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 32372 篇文献，本页显示第 3381 - 3400 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 3381 | 2025-10-06 |
Deep hierarchical subtyping of multi-organ systemic sclerosis trajectories - a EUSTAR study
2025-Sep-01, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-01962-y
PMID:40890392
|
研究论文 | 提出一种半监督生成深度学习框架，用于系统性硬化症的多器官疾病轨迹分层亚型识别 | 利用专家驱动的器官特异性受累定义，通过深度学习识别超越传统皮肤分型的多器官疾病亚型 | 基于观察性数据库，可能存在数据缺失和选择偏倚 | 改善系统性硬化症患者分层和预后预测 | 系统性硬化症患者 | 数字病理学 | 系统性硬化症 | 深度学习 | 生成模型 | 临床医疗数据 | 14,000名患者，67,000次医疗访问 | NA | NA | 预测准确性、对缺失数据的鲁棒性、临床可解释性 | NA |
| 3382 | 2025-10-06 |
Automated drug design for druggable target identification using integrated stacked autoencoder and hierarchically self-adaptive optimization
2025-Sep-01, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-18091-x
PMID:40890450
|
研究论文 | 提出一种结合堆叠自编码器和分层自适应粒子群优化的新型药物设计框架，用于药物分类和靶点识别 | 集成堆叠自编码器(SAE)进行鲁棒特征提取和分层自适应粒子群优化(HSAPSO)算法进行自适应参数优化的创新框架 | 方法性能依赖于训练数据质量，高维数据集可能需要微调 | 开发高效可靠的药物分类和靶点识别方法 | 药物分子和靶点蛋白 | 机器学习 | NA | 药物信息学分析 | 自编码器,粒子群优化 | 药物和蛋白质数据 | 来自DrugBank和Swiss-Prot的数据集 | NA | 堆叠自编码器(SAE) | 准确率,ROC分析,收敛分析 | NA |
| 3383 | 2025-10-06 |
DeepSEA: an alignment-free explainable approach to annotate antimicrobial resistance proteins
2025-Sep-01, BMC bioinformatics
IF:2.9Q1
DOI:10.1186/s12859-025-06256-4
PMID:40890570
|
研究论文 | 提出了一种无需序列比对的深度学习方法DeepSEA，用于注释抗菌素耐药性蛋白 | 开发了基于卷积神经网络的无需序列比对的AMR蛋白注释方法，相比传统比对方法具有更高召回率，并能解释模型分类与蛋白结构域特征的关系 | 未明确说明模型在未知AMR蛋白类型上的泛化能力 | 开发更准确的抗菌素耐药性蛋白注释方法 | 抗菌素耐药性蛋白和非耐药性蛋白 | 生物信息学 | 抗菌素耐药性感染 | 深度学习 | CNN | 蛋白质序列数据 | NA | NA | 卷积神经网络 | 召回率 | NA |
| 3384 | 2025-09-05 |
Deep learning model for predicting lymph node metastasis around rectal cancer based on rectal tumor core area and mesangial imaging features
2025-Sep-01, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-01878-9
PMID:40890619
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3385 | 2025-09-05 |
CT-based deep learning radiomics model for predicting proliferative hepatocellular carcinoma: application in transarterial chemoembolization and radiofrequency ablation
2025-Sep-01, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-01913-9
PMID:40890681
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3386 | 2025-10-06 |
Box embeddings for extending ontologies: a data-driven and interpretable approach
2025-Sep-01, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-025-01086-1
PMID:40890838
|
研究论文 | 提出一种使用盒形嵌入表示本体类别的方法，通过数据驱动方式学习多标签数据集中的隐含层次关系 | 无需显式分类法即可捕获标签间的隐含层次关系，同时保持与底层本体概念化的一致性 | NA | 开发可解释的深度学习方法，从多标签数据集中学习本体类别间的逻辑关系 | ChEBI本体中的化学类别 | 机器学习 | NA | 盒形嵌入 | 深度学习模型 | 多标签数据 | NA | NA | 盒嵌入模型 | 多标签分类性能指标 | NA |
| 3387 | 2025-10-06 |
Deep Learning-Driven Automated Assessment of Left Ventricular Diastolic Function in Echocardiography
2025-Sep, Echocardiography (Mount Kisco, N.Y.)
