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 47335 篇文献，本页显示第 3181 - 3200 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 3181 | 2026-06-15 |
BGC-MAC and BGC-MAP: Attention-Based Models for Biosynthetic Gene Cluster Classification and Product Matching
2026-01-12, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c02082
PMID:41412814
|
研究论文 | 提出两个基于注意力的深度学习模型（BGC-MAC和BGC-MAP），用于生物合成基因簇（BGC）分类和产物匹配，以增强BGC注释和天然产物发现 | 利用实验验证的BGC-天然产物对训练模型；引入交叉注意力机制实现可解释人工智能，无需先验注释即可识别关键蛋白质结构域和BGC-子结构关系；模型在分类和匹配任务上超越现有工具如antiSMASH和DeepBGC | 标题和摘要中未明确说明局限性，可能包括对实验验证数据依赖性强及泛化能力需进一步验证 | 通过深度学习模型提升BGC注释的准确性和可解释性，加速天然产物发现 | 生物合成基因簇（BGC）及其对应的天然产物 | 机器学习 | NA | 深度学习 | 注意力机制模型 | 序列数据（BGC序列和天然产物结构数据） | NA（未明确说明样本数量） | PyTorch（根据软件仓库推断） | 多头注意力机制 | 分类准确率、匹配性能（具体指标未在摘要中明确列出） | NA（未提及计算资源信息） |
| 3182 | 2026-06-15 |
A Comparative Study of Deep Learning and Classical Modeling Approaches for Protein-Ligand Binding Pose and Affinity Prediction in Coronavirus Main Proteases
2026-01-12, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c02481
PMID:41429653
|
研究论文 | 比较深度学习与传统建模方法在冠状病毒主蛋白酶中预测蛋白质-配体结合姿态与亲和力的性能 | 首次系统评估了多种姿态生成策略（分子对接、基于配体叠加和深度学习建模）在SARS-CoV-2和MERS-CoV主蛋白酶上的结合姿态预测性能，并提出了结合MM-GBSA能量分解与机器学习的配体-残基相互作用轮廓评分函数LRIP-SF，用于亲和力预测 | 基于配体叠加的方法FlexS在姿态预测上准确性较低深，且深度学习模型计算成本较高 | 评估不同方法在蛋白质-配体结合姿态和亲和力预测中的效果，特别是针对冠状病毒主蛋白酶 | SARS-CoV-2和MERS-CoV的主蛋白酶与配体的相互作用 | 机器学习 | 冠状病毒疾病 | 分子对接、基于配体叠加、深度学习建模 | AlphaFold3, Boltz-2, DiffDock, Gnina | 蛋白质-配体复合物结构数据 | ASAP抗病毒挑战2025数据集中的样本 | NA | AlphaFold3, Boltz-2, DiffDock, Gnina | 成功率, 平均配体均方根偏差, 平均绝对误差, 均方根误差 | NA |
| 3183 | 2026-06-15 |
AttentionScore: A Target-Specific, Bias-Aware Scoring Function for Structure-Based Virtual Screening: A Case Study on METTL3
2026-01-12, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c02142
PMID:41435908
|
研究论文 | 介绍一种基于深度学习的METTL3靶标特异性打分函数AttentionScore，用于结构-based虚拟筛选，并验证其在减少偏倚方面的优势 | 通过多注意力编码器、联合自编码器潜在表示和多尺度融合模块，整合配体与蛋白-配体相互作用信息，并采用相似性约束分割实现偏倚感知评估 | 仅针对METTL3一个靶标进行了验证，未在其他靶标上评估泛化能力 | 开发一种靶标特异性、偏倚感知的打分函数，提升结构-based虚拟筛选的准确性 | METTL3靶标及其配体分子 | 机器学习 | NA | 结构-based虚拟筛选，深度学习 | 深度学习模型（多注意力编码器、自编码器） | 分子结构数据和蛋白-配体相互作用指纹 | NA（未明确说明具体样本数量） | NA（未提及具体框架） | 多注意力编码器、联合自编码器、多尺度融合模块，集成PLEC指纹和Avalon/ECFP4配体指纹 | PR-AUC, Precision, Recall, F1, MCC，并通过配对Wilcoxon检验、Bootstrap置信区间和效应量评估 | NA（未提及计算资源） |
