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 44618 篇文献，本页显示第 341 - 360 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 341 | 2026-05-27 |
A robust deep learning approach for impulse noise filtering using hybrid auto-encoder with fuzzy median filter
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0343141
PMID:41931562
|
研究论文 | 提出一种结合混合自编码器与模糊中值滤波器的深度学习方法，用于高效滤除高密度脉冲噪声并恢复图像质量 | 创新性地将深度卷积神经网络（DnCNN）与自编码器结合模糊中值滤波器，实现高密度脉冲噪声的检测与去除，在图像恢复中兼顾细节保留与噪声消除 | 未提及具体局限性 | 开发一种鲁棒的深度学习降噪技术，以有效检测和消除图像中的高密度脉冲噪声，提升图像恢复质量 | 脉冲噪声污染的图像（使用12张标准测试图像评估） | 计算机视觉 | NA | NA | 深度卷积神经网络（DnCNN）、自编码器、模糊中值滤波器 | 图像 | 12张标准测试图像 | NA | DnCNN、自编码器 | 准确率、假正率、假负率、F1分数、峰值信噪比、结构相似性指数 | NA |
| 342 | 2026-05-27 |
SpaGene: A Deep Adversarial Framework for Spatial Gene Imputation
2026, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.34133/csbj.0102
PMID:42146899
|
研究论文 | 提出SpaGene，一种用于整合单细胞RNA测序数据和空间转录组数据的深度学习框架，以填补空间数据中缺失的基因表达 | 采用两个编码器-解码器对，结合两个转换器和两个判别器，实现空间转录组数据中缺失基因表达的有效填补 | 目前仅在特定数据集和评价协议下验证，可能在不同组织类型或噪声条件下泛化性有限 | 整合scRNA-seq和空间转录组数据，提升空间基因表达的恢复准确性 | 单细胞RNA测序数据和空间转录组数据 | 机器学习 | 肺癌 | NGS, 单细胞RNA测序, 空间转录组测序 | CNN, GAN | 文本 | 多数据集（具体数量未在摘要中明确） | PyTorch | 编码器-解码器, 生成对抗网络 | Pearson相关系数, 结构相似性指数, 均方根误差 | NA |
| 343 | 2026-05-27 |
Artificial intelligence for cell-free systems
2026, Progress in molecular biology and translational science
DOI:10.1016/bs.pmbts.2025.08.009
PMID:41581993
|
综述 | 探讨人工智能与无细胞系统的整合，重点关注最新进展、工业应用及合成生物学未来方向 | 系统性地总结AI技术在无细胞系统优化中的应用，包括通过深度学习发现抗菌肽、主动学习提升蛋白质产量34倍等突破性成果 | 存在数据需求、模型可迁移性和可扩展性方面的挑战 | 研究AI与无细胞系统的兼容性及其在生物制造、制药和诊断中的潜力 | 无细胞系统（蛋白质合成、代谢等生物过程） | 机器学习 | NA | 无细胞蛋白合成、深度学习、主动学习、贝叶斯优化 | 深度学习、生成模型、神经网络、贝叶斯优化 | 实验数据 | NA | NA | NA | 蛋白产量提升倍数、抗菌肽发现效率 | NA |
| 344 | 2026-05-27 |
Artificial Intelligence (AI) in microbiome-directed biotherapeutics development
2026, Progress in molecular biology and translational science
DOI:10.1016/bs.pmbts.2026.01.005
PMID:41714088
|
综述 | 讨论人工智能在微生物组导向的生物治疗产品开发中的应用 | 系统阐述AI如何通过模式识别和复杂相互作用分析，从微生物组数据中发现可用于活体生物治疗产品的候选微生物 | 数据的改进需求仍是主要挑战 | 综述AI在微生物组导向诊断和治疗中的应用方式、挑战和未来前景 | 人体肠道微生物组及其与健康、疾病的关联，以及活体生物治疗产品的开发 | 机器学习 | NA | NA | 机器学习、深度学习 | 微生物组数据和宿主组学数据 | NA | NA | NA | NA | NA |
