模型	高内涵图像	不适用	不适用	不适用	不适用	不适用
3147	2026-08-01	ifDEEPre: large protein language-based deep learning enables interpretable and fast predictions of enzyme commission numbers 2024-05-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae225 PMID:38942594	研究论文	提出了一种基于大型蛋白质语言模型的深度学习方法ifDEEPre，用于快速、可解释地预测酶的EC编号	设计了新型自引导注意力机制，结合大型蛋白质语言模型学习到的生物知识，实现快速且可解释的酶功能预测，速度较之前的方法提升50倍，存储空间减少12.89倍	未提及具体局限性	提高酶功能预测的准确性和可解释性，同时提升运行速度和减少存储需求	酶的EC编号预测及相关功能分析	机器学习	NA	蛋白质语言模型	深度学习模型	蛋白质序列	未明确提及样本数量	NA	自引导注意力机制	F1-score	NA
3148	2026-08-01	HLAIImaster: a deep learning method with adaptive domain knowledge predicts HLA II neoepitope immunogenic responses 2024-05-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae302 PMID:38920343	研究论文	本文介绍了一种基于注意力机制的深度学习框架HLAIImaster，用于预测HLA II类分子限制的新表位免疫原性反应	提出了结合自适应领域知识的注意力深度学习框架，并整合了多源生物学特征以提升新表位免疫原性预测性能	主要依赖于质谱数据训练的预测模型，可能受限于训练数据集的质量和多样性	开发一种能够准确预测HLA II类限制性肽段免疫原性的方法，以支持个性化疫苗和癌症免疫治疗	HLA-DR、-DQ和-DP等位基因上的外源HLA II类限制性肽段，以及新表位免疫原性	深度学习	癌症	质谱分析	注意力机制深度学习模型	质谱数据、肽段序列、基因表达数据	超过223000个洗脱配体	NA	注意力机制	阳性预测值	NA
3149	2026-08-01	TP-LMMSG: a peptide prediction graph neural network incorporating flexible amino acid property representation 2024-05-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae308 PMID:38920345	研究论文	开发了一种名为TP-LMMSG的图深度学习模型，用于预测抗菌肽、抗病毒肽和抗癌肽等多种生物活性肽的性质，并提高了预测性能	提出了一种灵活整合氨基酸属性表示的图神经网络模型，该模型轻量且易于部署，同时解决了图神经网络框架中耗时的预处理问题	未在摘要中明确说明	开发一种能准确预测不同肽性质且具有通用性的图深度学习模型，用于治疗性肽的筛选和发现	多种治疗性肽，包括抗菌肽、抗病毒肽和抗癌肽	机器学习	感染性疾病、癌症	NA	图神经网络	肽序列数据	使用了多个实验验证的数据集，但未提供具体样本数量	NA	NA	预测准确率等性能指标（具体指标未明确说明）	NA
3150	2026-08-01	Hierarchical multimodal self-attention-based graph neural network for DTI prediction 2024-05-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae293 PMID:38920341	研究论文	提出了一种用于药物-靶点相互作用预测的分层多模态自注意力图神经网络HMSA-DTI	利用分层多模态自注意力机制同时捕捉药物和蛋白质的模态内及模态间交互，实现深度特征融合	未明确提及	提高药物-靶点相互作用预测的准确性	药物和蛋白质的多种表示（SMILES、分子图、蛋白质序列和蛋白质二肽序列）	机器学习	NA	NA	图神经网络	序列和图形数据	五个基准数据集	NA	分层多模态自注意力机制	多个评估指标	NA
3151	2026-08-01	sincFold: end-to-end learning of short- and long-range interactions in RNA secondary structure 2024-05-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae271 PMID:38855913	研究论文	本文介绍了一种基于端到端深度学习的RNA二级结构预测方法，仅使用RNA序列作为输入来预测核苷酸接触矩阵	提出端到端深度学习模型，无需物理假设或额外特征，利用1D和2D残差神经网络学习短程和长程相互作用模式	未提供具体局限性信息	改进RNA二级结构预测的准确性，超越传统热力学模型和现有深度学习方法的性能	RNA分子，包括编码和非编码RNA，以及它们的二级结构	机器学习	不适用	深度学习	残差神经网络	RNA序列数据	多个基准数据集，具体数量未说明	未指定（可能使用PyTorch或TensorFlow，但未在摘要中提及）	1D和2D残差神经网络	未明确指定，可能包含精确度、召回率、F1分数等，但摘要中未列出	未提供具体信息