DOI:10.1111/echo.70290
PMID:40892533
|
研究论文 | 本研究评估了基于深度学习的全自动模型在二维经胸超声心动图中评估左心室舒张功能的可行性、准确性和诊断性能 | 开发了首个全自动深度学习模型用于左心室舒张功能评估，实现了超声心动图参数的自动分析和舒张功能分级 | 对中度舒张功能不全的分类存在变异性，三尖瓣反流速度的一致性较低，需要进一步验证 | 评估基于AI的自动化左心室舒张功能评估系统的临床可行性 | 302名疑似舒张功能不全的患者 | 医学影像分析 | 心血管疾病 | 二维经胸超声心动图 | 深度学习 | 超声心动图图像 | 302名患者 | NA | NA | 测量成功率, 相关系数, 分类准确率 | NA |
| 3388 | 2025-10-06 |
Deep Learning for Automated 3D Assessment of Rotator Cuff Muscle Atrophy and Fat Infiltration prior to Total Shoulder Arthroplasty
2025-Sep-01, Journal of shoulder and elbow surgery
IF:2.9Q1
DOI:10.1016/j.jse.2025.07.025
PMID:40902715
|
研究论文 | 开发基于深度学习的自动化模型，用于在肩关节CT扫描中评估肩袖肌肉萎缩和脂肪浸润 | 首次提出基于深度学习的自动化3D评估方法，引入T-score分类系统量化肌肉萎缩，并定义独特的萎缩表型、3D脂肪浸润百分比和前-后平衡指标 | 研究样本量相对有限（952例），且为单中心研究，需要更大规模验证 | 开发自动化工具量化评估肩袖肌肉病理变化，改善全肩关节置换术前的评估精度 | 肩袖肌肉（冈上肌、肩胛下肌、冈下肌、小圆肌） | 医学影像分析 | 肩关节疾病 | CT扫描，Hounsfield单位阈值分析 | 深度学习模型 | 3D CT影像 | 952例肩关节CT扫描（762例对照组，103例aTSA患者，87例rTSA患者） | NA | NA | T-score分类，3DFI%，AP肌肉体积比，统计学显著性(p值) | NA |
| 3389 | 2025-10-06 |
Identification and application of promoters and terminators for plant synthetic biology
2025-Sep-01, Molecules and cells
IF:3.7Q2
DOI:10.1016/j.mocell.2025.100273
PMID:40902856
|
综述 | 本文综述了植物合成生物学中启动子和终止子的鉴定与应用进展 | 重点关注双向启动子的鉴定利用、启动子与终止子组合平衡对转基因表达稳定性的影响，以及基于ATAC-Seq、STARR-Seq和大规模深度学习的启动子鉴定方法 | NA | 探讨植物合成生物学中生物元件的鉴定与应用，实现高效精确的基因调控 | 植物合成生物学中的启动子和终止子等生物元件 | 合成生物学 | NA | ATAC-Seq, STARR-Seq, 深度学习 | 深度学习模型 | 基因组测序数据 | NA | NA | NA | NA | NA |
| 3390 | 2025-10-06 |
Deep Learning Application of YOLOv8 for Aortic Dissection Screening using Non-contrast Computed Tomography
2025-Sep-01, European journal of vascular and endovascular surgery : the official journal of the European Society for Vascular Surgery
IF:5.7Q1
DOI:10.1016/j.ejvs.2025.08.054
PMID:40902929
|
研究论文 | 开发并验证基于YOLOv8深度学习模型在非对比CT中检测主动脉夹层的应用 | 首次将YOLOv8模型应用于非对比CT的主动脉夹层筛查，并通过Grad-CAM实现模型可解释性 | 回顾性研究设计，需要前瞻性验证 | 开发基于深度学习的主动脉夹层自动筛查工具 | 主动脉夹层患者和对照组的非对比CT影像 | 计算机视觉 | 心血管疾病 | 非对比计算机断层扫描 | YOLOv8 | 医学影像 | 1138例CT扫描（569例主动脉夹层，569例对照组） | PyTorch | YOLOv8s | AUC, 敏感性, 特异性, 推理时间 | NA |
| 3391 | 2025-10-06 |
A dual-encoder U-net architecture with prior knowledge embedding for acoustic source mapping
2025-Sep-01, The Journal of the Acoustical Society of America
IF:2.1Q1
DOI:10.1121/10.0039104
PMID:40905669
|
