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 36487 篇文献，本页显示第 3781 - 3800 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 3781 | 2025-11-15 |
Development of an Improved Stacked U-Net Model for Cuffless Blood Pressure Estimation Based on PPG Signals
2025, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2025.3624566
PMID:41221440
|
研究论文 | 开发了一种改进的堆叠U-Net深度学习模型，仅使用光电容积脉搏波信号进行无袖带血压估计 | 引入速度容积脉搏波输入，采用加性空间和通道注意力机制，改进特征提取并缓解U-Net架构中的解码器不匹配问题 | NA | 提高无创血压测量的准确性 | 光电容积脉搏波信号 | 机器学习 | 心血管疾病 | 光电容积脉搏波 | U-Net | 信号数据 | NA | NA | 堆叠U-Net | 平均绝对误差 | NA |
| 3782 | 2025-11-15 |
Enhancing Super-Resolution Network Efficacy in CT Imaging: Cost-Effective Simulation of Training Data
2025, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2025.3610160
PMID:41221441
|
研究论文 | 提出一种从薄层CT图像生成厚层CT图像的简单而真实的方法，用于创建超分辨率算法的训练数据对 | 首次识别并解决了基于深度学习的CT超分辨率模型生成适当配对训练数据的挑战，提出的方法既简单又真实，无需原始数据或复杂重建算法 | NA | 增强CT成像中超分辨率网络的效能和适用性 | CT图像，特别是肺纤维化相关的厚层CT图像 | 医学影像处理 | 肺纤维化 | CT成像 | 生成模型 | CT图像 | NA | NA | NA | PSNR | NA |
| 3783 | 2025-11-15 |
Application of a convolutional neural network model to construct an automatic, AI-based identification system for rat kidney tissue microscopic images
2025, Folia neuropathologica
IF:1.5Q3
DOI:10.5114/fn.2025.153859
PMID:41229247
|
研究论文 | 开发基于卷积神经网络的AI识别系统用于大鼠肾脏组织显微图像的自动分析 | 设计了基于残差学习思想的ResPool采样结构，成功实现了肾小球实例分割和损伤分析 | 由于输入图像分辨率较高需要多次采样，跨度乘数水平显著影响网络性能 | 构建基于深度学习的肾脏病理图像自动识别系统 | 大鼠慢性肾病模型的肾脏组织显微图像 | 数字病理 | 慢性肾脏病 | 组织染色显微成像 | CNN | 图像 | 5个病理组×3种染色×50张图像=750张训练图像 | NA | ResNet | 准确率 | NA |
| 3784 | 2025-11-15 |
Correction: An explainable hybrid deep learning framework for precise skin lesion segmentation and multi-class classification
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1724427
PMID:41234911
|
correction | 对一篇关于皮肤病变分割与多分类的混合深度学习框架论文进行更正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3785 | 2025-11-15 |
Learning meaningful representation of single-neuron morphology via large-scale pre-training
2024-09-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae395
PMID:39230697
|
研究论文 | 提出MorphRep模型，通过大规模预训练学习单神经元形态的有意义表示 | 首次使用超过25万神经元形态数据进行大规模预训练，采用图结构数据编码和图形变换器，通过多增强视图一致性学习实现最先进性能 | NA | 开发能够准确表征神经元形态的计算模型 | 单神经元形态结构 | 机器学习 | 脑部疾病 | 显微镜成像 | 图变换器 | 图结构数据 | 超过250,000个神经元形态数据 | NA | 图变换器 | NA | NA |
| 3786 | 2025-11-15 |
Protein structure prediction with in-cell photo-crosslinking mass spectrometry and deep learning
2023-12, Nature biotechnology
IF:33.1Q1
DOI:10.1038/s41587-023-01704-z
PMID:36941363
|
研究论文 | 本研究开发了AlphaLink方法，通过将实验距离约束信息整合到AlphaFold2网络架构中，提升具有构象变化或同源序列稀少蛋白质的结构预测精度 | 提出首个将细胞内光交联质谱实验数据整合到深度学习蛋白质结构预测框架的方法，通过稀疏实验接触点作为锚点改进预测性能 | 未明确说明方法对各类蛋白质构象变化的普适性及计算效率的具体评估 | 改进蛋白质结构预测精度，特别是针对构象变化蛋白质和同源序列稀少的困难目标 | 蛋白质三维结构，特别是具有构象变化的蛋白质 | 计算生物学 | NA | 光交联质谱，非经典氨基酸光亮氨酸标记 | 深度学习 | 蛋白质序列数据，质谱实验数据，距离约束信息 | NA | AlphaFold2 | AlphaFold2改进架构 | 结构预测精度 | NA |
| 3787 | 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 |
| 3788 | 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 |
| 3789 | 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 |
| 3790 | 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 |
| 3791 | 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 |
| 3792 | 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 |
| 3793 | 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 |
| 3794 | 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 |
| 3795 | 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 |
| 3796 | 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 |
| 3797 | 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 |
| 3798 | 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 |
| 3799 | 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 |
| 3800 | 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 |