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 36434 篇文献，本页显示第 3681 - 3700 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 3681 | 2025-11-15 |
Interpretable neural architecture search and transfer learning for understanding CRISPR-Cas9 off-target enzymatic reactions
2023-12, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-023-00569-1
PMID:38177723
|
研究论文 | 提出Elektrum深度学习框架，通过可解释神经网络架构搜索和迁移学习预测CRISPR-Cas9脱靶编辑概率 | 结合数据驱动和生物物理可解释模型，通过体外动力学假设生成和体内迁移学习的两阶段框架 | NA | 开发预测性和可解释的酶促通路模型 | CRISPR-Cas9脱靶编辑反应 | 机器学习 | NA | 体外动力学检测，深度学习 | CNN，可解释神经网络 | 体外动力学数据，体内反应数据 | NA | NA | KINNs（动力学可解释神经网络），卷积神经网络 | 预测性能，正则化效果，可解释性 | NA |
| 3682 | 2025-11-15 |
Deep contrastive learning of molecular conformation for efficient property prediction
2023-12, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-023-00560-w
PMID:38177719
|
研究论文 | 提出一种基于深度对比学习的分子构象领域自适应方法LACL，用于高效预测分子性质 | 通过局部原子环境对比学习形成领域无关的潜在空间，规避了几何弛豫瓶颈同时保持量子化学精度 | NA | 解决不同构象生成方法间的领域偏移问题，实现准确的分子性质预测 | 有机小分子、生物和药理学长链分子 | 机器学习 | NA | 对比学习 | 深度学习 | 分子构象数据 | NA | NA | LACL（局部原子环境对比学习） | 量子化学精度 | NA |
| 3683 | 2025-11-15 |
Predictive analyses of regulatory sequences with EUGENe
2023-11, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-023-00544-w
PMID:38177592
|
研究论文 | 介绍了一个名为EUGENe的FAIR工具包，用于使用深度学习分析基因组序列 | 开发了首个完全符合FAIR原则的深度学习工具包，专门用于调控基因组学分析 | NA | 为基因组序列的深度学习分析提供标准化工具包 | 基因组调控序列 | 生物信息学 | NA | 深度学习 | 神经网络 | 基因组序列数据 | NA | PyTorch, TensorFlow | 多种架构 | NA | NA |
| 3684 | 2025-11-15 |
Deep learning-guided discovery of an antibiotic targeting Acinetobacter baumannii
2023-11, Nature chemical biology
IF:12.9Q1
DOI:10.1038/s41589-023-01349-8
PMID:37231267
|
研究论文 | 利用深度学习发现针对鲍曼不动杆菌的新型抗生素阿鲍辛 | 首次通过神经网络筛选发现具有窄谱活性的新型抗生素，并揭示其通过干扰LolE蛋白影响脂蛋白运输的独特机制 | 仅针对单一病原体进行验证，尚未评估对其它耐药菌的活性 | 开发针对多重耐药鲍曼不动杆菌的新型抗生素 | 鲍曼不动杆菌菌株及约7,500个小分子化合物 | 机器学习 | 细菌感染 | 体外生长抑制实验、计算机预测、小鼠伤口感染模型 | 神经网络 | 化学分子结构数据、细菌生长数据 | 约7,500个分子化合物 | NA | NA | NA | NA |
| 3685 | 2025-11-15 |
A software framework for end-to-end genomic sequence analysis with deep learning
2023-11, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-023-00557-5
PMID:38177600
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3686 | 2025-11-15 |
Auto-Segmentation and Classification of Glioma Tumors with the Goals of Treatment Response Assessment Using Deep Learning Based on Magnetic Resonance Imaging
2023-10, Neuroinformatics
IF:2.7Q3
