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 42799 篇文献，本页显示第 3861 - 3880 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 3861 | 2026-02-18 |
Weakly human-supervised deep learning for real-time detection of high-grade aggressive clear cell renal cell carcinoma on contrast-enhanced CT
2026-Feb, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70348
PMID:41699993
|
研究论文 | 本研究开发并验证了一种人机交互网络KtSNet，用于在增强CT图像上实时检测高级别侵袭性肾透明细胞癌 | 结合自监督基础模型与弱监督学习，实现了人机交互的实时检测，并通过大规模跨模态数据集进行预训练以提升性能 | 未明确提及模型在更广泛人群或不同扫描协议下的泛化能力，以及临床部署的具体挑战 | 设计并验证一种基于弱监督学习的人机交互网络，以提升增强CT对高级别侵袭性肾透明细胞癌的检测性能 | 肾透明细胞癌患者，特别是高级别侵袭性亚型 | 数字病理学 | 肾癌 | 对比增强计算机断层扫描 | 深度学习模型 | 医学影像 | 1092名患者，分为训练集（611例）、内部测试集（153例）和外部测试集（328例），预训练使用40000例跨模态数据集 | NA | KtSNet, SSFM | ROC曲线下面积, PR曲线下面积, F1分数 | NA |
| 3862 | 2026-02-18 |
Smart assistive technologies for neurodisorders: A review on AI, IoT, and wearable systems for enhanced patient care
2026-Jan-30, Neurological sciences : official journal of the Italian Neurological Society and of the Italian Society of Clinical Neurophysiology
IF:2.7Q3
DOI:10.1007/s10072-025-08790-8
PMID:41612095
|
综述 | 本文对神经系统疾病的智能辅助技术进行了全面回顾，涵盖了AI、物联网和可穿戴系统在增强患者护理中的应用 | 提出了一个基于神经系统疾病、智能技术、功能层和临床结果的四维统一分类法，并系统总结了AI、物联网和可穿戴系统三大智能辅助技术 | 存在多模态融合挑战、数据隐私限制以及需要自适应模型等局限性 | 回顾智能辅助技术在神经系统疾病诊断、监测和康复中的应用，以提升患者护理质量 | 神经系统疾病患者，包括阿尔茨海默病、帕金森病、癫痫、脊髓损伤和神经发育障碍等 | 机器学习 | 神经系统疾病 | AI, IoT, 可穿戴系统 | 混合深度学习 | 神经信号, 行为数据, 多传感器数据 | 基于154篇同行评审文章的系统分析 | NA | NA | 检测率, 精确率, 召回率, 处理时间 | NA |
| 3863 | 2026-02-18 |
Explainable Hybrid Deep Learning Framework Integrating MobileNetV2, EfficientNetV2B0, and KNN for MRI-Based Brain Tumor Classification
2026-Jan-23, Cellular and molecular neurobiology
IF:3.6Q2
DOI:10.1007/s10571-025-01660-z
PMID:41578036
|
研究论文 | 本研究提出了一种轻量级且可解释的混合深度学习框架，用于基于MRI的脑肿瘤分类 | 融合了MobileNetV2和EfficientNetV2B0两个高效卷积骨干网络的特征，采用晚期融合策略，并结合KNN分类器，同时通过Grad-CAM和SHAP分析增强模型的可解释性 | 结果基于统一数据集得出，需要外部验证 | 开发一个准确且透明的AI框架，用于脑肿瘤的MRI图像分类 | MRI图像中的脑肿瘤，包括胶质瘤、脑膜瘤、垂体瘤和无肿瘤类别 | 计算机视觉 | 脑肿瘤 | MRI | CNN, KNN | 图像 | 7023张MRI图像 | NA | MobileNetV2, EfficientNetV2B0 | 准确率, 精确率, 召回率, F1分数, ROC-AUC | NA |
| 3864 | 2026-02-18 |