| 345 | 2026-05-27 |
Artificial Intelligence in the prediction of 3D chromatin structure and gene regulation
2026, Progress in molecular biology and translational science
DOI:10.1016/bs.pmbts.2026.01.018
PMID:41986002
|
研究论文 | 利用人工智能预测三维染色质结构与基因调控 | 首次系统综述人工智能特别是深度学习在预测三维染色质结构及基因调控中的应用，强调整合多模态数据及自监督模型的优势 | 未提及具体模型性能评估及计算资源需求，缺乏实际应用中的局限性讨论 | 探讨人工智能在解析染色质三维结构与其基因调控关系中的潜力 | 染色质三维结构（如区室、拓扑关联结构域和环）及基因调控机制 | 机器学习， 数字病理学 | NA | Hi-C, ChIA-PET, HiChIP | 深度学习 | 序列及表观基因组特征数据 | NA | NA | 自监督模型 | NA | NA |
| 346 | 2026-05-27 |
Artificial intelligence in multimodal data analysis for cancer survival prediction
2026, Progress in molecular biology and translational science
DOI:10.1016/bs.pmbts.2026.03.001
PMID:41986003
|
综述 | 综述人工智能在癌症生存预测中多模态数据分析的融合与对齐方法 | 系统梳理了2015至2025年间31项基于深度学习的多模态对齐与融合研究，并区分了先对齐后融合与独立融合两类策略 | 当前融合技术面临数据对齐和数据融合两大障碍，尚未提及具体模型的可扩展性或临床部署挑战 | 探索人工智能在癌症生存预测中处理多模态异构数据的对齐与融合方法，提高预测准确性和可解释性 | 31项多模态机器学习研究（2015-2025年），涉及三种关键数据类型 | 机器学习 | 癌症 | NA | 深度学习 | 多模态数据（图像、文本等） | 31项研究 | NA | NA | NA | NA |
| 347 | 2026-05-27 |
AI in biomolecular structural data analysis
2026, Progress in molecular biology and translational science
DOI:10.1016/bs.pmbts.2026.01.024
PMID:41986008
|
综述 | 本文概述了人工智能在生物分子结构数据分析中的应用，特别是深度学习模型如AlphaFold2和RoseTTAFold在从序列数据快速预测三维结构中的作用 | 系统性地展示了深度学习架构（CNN、GNN、RNN和Transformer）在结构生物学中的综合应用，并探讨了AI与传统实验数据的互补性 | 模型可解释性、数据质量和伦理问题仍是挑战，且内容面向初学者，深度有限 | 为初学者提供AI在生物分子结构分析中的基本知识，推动跨学科探索 | 蛋白质和核酸的生物分子结构数据 | 机器学习 | NA | 深度学习 | CNN, GNN, RNN, Transformer | 序列数据 | NA | NA | AlphaFold2, RoseTTAFold | NA | NA |
| 348 | 2026-05-27 |
Multi-omics applications in health and diseases
2026, Progress in molecular biology and translational science
DOI:10.1016/bs.pmbts.2026.01.012
PMID:41986011
|
综述 | 综述多组学技术在健康与疾病研究中的应用，强调人工智能驱动整合方法的潜力和挑战 | 系统性地总结了从传统统计到深度学习等计算模型在多组学数据整合中的应用，并展望可解释AI、数字健康记录整合等未来方向 | 数据标准化、可扩展性、可解释性及基因组信息伦理使用方面仍存在挑战 | 阐述多组学整合在精准医学、疾病异质性研究和发病机制探索中的价值 | 多组学数据（基因组、转录组、表观组、蛋白质组、代谢组、微生物组） | 机器学习 | NA | NGS, RNA-seq, 甲基化测序, 蛋白质组学, 代谢组学, 微生物组学 | CNN, LSTM | 多组学文本数据 | NA | NA | NA | NA | NA |