| 3184 | 2026-06-15 |
Chemprop v2: An Efficient, Modular Machine Learning Package for Chemical Property Prediction
2026-01-12, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c02332
PMID:41453060
|
研究论文 | 介绍化学性质预测机器学习包Chemprop v2，强调其在模块化、速度和可用性上的提升 | 对原Chemprop进行底层重写，提升了约2倍执行速度和3倍内存效率，支持多GPU训练，并增加了Jupyter notebook教程和新文档 | 未明确讨论不足，可能包括对大型模型训练的扩展性或特定任务的适用性 | 开发一个高效、模块化且用户友好的机器学习包，用于化学性质预测 | 分子属性预测任务中的深度学习模型 | 机器学习 | NA | 消息传递神经网络 (D-MPNN) | 有向消息传递神经网络 (D-MPNN) | 分子图 | NA | NA | D-MPNN | 预测准确性、执行时间、内存使用 | NA (支持多GPU) |
| 3185 | 2026-06-15 |
SHIFT-DRP: Dynamic Multi-Scale Active Learning for Drug Response Prediction
2026-01-12, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c02453
PMID:41392432
|
研究论文 | 提出SHIFT-DRP主动学习框架，通过动态多尺度采样策略智能选择药物-细胞系配对以高效提升药物反应预测性能 | 提出从多样性探索到不确定性驱动的动态采样策略，结合预训练分子表征和交叉注意力机制，实现有限资源下的最大模型改进 | 未提及具体局限性 | 解决药物反应预测中化学空间覆盖不足和均匀采样效率低下的问题，实现精准医疗中的高效实验筛选 | 药物-细胞系配对及其反应预测 | 机器学习 | 癌症 | 药物反应预测 | 深度学习主动学习框架 | 药物-细胞系反应数据 | 四个数据集 | PyTorch | 交叉注意力机制 | 预测性能、资源节约率 | NA |
| 3186 | 2026-06-15 |
ChemEmbed: a deep learning framework for metabolite identification using enhanced MS/MS data and multidimensional molecular embeddings
2026-Jan-07, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag054
PMID:41686648
|
研究论文 | 提出一个名为ChemEmbed的深度学习框架，通过整合多维分子嵌入和增强的MS/MS数据来改进代谢物鉴定 | 通过融合多个碰撞能量的质谱并加入计算中性损失来增强MS/MS数据，并利用卷积神经网络学习多维分子嵌入，实现更准确的代谢物候选排序 | 未明确说明局限性 | 提高代谢组学中未知MS/MS谱图的代谢物鉴定准确率 | 质谱数据和化学结构表征 | 机器学习 | NA | 串联质谱（MS/MS）、质谱数据增强 | 卷积神经网络（CNN） | 质谱数据 | 来自38,472个不同化合物的增强MS/MS谱图及ARUS数据集的未鉴定谱图 | NA | CNN | 首位命中率、前五命中率 | NA |
| 3187 | 2026-06-15 |
Radiology as a pillar in AI-based COVID-19 research: Insights from a diverse bibliometric analysis
2026 Jan-Feb, Radiologia
IF:1.1Q3
DOI:10.1016/j.rxeng.2025.101651
PMID:41690763
|
研究论文 | 通过描述性引文分析和文献耦合分析，研究COVID-19与人工智能领域的知识结构和知识流动，并识别最具影响力的出版物和研究主题 | NA | NA | 探索COVID-19背景下人工智能研究的现状，识别最具影响力的出版物，并勾勒该研究领域的概念框架 | COVID-19相关人工智能研究的出版物 | 自然语言处理 | COVID-19 | NA | NA | 文本 | 8057篇文档 | NA | NA | NA | NA |
| 3188 | 2026-06-15 |
Wesselsbron Virus-Induced Hepatitis in Ewes and Lambs Unraveled Through Machine Learning-Driven Digital Histopathology
2026, Transboundary and emerging diseases
IF:3.5Q1
DOI:10.1155/tbed/7912840
PMID:41693730
|