3152	2026-08-01	Improved prediction of DNA and RNA binding proteins with deep learning models 2024-05-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae285 PMID:38856168	研究论文	开发了基于深度学习的分层和多类方法，用于改进DNA和RNA结合蛋白的预测性能	通过生成更准确和稳健的数据集，并采用双层卷积神经网络加一层长短期记忆网络的深度学习模型，实现了对核酸结合蛋白类型的更准确预测，特别是多类方法使DNA结合蛋白预测准确率提高了约12%	未明确提及局限性	提高核酸结合蛋白（包括DNA和RNA结合蛋白）的预测准确性，并增强对新型核酸结合蛋白识别的实用性	DNA结合蛋白、RNA结合蛋白、单链DNA结合蛋白等核酸结合蛋白	机器学习	NA	NA	CNN, LSTM	蛋白质序列数据	NA	NA	卷积神经网络, 长短期记忆网络	准确率、平衡预测	NA
3153	2026-08-01	SPIN: sex-specific and pathway-based interpretable neural network for sexual dimorphism analysis 2024-05-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae239 PMID:38807262	研究论文	提出一种名为SPIN的性别特异性和基于通路的可解释神经网络框架，用于分析疾病中的性别二态性，并在癌症和哮喘数据集中验证了其性能提升和生物学解释能力	首次提出统一的可解释深度学习框架，同时分析性别共享和性别特异的遗传位点及通路贡献，避免传统性别组合或分离分析的不足	未明确说明局限性，可能包括对大规模数据的需求或模型的可推广性需进一步验证	开发一种能够识别性别二态性遗传机制并提高个体层面风险预测的深度学习框架，以促进精准医学发展	肿瘤（TCGA癌症数据集）和哮喘数据集中的遗传及临床数据	机器学习	癌症、哮喘	NA	神经网络	基因表达数据、临床数据	未明确说明具体样本量，涉及TCGA癌症数据集和哮喘数据集	NA	神经网络（具体架构未说明）	C-index	NA
3154	2026-08-01	HiCDiff: single-cell Hi-C data denoising with diffusion models 2024-05-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae279 PMID:38856167	研究论文	本文开发了首个基于扩散模型的单细胞Hi-C数据去噪方法HiCDiff，通过深度残差网络在扩散反向过程中去除噪声，并在无监督和监督模式下训练，有效提升数据质量。	首次将生成扩散模型应用于单细胞Hi-C数据去噪，采用深度残差网络处理反向过程，支持无监督与监督训练，优于多数监督非扩散深度学习方法。	摘要未提及局限，可能包括计算成本高或泛化性限制。	利用扩散模型对单细胞Hi-C染色体接触矩阵进行去噪，提高数据质量以促进生物学应用。	单细胞Hi-C染色体接触矩阵数据。	深度学习，生物信息学	不适用	单细胞Hi-C测序	生成扩散模型	染色体接触矩阵	多个单细胞Hi-C测试数据集。	不适用	深度残差网络	多个指标（具体未列出）	不适用
3155	2026-08-01	Accurate prediction of antibody function and structure using bio-inspired antibody language model 2024-05-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae245 PMID:38797969	研究论文	提出了生物启发抗体语言模型（BALM），并基于此开发了BALMFold，用于抗体功能预测和全原子结构预测	利用大量未标记的抗体序列进行预训练，捕捉抗体特有的保守和独特特性，并开发出端到端的BALMFold模型，在抗体结构预测上优于AlphaFold2等现有方法	摘要中未提及明确局限性	准确预测抗体功能与结构，以加速治疗性抗体的开发	抗体序列及其结构和功能	机器学习	病毒性疾病	深度学习（语言模型）	语言模型（Transformer变体）	抗体序列数据	336百万条40%非冗余未标记抗体序列	NA	Transformer（特定配置未指明）	性能指标未在摘要中具体列出（可能在原文中包括准确率等）	NA
3156	2026-08-01	Attention mechanism models for precision medicine 2024-05-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae156 PMID:38811359	社论	本文为《生物信息学简报》提出一个关于“精准医学中的注意力机制模型”的专刊提案，旨在概述该领域的研究进展。	强调注意力机制模型（如SAN、GAT和Transformer）在精准医学中的广泛应用，尤其是ChatGPT的普及推动了该模型类型的发展。	未提及具体局限性。	提出一个专刊，旨在全面概述和展示图注意力机制模型在精准医学中的应用研究。	注意力机制模型（如SAN、GAT和Transformer）及其在精准医学中的应用。	机器学习	NA	NA	注意力机制模型（如SAN、GAT和Transformer）	基因组数据	NA	NA	SAN、GAT、Transformer	NA	NA