| 349 | 2026-05-27 |
Integrating Artificial Intelligence into metabolomics for predicting diseases
2026, Progress in molecular biology and translational science
DOI:10.1016/bs.pmbts.2026.01.010
PMID:41986004
|
综述 | 该文章全面概述了如何将人工智能（特别是机器学习和深度学习）整合到代谢组学工作流程中，以克服数据分析挑战并预测疾病 | 系统性地介绍了AI在代谢组学中的应用，涵盖技术和概念框架，并通过最新案例研究和方法学进展加以说明 | 未明确提及 | 探讨如何利用人工智能技术（尤其是机器学习和深度学习）提升代谢组学在疾病预测中的能力 | 代谢组学数据及其在疾病预测中的应用 | 机器学习 | 癌症、糖尿病及并发症、脑部、心脏、肝脏、肾脏等主要器官疾病 | NA | 机器学习、深度学习 | 代谢组学数据 | NA | NA | NA | NA | NA |
| 350 | 2026-05-27 |
Artificial Intelligence in single-cell and spatial transcriptomics data analyses
2026, Progress in molecular biology and translational science
DOI:10.1016/bs.pmbts.2026.01.011
PMID:41986013
|
综述 | 本文综述了人工智能在单细胞和空间转录组学数据分析中的应用 | 系统性地介绍了卷积神经网络、图神经网络和变分自编码器等方法在单细胞和空间转录组学数据分析中的应用，并强调了在癌症生物学、免疫学和神经科学等领域的应用 | 可扩展性、可解释性和一致的数据标准方面仍存在挑战 | 探讨人工智能如何推动单细胞和空间转录组学数据分析的发展，为研究人员提供应用AI的简明指南 | 单细胞和空间转录组学数据 | 机器学习 | NA | scRNA-seq, 空间转录组学 | CNN, GNN, VAE | 基因表达数据 | NA | NA | 卷积神经网络, 图神经网络, 变分自编码器 | NA | NA |
| 351 | 2026-05-27 |
Artificial intelligence in multi-omics analysis of heart diseases
2026, Progress in molecular biology and translational science
DOI:10.1016/bs.pmbts.2026.03.011
PMID:42173636
|
综述论文 | 探讨人工智能在多组学分析心脏病中的应用，通过整合基因组、转录组、蛋白质组和代谢组等多组学数据，发现不同疾病亚型的关键分子标志物 | 系统总结了AI驱动的心血管疾病研究框架，包括深度学习、集成与混合模型、可解释AI技术、整合性多组学算法和高级网络分析等前沿方法 | 未提及具体限制 | 提升心血管疾病的早期诊断、风险预测和患者分层能力，推动精准医疗发展 | 心血管疾病及其亚型（如早期心脏代谢疾病） | 机器学习 | 心血管疾病 | NA | 深度学习、集成模型、混合模型 | 多组学数据（基因组、转录组、蛋白质组、代谢组等） | NA | NA | NA | NA | NA |
| 352 | 2026-05-27 |
AI in multi-omics analysis in AMR
2026, Progress in molecular biology and translational science
DOI:10.1016/bs.pmbts.2026.02.001
PMID:42173634
|
综述 | 探讨人工智能在多组学分析抗菌药物耐药性中的作用 | 系统评述了AI驱动多组学分析在AMR研究中的概念基础、方法进展、代表性应用及转化意义 | AI策略面临的局限包括数据标准化不足、稳健验证缺乏以及跨学科协作需求 | 综述AI在多组学分析AMR中的角色与前景 | 抗菌药物耐药性及其多组学数据 | 机器学习 | 抗菌药物耐药性 | 多组学技术（基因组学、转录组学、蛋白质组学、代谢组学） | NA | 多组学数据（基因组、转录组、蛋白质组、代谢组） | NA | NA | NA | NA | NA |
| 353 | 2026-05-27 |