研究论文 | 提出一种基于双编码器U-net架构的声源映射方法，通过嵌入先验知识提高定位精度 | 采用双编码器结构分别处理延迟求和与功能波束形成图，引入对比损失函数学习一致潜在特征，设计频率和位置编码器嵌入先验知识 | 未明确说明在极端噪声环境或复杂声场条件下的性能表现 | 开发高分辨率声源映射的深度学习方法 | 声源强度分布 | 信号处理 | NA | 波束形成，深度学习 | U-net | 波束形成图 | 仿真数据和MIRACLE数据集 | NA | 双编码器U-net | 四种评估指标 | NA |
| 3392 | 2025-10-06 |
A bi-directional cascaded transformer network for underwater narrowband signal enhancement
2025-Sep-01, The Journal of the Acoustical Society of America
IF:2.1Q1
DOI:10.1121/10.0039112
PMID:40905671
|
研究论文 | 提出一种双向级联Transformer网络用于水下窄带信号增强 | 首次将双向级联Transformer架构应用于水下窄带信号增强，通过双分支结构同时提取目标信号和环境噪声特征 | NA | 提升水下低信噪比环境下窄带信号的增强性能 | 船舶辐射噪声中的窄带成分 | 信号处理 | NA | 深度学习去噪 | Transformer | 声学信号 | NA | NA | 双向级联Transformer网络(BCT-Net) | 多种评估指标 | NA |
| 3393 | 2025-10-06 |
Major pathophysiological changes in pulmonary disease provided a molecular insight based on deep learning approach
2025-Aug-31, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-15539-y
PMID:40887476
|
研究论文 | 基于深度学习方法分析肺部疾病的主要病理生理变化和分子通路 | 采用深度学习算法构建网络分析平台，整合多源科学研究和数据库信息，系统分析肺部疾病分子通路 | 仅包含截至2023年12月已发表的研究，分析依赖于现有数据库的完整性 | 理解肺部疾病的分子通路和关键分子作用机制 | 主要肺部疾病相关的基因、蛋白质和分子通路 | 生物信息学 | 肺部疾病 | 生物信息学分析,蛋白质-蛋白质相互作用网络分析 | 深度学习 | 基因表达谱,蛋白质相互作用数据,科学文献 | MEDLINE和NIH数据库中所有主要肺部疾病相关研究 | NA | 网络分析平台 | NA | NA |
| 3394 | 2025-10-06 |
scSorterDL: a deep neural network-enhanced ensemble LDAs for single cell classifications
2025-Aug-31, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf446
PMID:40889117
|
研究论文 | 提出一种结合惩罚线性判别分析、群体学习和深度神经网络的单细胞RNA测序数据细胞类型分类新方法scSorterDL | 首次将惩罚线性判别分析、群体学习和深度神经网络集成用于单细胞分类，通过DNN整合多个pLDA模型输出以捕捉复杂关系 | NA | 改进单细胞RNA测序数据的细胞类型注释准确性 | 单细胞RNA测序数据 | 机器学习 | NA | 单细胞RNA测序(scRNA-seq) | 深度神经网络(DNN), 惩罚线性判别分析(pLDA) | 基因表达数据 | 13个真实scRNA-seq数据集(来自不同物种、组织和平台)和20对跨平台数据集 | NA | NA | 准确率, 鲁棒性 | GPU计算 |
| 3395 | 2025-10-06 |
MCAMEF-BERT: an efficient deep learning method for RNA N7-methylguanosine site prediction via multi-branch feature integration
2025-Aug-31, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf447
PMID:40889118
|
研究论文 | 提出一种名为MCAMEF-BERT的高效深度学习方法，用于RNA N7-甲基鸟苷位点预测 | 采用并行架构整合DNABERT-2预训练模型分支和多种传统特征编码分支，引入多通道注意力模块解决特征融合冗余问题 | NA | 准确识别RNA N7-甲基鸟苷修饰位点以揭示生物调控机制 | RNA N7-甲基鸟苷修饰位点 | 生物信息学 | 肿瘤 | RNA修饰位点预测 | BERT, 注意力机制 | 序列数据 | 来自m7GHub的数据集 | NA | DNABERT-2, 多分支特征集成 | 准确率 | NA |
| 3396 | 2025-10-06 |
Significantly enhancing human antibody affinity via deep learning and computational biology-guided single-point mutations