研究论文 | 通过机器学习的数字组织病理学分析Wesselsbron病毒诱导的母羊和羔羊肝炎 | 首次利用机器学习驱动的数字组织病理学方法全面分析WSLV诱导的肝炎，结合全切片成像和深度学习对肝脏病变进行客观量化 | NA | 评估数字组织病理学在检测WSLV诱导肝炎中的价值，并揭示病毒感染的肝脏病理特征 | 感染WSLV clade I (rSA999) 和 clade II (SAH117) 毒株的母羊和羔羊 | 数字病理学 | 肝炎 | 免疫组化染色（CD3, PAX5, Iba1, NS1, 精氨酸酶1/Ki67双染）、RT-qPCR | 深度学习模型 | 全切片图像 | 20只绵羊（6只rSA999感染、8只SAH117感染、6只对照组） | NA | NA | NA | NA |
| 3189 | 2026-06-15 |
Better data for better predictions: data curation improves deep learning for sgRNA/Cas9 prediction
2026, PeerJ
IF:2.3Q2
DOI:10.7717/peerj.20706
PMID:41695711
|
研究论文 | 采用数据为中心的方法优化sgRNA/Cas9预测模型的输入数据和过滤策略，提升模型性能与泛化能力 | 首次系统评估数据为中心的优化方法（调整靶位点侧翼序列长度、控制条件读取计数过滤）对深度学习预测模型性能的影响，并证明数据质量优于架构创新 | 仅针对细菌SpCas9和eSpCas9酶，未测试其他Cas变体或真核系统；数据过滤可能引入偏差 | 通过数据优化提升sgRNA/Cas9切刻活性预测的准确性和泛化能力 | sgRNA序列及其靶位点的切刻活性数据 | 机器学习 | 不适用 | CRISPR-Cas9基因编辑 | 深度学习模型 | 序列数据 | 含两个重建的Cas9数据集（具体样本数量未说明） | NA | crisprHAL | 预测准确率、泛化性能 | NA |
| 3190 | 2026-06-15 |
An ultrasound-based artificial intelligence framework for difficult airway prediction: A two-model, three-step decision framework
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0342339
PMID:41706751
|
研究论文 | 提出一种基于超声图像的“两模型三步骤”人工智能框架，用于预测困难气道 | 将超声定量参数与深度学习结合，构建分层决策框架，实现从初筛到风险分级的连贯评估流程 | 缺乏外部验证，未在多中心队列中测试；模型性能有限，尤其是VIDIAC-A模型精确度和F1分数较低 | 构建并内部验证基于超声图像的人工智能框架，用于困难气道预测 | 903例接受择期全麻手术的患者 | 机器学习 | 气道管理 | 颈部超声图像 | 卷积神经网络 | 图像 | 903例患者（训练验证752例，内部测试151例） | NA | CL-AI, VIDIAC-AI | AUC、准确率、灵敏度、特异度、精确度、F1分数 | NA |
| 3191 | 2026-06-15 |
ProMMF_Kron: a multimodal deep learning model for immunotherapy response prediction in stomach adenocarcinoma
2026, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2026.1602846
PMID:41743737
|
研究论文 | 开发了一种名为ProMMF_Kron的多模态深度学习模型，用于预测胃腺癌患者的免疫治疗反应 | 采用Kronecker积运算和反向投影模块的双阶段特征融合策略，实现基因表达与病理图像特征的高效交互 | 研究仅基于282例患者的多中心数据集，样本量相对有限 | 为胃腺癌患者开发可靠的免疫治疗反应预测工具 | 胃腺癌患者的分子谱和病理图像数据 | 数字病理学, 机器学习 | 胃腺癌 | NGS, 病理图像分析 | 多模态深度学习 | 基因表达数据, 病理图像 | 282例胃腺癌患者 | PyTorch | 预训练深度卷积神经网络, Kronecker乘积模块, 反向投影模块 | AUC | NA |
| 3192 | 2026-06-15 |
DeepDiff-SHAP: Interpretable deep learning for subgroup-specific causal hypothesis generation using conditional SHAP
2026, Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing
DOI:10.1142/9789819824755_0052
PMID:41758180
|