Artificial intelligence in multi-omics analysis of neurological diseases
2026, Progress in molecular biology and translational science
DOI:10.1016/bs.pmbts.2026.01.016
PMID:42173630
|
综述 | 探讨人工智能在多组学分析神经退行性疾病中的应用与进展 | 系统整合人工智能在神经系统疾病研究中的发展历程，从传统规则系统到深度学习基础模型，并提供组学组合与AI方法匹配的实用指南 | 未提及具体研究案例的局限性及临床转化中的实际困难 | 为神经科学研究者提供多组学与AI结合的理论知识和实践指导 | 阿尔茨海默病、帕金森病、多发性硬化症、精神分裂症等神经系统疾病的多组学数据 | machine learning | 神经系统疾病 | 多组学测序 | 深度学习框架、基础模型 | 基因表达、蛋白质组、代谢组等多模态组学数据 | NA | NA | NA | NA | NA |
| 354 | 2026-05-27 |
AI-powered epidemic control: Deepseek's role in global health resilience
2025-Dec-16, Journal of translational medicine
IF:6.1Q1
DOI:10.1186/s12967-025-07082-1
PMID:41402882
|
研究论文 | 利用DeepSeek平台通过整合多源实时数据与深度学习模型来实现流行病管理 | 提出基于AI的流行病管理平台，结合LSTM与Transformer模型并融入可解释决策框架，提升公共卫生响应能力 | 数据隐私和模型准确性的挑战 | 增强全球健康韧性 | 流行病管理过程 | 机器学习 | NA | NA | LSTM, Transformer | 流行病学数据、社交媒体数据、移动性数据 | NA | NA | LSTM, Transformer | NA | NA |
| 355 | 2026-05-27 |
SleepPPG-Net2: deep learning generalization for sleep staging from photoplethysmography
2025-12-08, Physiological measurement
IF:2.3Q3
DOI:10.1088/1361-6579/ae1a34
PMID:41172609
|
研究论文 | 提出SleepPPG-Net2深度学习模型，利用光电容积描记术原始时间序列进行四类睡眠分期，提高外部泛化能力 | 采用多源域训练方法提升跨域泛化性能，评估人口学因素和阻塞性睡眠呼吸暂停对模型表现的影响 | NA | 改进基于光电容积描记术的睡眠分期方法，增强模型在未知数据集上的泛化能力 | 睡眠分期（清醒、浅睡、深睡、快速眼动期） | 机器学习 | 睡眠障碍 | 光电容积描记术 | 深度学习 | 时间序列 | NA | NA | SleepPPG-Net2 | Cohen's kappa系数 | NA |
| 356 | 2026-05-27 |
A Fusion Model of ResNet and Vision Transformer for Efficacy Prediction of HIFU Treatment of Uterine Fibroids
2025-12, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.08.054
PMID:40935773
|
研究论文 | 提出一种融合ResNet和Vision Transformer的深度学习模型用于预测高强度聚焦超声治疗子宫肌瘤的疗效 | 首次将ResNet的局部纹理特征提取与ViT的全局空间特征表征进行并行融合，验证协同表征策略可提高HIFU疗效预测精度 | 未提及模型在多中心或更大规模数据集上的泛化性验证，以及特征贡献度分析可能受限于SHAP方法的线性近似假设 | 验证局部纹理与全局空间特征的协同表征能否提高高强度聚焦超声治疗子宫肌瘤疗效预测的准确性 | 接受高强度聚焦超声治疗的子宫肌瘤患者 | 计算机视觉 | 子宫肌瘤 | 磁共振成像 | ResNet与Vision Transformer并行融合模型 | 图像 | 训练集272例，内部验证集92例，外部测试集125例 | PyTorch | ResNet-18, Vision Transformer | AUC | NA |
| 357 | 2026-05-27 |