DOI:10.1007/s12021-023-09640-8
PMID:37458971
|
研究论文 | 本研究开发基于深度学习的自动分割和分类系统，用于胶质瘤治疗反应评估 | 结合U-Net网络进行肿瘤自动分割和迁移学习分类器，实现胶质瘤治疗反应的自动化评估 | 研究样本量有限（49例患者），仅基于MRI图像进行分析 | 开发基于深度学习的自动化工具用于胶质瘤放疗反应评估 | 胶质瘤患者和BraTS 2018挑战赛数据集 | 数字病理学 | 胶质瘤 | 磁共振成像 | CNN | 图像 | BraTS数据集285例（210 HGG + 75 LGG） + 49例本地患者 | NA | U-Net | p值，置信区间 | NA |
| 3687 | 2025-11-15 |
Interpretable neural architecture search and transfer learning for understanding CRISPR/Cas9 off-target enzymatic reactions
2023-Sep-29, ArXiv
PMID:37808087
|
研究论文 | 开发了一个可解释的深度学习框架，用于预测CRISPR/Cas9脱靶编辑概率 | 结合了可解释神经网络架构搜索和迁移学习，既能保持物理可解释性又能实现最先进性能 | 未明确说明样本规模和数据来源的具体限制 | 建立预测性和可解释的酶促反应动力学模型 | CRISPR/Cas9脱靶编辑反应 | 机器学习 | NA | CRISPR/Cas9基因编辑技术 | CNN, 神经网络集成 | 动力学测定数据，细胞环境数据 | NA | NA | KINN（动力学可解释神经网络），卷积神经网络 | NA | NA |
| 3688 | 2025-11-15 |
Efficient and accurate large library ligand docking with KarmaDock
2023-09, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-023-00511-5
PMID:38177786
|
研究论文 | 提出了一种用于配体对接的深度学习框架KarmaDock，集成了对接加速、结合姿态生成与校正以及结合强度估计功能 | 首次将E(n)等变图神经网络与自注意力机制结合用于配体对接，同时实现姿态优化和结合强度评估的三阶段模型 | 仅在四个基准数据集和单一真实虚拟筛选项目中验证，需要更广泛的应用场景测试 | 开发高效准确的大规模配体对接方法以改进基于结构的虚拟筛选 | 蛋白质-配体复合物 | 机器学习 | NA | 虚拟筛选 | 图神经网络, 混合密度网络 | 分子结构数据 | 四个基准数据集和一个真实虚拟筛选项目 | NA | E(n) equivariant graph neural networks, self-attention, mixture density network | 对接速度, 姿态质量, 结合亲和力准确性 | NA |
| 3689 | 2025-11-15 |
Progress in using deep learning to treat cancer
2023-09, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-023-00514-2
PMID:38177785
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3690 | 2025-11-15 |
Machine-guided path sampling to discover mechanisms of molecular self-organization
2023-04, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-023-00428-z
PMID:38177937
|
研究论文 | 提出一种结合深度学习和过渡路径理论的自主动力学路径采样算法，用于发现分子自组织现象的机制 | 开发了能够自主构建、验证和更新定量机制模型的路径采样算法，通过符号回归将学习机制转化为人类可解释的物理观测量形式 | NA | 探索分子自组织现象的机制发现方法 | 溶液中的离子缔合、天然气水合物晶体形成、聚合物折叠和膜蛋白组装 | 机器学习 | NA | 深度学习, 过渡路径理论, 符号回归 | 深度学习模型 | 分子动力学轨迹数据 | NA | NA | NA | NA | NA |
| 3691 | 2025-11-15 |
Deep learning to estimate brain age
2023-01, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-023-00398-2
PMID:38177962
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3692 | 2025-11-14 |
Deep learning-based cross-device standardization of surface-enhanced Raman spectroscopy for enhanced bacterial recognition
2026-Feb-15, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