研究论文 | 提出DeepDiff-SHAP框架，结合回归与深度学习进行差异因果推断，通过条件SHAP识别患者亚组间的因果变化 | 首次将条件SHAP与回归及深度学习差异化因果推断结合，以可解释方式检测亚组特异性因果关系的非线性变化 | 依赖数据集规模和质量，可能无法处理高维稀疏数据中的因果发现 | 开发可解释的深度学习框架，用于亚组特异性因果假设生成，推动个性化医疗 | 疾病患者亚组之间的因果差异模式 | 机器学习 | 糖尿病, 败血症 | SHAP可解释性分析, 深度学习 | 深度学习模型, 回归模型 | 结构化表格数据 | CDC糖尿病健康指标数据集、UK Biobank败血症队列（按高血压状态分层） | NA | 深度学习网络 | NA | NA |
| 3193 | 2026-06-15 |
Explainable AI for gait speed analysis from multimodal data fusion
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0341067
PMID:41758888
|
研究论文 | 提出一种通过多模态数据融合和深度学习进行步速分类的先进框架，并利用层相关传播（LRP）进行优化 | 首次将LRP应用于多模态融合的步速分析模型，以优化特征相关性并验证鲁棒性，同时提出CNN+LSTM混合架构和多流CNN两种新颖网络结构 | NA | 开发高精度且稳健的步速分析工具，通过多模态数据融合和LRP驱动特征优化，克服单传感器限制 | 50名无损伤成年人在不同速度下的步态数据 | 机器学习 | NA | 全身运动捕捉、肌电图、测力板 | CNN, LSTM, 混合CNN+LSTM, 多流CNN, 时序卷积网络, Transformer, 门控循环单元 | 运动捕捉数据、肌电图信号、测力板数据 | 50名无损伤成年人的4个公开数据集 | NA | CNN+LSTM, 多流CNN, TCN, Transformer, GRU, 线性判别分析, 二次判别分析, 支持向量机 | F1分数, ROC曲线, 混淆矩阵, t检验, 扰动分析 | NA |
| 3194 | 2026-06-15 |
The Evolution of Machine Learning in Medicinal Chemistry: A Comprehensive Bibliometric Analysis
2026, Current neuropharmacology
IF:4.8Q1
|
综述 | 对2001年至2023年间药物化学领域人工智能研究的文献进行了综合计量分析 | 首次对药物化学中机器学习研究进行全面的文献计量分析，识别了研究前沿关键词和未来趋势，包括多模态和大语言模型 | 仅分析了2001年至2023年的文献，可能存在时间覆盖范围有限；文献计量方法依赖已发表数据，可能遗漏未发表或非英语研究 | 系统分析人工智能在药物化学中的应用研究，确定发展趋势和研究热点 | 2001年至2023年间发表的药物化学中人工智能研究文献 | 自然语言处理 | NA | 文献计量分析 | NA | 文本 | 来自92个国家或地区的文献，涉及196个研究机构 | R，CiteSpace，VOSviewer | NA | NA | NA |
| 3195 | 2025-12-26 |
A "calcification"-enhanced deep learning approach for precise differentiation of thyroid nodules
2025-Dec-24, Cancer imaging : the official publication of the International Cancer Imaging Society
IF:3.5Q1
DOI:10.1186/s40644-025-00976-9
PMID:41444688
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3196 | 2026-06-15 |
Artificial Intelligence in The Diagnosis, Treatment, and Prognostication in Endodontics: A Comprehensive Literature Review
2025-Dec, European endodontic journal
IF:1.6Q3
DOI:10.14744/eej.2025.83788
PMID:41685843
|
综述 | 该文章对人工智能在牙髓病学中的应用进行了全面回顾，重点关注诊断优化、临床决策支持和治疗结果预测 | 系统总结了AI在牙髓病诊断、治疗和预后三大领域的具体应用，并分析了当前应用的局限性和未来改进方向 | 需要大规模数据集、成本高、缺乏自我发展能力 | 综述人工智能在牙髓病学中的诊断、治疗和预后应用，并分析其局限性和改进领域 | 牙髓病学中的人工智能应用研究文献 | 机器学习 | 牙髓病 | NA | 卷积神经网络（CNN）、深度学习模型、神经网络 | 图像（放射影像、锥束计算机断层扫描CBCT） | 51篇文献 | NA | CNN（如Diagnocat）、深度学习模型 | 准确率（大于90%、95.6%） | NA |