3157	2026-08-01	Predicting the Utility of Scientific Articles for Emerging Pandemics Using Their Titles and Natural Language Processing 2024-05-10, Disaster medicine and public health preparedness IF:1.9Q3 DOI:10.1017/dmp.2024.109 PMID:38726471	研究论文	本研究利用深度学习自然语言处理模型，仅根据科学文章标题自动判断其在公共卫生政策制定中的实用性，以应对新发流行病如COVID-19的文献筛选需求。	首次仅基于文章标题而非全文，利用深度NLP模型评估科学文献对公共卫生政策制定的实用性，并验证其在真实世界筛选中的可行性。	研究主要基于COVID-19相关文章，可能不适用于其他疾病领域；依赖标题信息，可能忽略摘要或全文中的关键内容。	开发自动评估科学文献实用性的NLP模型，以帮助公共卫生专家快速筛选新发疫情相关文章。	COVID-19科学出版物标题及专家整理的COVID-19证据集。	自然语言处理	COVID-19	深度学习，自然语言处理	深度学习模型	文本数据（文章标题）	未明确，但使用CORD-19数据集中的COVID-19文章标题及专家整理的证据集。	未明确	未明确，可能包含基于 Transformer 的模型（如BERT），但具体架构未在标题和摘要中说明。	未明确，但可能包括准确性、精确率、召回率、F1分数等。	未明确
3158	2026-08-01	Cellular data extraction from multiplexed brain imaging data using self-supervised Dual-loss Adaptive Masked Autoencoder 2024-05, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2024.102828 PMID:38564879	研究论文	提出一种自监督双损失自适应掩码自编码器（DAMA），用于从多重免疫荧光脑图像中提取丰富的细胞特征，以支持细胞检测、分割和分类。	首次开发了针对多重免疫荧光脑图像的自监督学习方法，采用自适应掩码采样策略以最大化互信息，并引入最小化像素级重建和特征级回归的条件熵的双损失目标函数。	未提及具体限制。	开发一种自监督学习方法，以减少对昂贵标注的依赖，实现对多重免疫荧光脑图像中细胞的可靠检测和分割。	多重免疫荧光脑图像以及TissueNet多路成像数据集（包含六种不同组织类型的双通道荧光图像）。	计算机视觉, 数字病理学	NA（未提及具体疾病）	多重免疫荧光成像	自监督掩码自编码器	图像	多重免疫荧光脑图像和TissueNet数据集（具体数量未在摘要中给出）	PyTorch（推断自代码公开链接，具体框架未在摘要中明确）	掩码自编码器（Masked Autoencoder）	细胞检测、分割和分类性能（具体指标如准确率、Dice系数等未在摘要中明确）	未提及
3159	2026-08-01	Visual Prompting Based Incremental Learning for Semantic Segmentation of Multiplex Immuno-Flourescence Microscopy Imagery 2024-Apr, Neuroinformatics IF:2.7Q3 DOI:10.1007/s12021-024-09651-z PMID:38396218	研究论文	提出一种基于视觉提示的增量学习框架，用于多重免疫荧光显微镜图像中大鼠脑组织的多类语义分割，通过少量人工标注实现高效精细分割。	将增量学习与视觉提示结合，利用多类权重作为初始化，并通过人类专家的有限标注逐类细化分割，显著提升性能并加速标注过程。	未提及具体限制，如对其他组织或图像类型的泛化性未知。	开发一种利用有限人工标注进行高质量多类语义分割的方法，适用于多重免疫荧光显微图像。	大鼠脑组织的多重免疫荧光显微镜图像	计算机视觉	不适用	多重免疫荧光成像	深度学习模型（基于Swin-UNet的架构）	图像	不明确，但为高分辨率多通道图像	未明确提及	Swin-UNet（改进版）	与传统的多类分割相比，性能大幅提升，但具体指标未提及	未提及
3160	2026-08-01	DeepKEGG: a multi-omics data integration framework with biological insights for cancer recurrence prediction and biomarker discovery 2024-03-27, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae185 PMID:38678587	研究论文	提出了一种名为DeepKEGG的可解释多组学数据整合框架，用于癌症复发预测和生物标志物发现	设计了基于基因/miRNA与通路生物学关系的生物层次模块实现局部连接和模型可解释性，并构建通路自注意力模块探索样本间相关性	未提及具体局限性	开发一种可解释的深度学习方法，整合多组学数据，以预测癌症复发并发现生物标志物	癌症患者的多组学数据（包括基因表达和miRNA表达）	机器学习	癌症	多组学数据整合	深度学习模型	多组学数据	未在摘要中明确提及	未提及	生物层次模块、通路自注意力模块	5折交叉验证	未提及