DOI:10.1016/j.saa.2025.126931
PMID:40991976
|
研究论文 | 提出深度学习框架解决便携式与实验室级拉曼光谱设备间的标准化问题，提升细菌识别性能 | 开发SERS-D2DNet序列到序列网络实现跨设备光谱标准化，结合轻量级SuperRaman网络实现高效细菌分类 | 仅使用20种分析物类别，设备类型有限（4种便携设备+1种实验室设备） | 解决便携式与实验室级拉曼光谱设备间的标准化问题，提升病原体识别可靠性 | 临床相关细菌特征和参考化合物的SERS光谱数据 | 机器学习 | 细菌感染 | 表面增强拉曼光谱(SERS) | 序列到序列神经网络,超操作神经网络(Super-ONN) | 光谱数据 | 20种分析物类别的SERS光谱数据 | NA | SERS-D2DNet, SuperRaman | 平均绝对误差(MAE), 相关系数(R), 分类准确率 | NA |
| 3693 | 2025-11-14 |
Integrating spectroscopy with machine learning and deep learning for monitoring mung plant responses to silicon dioxide nanoparticles
2026-Feb-15, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
DOI:10.1016/j.saa.2025.126963
PMID:40991978
|
研究论文 | 本研究结合共聚焦显微拉曼光谱、紫外-可见光谱与机器学习和深度学习算法，评估绿豆植物对二氧化硅纳米颗粒的生化响应 | 首次将光谱技术与多种计算算法集成，建立非侵入式监测植物-纳米材料相互作用的框架 | 仅针对绿豆植物和二氧化硅纳米颗粒进行研究，未验证其他植物或纳米材料 | 开发监测植物对纳米颗粒生化响应的新方法 | 暴露于不同浓度二氧化硅纳米颗粒的绿豆植物 | 机器学习 | NA | 共聚焦显微拉曼光谱, 紫外-可见光谱 | LDA, AGNES, DBSCAN, k-means, 随机森林, 支持向量机, 深度学习 | 光谱数据 | 不同浓度二氧化硅纳米颗粒处理的绿豆植物样本 | NA | NA | 准确率, RI | NA |
| 3694 | 2025-11-14 |
Analysis of moldy peanuts by Raman hyperspectral imaging
2026-Feb-15, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
DOI:10.1016/j.saa.2025.126971
PMID:41038081
|
研究论文 | 利用拉曼高光谱成像技术分析混合品种霉变花生 | 结合一维光谱数据和二维空间信息，采用s-GoogLeNet深度学习模型实现混合品种霉变花生的高精度检测 | 仅针对五种特定花生品种进行研究，未涉及其他品种或更广泛的应用场景 | 开发霉变花生的快速检测方法以提高粮食安全 | 混合品种霉变花生（包括白沙、伯克、红沙、花红和花衣红火五个品种） | 计算机视觉 | NA | 拉曼高光谱成像 | 深度学习,传统机器学习 | 高光谱图像 | 五种花生品种的混合样本 | NA | s-GoogLeNet | 准确率,F1分数 | NA |
| 3695 | 2025-11-14 |
Deep neural network-based detection of lead contamination via Förster resonance energy transfer in live cells
2026-Feb-15, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
DOI:10.1016/j.saa.2025.127015
PMID:41075414
|
研究论文 | 本研究开发了一种基于FRET生物传感器和深度学习模型的便携式铅污染检测方法 | 首次将FRET生物传感器与EfficientNet深度学习模型结合，实现现场可部署的铅污染水平分类 | 30分钟和60分钟反应时间的AUC分别为69.8%和72.0%，识别准确率有待进一步提升 | 开发一种能够现场检测铅污染水平的便携式检测平台 | HEK293T活细胞中的铅离子浓度 | 计算机视觉 | 重金属中毒 | FRET（Förster共振能量转移）、荧光显微镜、活细胞成像 | CNN | 图像 | 1131对图像（30分钟和60分钟反应时间） | NA | EfficientNet | AUC, Youden's J统计量, 损失函数 | NA |
| 3696 | 2025-11-14 |
Deep learning with multimodal Raman spectral fusion framework: An analytical approach for microalgal lipid quantification
2026-Feb-15, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
DOI:10.1016/j.saa.2025.127009
PMID:41076933
|