2025-Aug-31, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf445
PMID:40889116
|
研究论文 | 开发了一种结合深度学习和计算生物学方法的计算流程，用于识别能显著增强抗体亲和力的单点突变 | 整合了进化约束、抗体-抗原特异性统计势、分子动力学模拟、元动力学和深度学习模型，创建了创新的抗体亲和力优化计算流程 | 仅针对特定抗体进行了验证，需要进一步测试在更广泛抗体类型中的适用性 | 通过深度学习和计算生物学方法增强抗体亲和力 | 针对H7N9禽流感病毒血凝素的抗体和死亡受体5抗体 | 计算生物学 | 禽流感 | 分子动力学模拟, 元动力学, 深度学习 | 图神经网络, 深度学习模型 | 蛋白质序列, 结构数据 | 12个单点突变抗体 | NA | MicroMutate, 图神经网络 | 亲和力提升倍数 | NA |
| 3397 | 2025-10-06 |
Deep learning-enabled ultra-broadband terahertz high-dimensional photodetector
2025-Aug-30, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-63364-8
PMID:40885712
|
研究论文 | 提出一种基于超表面和深度学习的大赫兹高维光电探测器，实现强度、偏振和频率三维连续参数空间的完整表征 | 通过色散驱动的轨道角动量倍增将偏振和光谱响应投影到OAM域，结合机器学习解码独特的极化涡旋图案 | NA | 开发能够同时检测强度、偏振和波长的高维连续光电探测技术 | 大赫兹波段的光场参数检测 | 计算光学 | NA | 轨道角动量编码、机器学习 | 神经网络 | 光学图案、偏振涡旋模式 | NA | NA | NA | 总误差率<5.1% | NA |
| 3398 | 2025-10-06 |
Deep indel mutagenesis reveals the regulatory and modulatory architecture of alternative exon splicing
2025-Aug-30, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-62957-7
PMID:40885722
|
研究论文 | 本研究通过深度插入缺失诱变技术揭示人类外显子的剪接调控结构，并开发了预测剪接调控景观的计算工具DANGO | 开发了低成本高效的深度插入缺失诱变方法，首次系统揭示外显子剪接的棋盘式调控结构，并提出跨膜结构域编码外显子抑制和微外显子生成的机制 | NA | 解析人类外显子的调控架构并加速剪接调控反义寡核苷酸的发现 | 人类外显子剪接调控机制 | 计算生物学 | 遗传性疾病 | 深度插入缺失诱变, 反义寡核苷酸技术 | 深度学习 | 基因组序列数据, 剪接数据 | NA | NA | NA | NA | NA |
| 3399 | 2025-10-06 |
A model for epileptic EEG detection and recognition based on Multi-Attention mechanism and Spatiotemporal
2025-Aug-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-17256-y
PMID:40885781
|
研究论文 | 提出一种基于多注意力机制和时空特征融合的癫痫脑电信号检测与识别模型 | 结合混合注意力机制、Transformer编码器和点积注意力机制，直接从原始脑电信号解读癫痫状态，无需大量数据预处理和特征提取 | 在两个数据集上的准确率差异较大（94.19% vs 72.50%），模型泛化能力有待进一步验证 | 开发高精度的癫痫脑电信号自动检测与识别方法 | 癫痫患者的脑电信号数据 | 医学信号处理 | 癫痫 | 脑电图 | Transformer, 注意力机制 | 脑电信号 | CHB-MIT和波恩大学两个脑电数据集 | NA | 混合注意力机制, Transformer编码器, 点积注意力机制 | 准确率 | NA |
| 3400 | 2025-10-06 |
Segmentation-enhanced approach for emotion detection from EEG signals using the fuzzy C-mean and SVM
2025-Aug-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-17220-w
PMID:40885829
|
研究论文 | 提出一种基于模糊C均值和SVM的EEG信号情感检测增强方法 | 结合模糊C均值聚类与多种核函数SVM的混合方法进行EEG情感识别，并系统比较不同核函数性能 | 仅使用两名受试者的EEG数据，样本规模较小 | 基于EEG信号开发高效的情感识别方法 | 人类EEG信号与对应情感状态 | 机器学习 | NA | EEG信号采集与分析 | SVM, CNN-LSTM | EEG信号 | 2名受试者 | NA | CNN-LSTM混合模型 | 准确率, 精确率, 召回率, F1分数 | NA |