| 3197 | 2026-06-15 |
ImmFinder: A Multiomics-Based Neural Network Approach for Predicting the Immune Genes in Livestock
2025-11, Omics : a journal of integrative biology
IF:2.2Q3
DOI:10.1177/15578100251389910
PMID:41115712
|
研究论文 | 引入了一种名为ImmFinder的多模态全连接神经网络框架，用于整合基因组和转录组数据集来分类免疫基因 | 首次将多模态全连接神经网络用于牲畜免疫基因分类，整合基因组和转录组数据，实现了较高的预测性能 | 依赖现有的牛基因组和转录组数据集训练和评估，可能限制直接推广到其他品种或物种，需要额外的外部验证和实验跟进 | 开发一种自动化的多模态深度学习方法，用于分类牛免疫基因，从而推进功能基因组学研究 | 牛的免疫基因和非免疫基因 | 机器学习 | NA | 基因组测序、转录组测序 | 全连接神经网络 | 基因组和转录组数据 | NA | Python | 全连接神经网络 | 准确率、F1分数、精确率、召回率、AUC-ROC曲线 | NA |
| 3198 | 2026-06-15 |
Development and Validation of a Deep Learning System for the Provision of a District-Wide Diabetes Retinal Screening Service
2025 Sep-Oct, Clinical & experimental ophthalmology
DOI:10.1111/ceo.14560
PMID:40491217
|
研究论文 | 开发并验证一种用于区域糖尿病视网膜病变筛查的双模态深度学习系统 | 结合眼底照片和OCT扫描的双模态深度学习系统，在多种族社区中检测威胁视力的糖尿病视网膜病变，达到高准确性和特异性 | 7.4%的眼底照片不可分级，可能影响系统在部分患者中的适用性 | 评估深度学习系统在区域糖尿病视网膜病变筛查中的性能和有效性 | 多民族社区的糖尿病患者 | 计算机视觉 | 糖尿病视网膜病变 | NA | 深度学习 | 图像 | 748名糖尿病患者 | NA | NA | 敏感性、特异性、AUC | NA |
| 3199 | 2026-06-15 |
Retinal Vessel Traits and Age-Related Eye Disease in the Canadian Longitudinal Study on Aging
2025 Sep-Oct, Clinical & experimental ophthalmology
DOI:10.1111/ceo.14566
PMID:40515626
|
研究论文 | 横断面和纵向分析视网膜血管特征与青光眼、年龄相关性黄斑变性等眼病的关联 | 首次在大型纵向队列（加拿大老龄化纵向研究）中评估视网膜血管特征与眼病随时间变化的关系，并揭示横断面关联可能源于反向因果 | 依赖自我报告的眼病诊断，可能存在报告偏倚；使用深度学习算法提取血管特征，但未与其他方法对比；纵向随访期仅3年，可能不足以完全揭示因果关系 | 探究视网膜血管特征（如直径和扭曲度）与青光眼及年龄相关性黄斑变性的横断面和纵向关联 | 加拿大老龄化纵向研究中30,097名参与者的基线及3年随访数据 | 机器学习 | 青光眼, 年龄相关性黄斑变性 | 眼底成像 | 深度学习 | 图像, 表格数据 | 30,097名参与者，92%随访率 | NA | QUARTZ（深度学习算法） | 比值比, 置信区间, 贝塔系数 | NA |
| 3200 | 2026-06-15 |
Enhancing Dementia Classification for Diverse Demographic Groups: Using Vision Transformer-Based Continuous Scoring of Clock Drawing Tests
2025-06-10, The journals of gerontology. Series B, Psychological sciences and social sciences
DOI:10.1093/geronb/gbaf065
PMID:40197801
|
研究论文 | 利用基于视觉Transformer的连续评分方法，从时钟绘制测试图像中提升痴呆症分类在多样化人口群体中的准确性 | 开发了一种使用深度学习神经网络生成的连续时钟绘制测试评分，并识别了针对不同人口特征的特定阈值，以提供更包容和适应性的痴呆症分类方法 | 未明确提及具体局限性 | 提升痴呆症分类的准确性和公平性，通过生成连续的时钟绘制测试评分并考虑人口多样性 | 老年人，特别是来自国家健康与老龄化趋势研究的代表性样本 | 计算机视觉 | 老年疾病 | 深度学习 | 视觉Transformer | 图像 | 使用国家健康与老龄化趋势研究的全国代表性样本 | NA | 视觉Transformer | 曲线下面积、灵敏度、特异度 | NA |