研究论文 | 本研究提出了一种融合多模态拉曼光谱与深度学习的微藻脂质定量分析方法 | 创新性地将深度学习与多模态拉曼成像相结合，构建了基于双分支注意力机制的卷积神经网络，实现了微藻单细胞脂质积累的精确动态调控 | NA | 开发精确、绿色、动态的微藻脂质定量检测方法，阐明超声波诱导脂质合成机制 | 微藻细胞 | 机器学习 | NA | 多频超声波、拉曼光谱、RGB成像 | CNN | 拉曼光谱数据、RGB图像 | NA | NA | 双分支注意力卷积神经网络(DBACNN) | 决定系数(R)、均方根误差(RMSE) | NA |
| 3697 | 2025-11-14 |
A Shape and Size-Scaled Deep Learning Brain Injury Model for Near Real-Time Dynamic Impact Simulation
2026-Feb-01, Journal of biomechanical engineering
DOI:10.1115/1.4070192
PMID:41134603
|
研究论文 | 本研究开发了一种形状和尺寸可缩放的深度学习脑损伤模型，用于近实时动态冲击模拟 | 将通用的50百分位成年男性脑模型扩展到适用于男性、女性和青少年的个性化替代模型，并引入三个缩放因子作为额外输入 | 模型基于模拟数据训练，需要进一步验证真实世界应用的准确性 | 开发快速估计脑变形的高效深度学习脑损伤模型 | 创伤性脑损伤(TBI)中的脑变形和轴索损伤 | 数字病理 | 创伤性脑损伤 | 深度学习，有限元模拟 | CNN | 体素化脑-颅骨相对位移数据 | 1363个基于随机缩放Worcester头部损伤模型V1.0的模拟头部冲击样本 | NA | 多任务卷积神经网络 | R2, RMSE, 线性回归斜率, Pearson相关系数, 成功率 | 笔记本电脑(<1秒) vs 高端集群(>30分钟) |
| 3698 | 2025-11-14 |
MultiExCam: A multi approach and explainable artificial intelligence architecture for skin lesion classification
2026-Jan, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2025.109081
PMID:41021995
|
研究论文 | 提出一种用于皮肤病变分类的多方法可解释人工智能架构MultiExCam | 首次实现深度学习与机器学习的真正混合集成，采用自适应集成架构学习个性化决策策略，结合GradCAM和SHAP提供全面可解释性 | 未明确说明计算资源需求和模型训练时间 | 开发能够同时提供高诊断性能和临床可解释性的皮肤癌检测AI系统 | 皮肤病变图像分类 | 计算机视觉 | 皮肤癌 | 数字成像处理 | CNN, 集成学习, 前馈神经网络 | 皮肤镜图像, 深度学习特征, 手工统计特征 | 三个数据集（HAM10000, ISIC, MED-NODE） | NA | 卷积神经网络, 前馈神经网络（带门控和注意力机制） | AUC, F1-score | NA |
| 3699 | 2025-11-14 |
A deep learning model leveraging semantic features fusion for DNase I hypersensitive sites identification in the human genome
2026-Jan, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2025.109127
PMID:41151193
|
研究论文 | 提出多种深度学习模型用于识别人类基因组中的DNase I超敏感位点 | 首次将语义特征融合表示集成到模型中，有效捕捉复杂DHS序列中的局部和全局模式及时空依赖关系 | 未提及模型在独立验证集上的泛化能力及计算效率分析 | 开发高性能、低成本的DHS识别计算方法 | 人类基因组中的DNase I超敏感位点 | 生物信息学 | 乳腺癌, 冠状动脉疾病, 阿尔茨海默病, 自身免疫疾病, 神经系统疾病 | 深度学习 | CNN, GRU | 基因组序列数据 | NA | NA | 1维CNN, CNN-GRU融合模型, CNN-kmer融合模型, CNN-GRU-kmer融合模型 | 准确率, 灵敏度, 特异性, MCC, AUC ROC, AUC PR | NA |
| 3700 | 2025-11-14 |
MEMOL: Mixture of experts for multimodal learning through multi-head attention to predict drug toxicity
2026-Jan, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2025.109088
PMID:41046705
|
研究论文 | 提出一种基于多头注意力的多模态混合专家模型MEMOL，用于预测药物毒性 | 将稀疏混合专家机制直接集成到注意力机制中，通过自注意力和交叉注意力增强多模态特征提取与融合 | NA | 开发精确的药物毒性预测方法 | 分子图像、分子图和分子指纹三种分子模态 | 机器学习 | NA | 多模态学习 | 混合专家模型,多头注意力 | 分子图像,分子图,分子指纹 | NA | NA | MEMOL | AUROC,AUPRC | NA |