Granulocyte abundance and maturation state at diagnosis predicts treatment-free remission in CML
2025-12, Leukemia
IF:12.8Q1
DOI:10.1038/s41375-025-02769-2
PMID:40958033
|
研究论文 | 探索诊断时骨髓细胞形态学特征预测慢性粒细胞白血病患者治疗无缓解的潜力 | 利用深度学习图像分析技术数字化骨髓细胞形态学涂片，发现中性粒细胞丰度和粒细胞成熟度与持续治疗无缓解相关联，并证明其独立于已知临床因素的影响 | 未提及 | 识别能够预测慢性粒细胞白血病患者治疗无缓解的标准化生物标志物 | 113例慢性期慢性粒细胞白血病患者的诊断性骨髓抽吸样本 | 数字病理学 | 慢性粒细胞白血病 | 深度学习图像分析 | NA | 图像 | 113例慢性期CML患者及942例对照骨髓样本 | NA | NA | NA | NA |
| 358 | 2026-05-27 |
A Cascaded Segmentation-Classification Deep Learning Framework for Preoperative Prediction of Occult Peritoneal Metastasis and Early Recurrence in Advanced Gastric Cancer
2025-11, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.08.006
PMID:40912952
|
研究论文 | 开发了一种级联深度学习框架，结合肿瘤分割和转移风险分层，用于术前预测晚期胃癌的隐匿性腹膜转移和早期复发 | 提出了一种两阶段级联深度学习框架，先进行V-Net肿瘤分割，再进行基于深度学习的转移风险分类，并整合临床病理预测因子构建组合模型，首次实现术前预测晚期胃癌隐匿性腹膜转移和早期腹膜复发的双重任务 | 未提及具体局限性 | 开发并验证一种基于CT的级联深度学习框架，用于术前预测晚期胃癌的隐匿性腹膜转移和早期复发，以优化个性化治疗路径 | 来自三个医疗中心的765例晚期胃癌患者 | 计算机视觉 | 胃癌 | CT成像 | V-Net | 图像 | 765例晚期胃癌患者，内部分为训练集和验证集（OPM 168例，早期PR 212例），外部验证集57例 | NA | V-Net | AUC、灵敏度、特异度 | NA |
| 359 | 2026-05-27 |
N2G calibrator: a cross-subject domain adversarial training framework for gait tracking from neural signals in Parkinson's disease
2025-Oct-09, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.10.08.25337508
PMID:41282855
|
研究论文 | 提出一种跨受试者域对抗训练框架，利用群体神经数据跟踪帕金森病患者的步态表现 | 通过域对抗学习校准目标用户的神经信号，无需同步步态记录系统即可实现个性化模型校准 | 未明确提及限制 | 开发无需大量用户特定数据采集的步态跟踪方法 | 帕金森病患者的神经信号和步态表现 | 机器学习 | 帕金森病 | NA | 域对抗学习模型 | 神经信号 | NA | PyTorch | 域对抗网络 | 错误率 | NA |
| 360 | 2026-05-27 |
SpaGene: A Deep Adversarial Framework for Spatial Gene Imputation
2025-Oct-06, bioRxiv : the preprint server for biology
DOI:10.1101/2025.10.03.680242
PMID:41278680
|
研究论文 | 提出SpaGene，一种用于整合单细胞RNA测序和空间转录组学数据以推断缺失基因表达的深度学习框架 | 采用两个编码器-解码器对结合两个翻译器和两个判别器的深度对抗框架，有效实现空间基因表达插补 | 未提及 | 通过整合单细胞和空间转录组学数据，提供全面的空间解析转录组信息以深入理解组织生物学和疾病进展 | 单细胞RNA测序数据和空间转录组学数据 | 数字病理学 | 肺癌 | RNA测序，空间转录组学 | 生成对抗网络 | 基因表达数据 | 多个数据集（具体数量未提及） | PyTorch | 编码器-解码器，翻译器，判别器 | 皮尔逊相关系数，结构相似性指数，均方根误差 | 未提及 |