Deep Learning-Based Classification of Temporal Stages of AT8-Labeled Tau Pathology After Experimental Traumatic Brain Injury
2026-Jan-19, Neuroinformatics
IF:2.7Q3
DOI:10.1007/s12021-025-09763-0
PMID:41553585
|
研究论文 | 本研究评估了一种基于深度学习的框架，用于在实验性创伤性脑损伤小鼠模型中，对AT8标记的tau病理学多个时间阶段进行分类 | 将深度学习应用于创伤性脑损伤后tau病理学时间阶段的自动分类，这是一个尚未充分探索的应用领域 | 结果基于内部交叉验证，缺乏独立的动物级别标识符或外部队列验证，需要更大规模的多中心数据集和切片级别建模来评估泛化能力 | 开发一种可扩展的自动化方法，用于临床前组织学中tau病理学的时间阶段分类 | 实验性创伤性脑损伤小鼠模型中AT8染色的皮质显微图像 | 数字病理学 | tau蛋白病 | AT8免疫染色 | CNN | 图像 | 未明确指定样本数量，但图像按损伤后四个阶段分组：1天、1周、1个月和3个月 | 未明确指定，但提及了深度学习框架 | 自定义CNN, InceptionV3, DenseNet | 准确率, 宏F1分数, 每类F1分数, 一对多AUC | NA |
| 3865 | 2026-02-18 |
3D reconstruction of spatial transcriptomics with spatial pattern enhanced graph convolutional neural network
2026-Jan-14, bioRxiv : the preprint server for biology
DOI:10.64898/2026.01.13.699328
PMID:41648149
|
研究论文 | 本文提出了一种名为Spa3D的方法，利用抗泄漏傅里叶变换和图卷积神经网络模型，从多个二维空间转录组学切片重建三维空间结构 | Spa3D首次通过三维重建技术，结合抗泄漏傅里叶变换和图卷积神经网络，克服了现有方法仅依赖二维坐标的局限，提升了空间域识别、细胞间通讯分析和器官发育模式建模的准确性 | 未在摘要中明确说明 | 开发一种能够从二维空间转录组学数据重建三维空间结构的方法，以更准确地分析生物医学研究中的空间域、基因表达和细胞通讯 | 空间转录组学数据，包括多个二维切片 | 计算生物学 | NA | 空间转录组学 | 图卷积神经网络 | 空间转录组学数据 | NA | NA | 图卷积神经网络 | NA | NA |
| 3866 | 2026-02-18 |
Deep learning-guided design of cell type-specific AAV promoters
2026-Jan-14, bioRxiv : the preprint server for biology
DOI:10.64898/2026.01.13.699371
PMID:41648586
|
研究论文 | 本文利用深度学习技术设计细胞类型特异性AAV启动子，以精确靶向视网膜神经节细胞和水平细胞 | 首次将深度学习方法应用于基于单细胞染色质可及性数据生成细胞类型特异性AAV启动子，相比传统理性设计方法表现出更强的表达特异性和活性 | 研究主要在小鼠视网膜和人类视网膜类器官中进行验证，尚未在完整活体动物或临床环境中全面测试 | 开发细胞类型特异性AAV启动子设计方法，以提升基因治疗和基础研究中病毒载体的靶向精度 | 小鼠视网膜中的视网膜神经节细胞和水平细胞，以及人类视网膜类器官 | 机器学习 | NA | 单细胞染色质可及性数据，深度学习 | 深度学习 | 单细胞染色质可及性数据 | NA | NA | NA | 表达强度和特异性 | NA |
| 3867 | 2026-02-18 |
fMRI-Based Prediction of Eye Gaze During Naturalistic Movie Viewing Reveals Eye-Movement-Related Brain Activity
2026-Jan-12, bioRxiv : the preprint server for biology
DOI:10.64898/2026.01.10.698820
PMID:41648273
|
研究论文 | 本研究应用预训练的fMRI深度神经网络模型DeepMReye，从三个独立的fMRI数据集中估计自然观看电影时的眼动注视点，并评估其预测性能及相关的脑活动 | 首次将预训练的fMRI深度神经网络模型应用于多个独立数据集，系统评估了基于fMRI的眼动注视点预测在个体和群体水平的性能差异，并探索了其揭示眼动相关脑活动的潜力 | 个体水平的预测准确性有限（相关系数约-0.38至0.67），年龄相关效应在不同数据集中不一致，群体水平分析虽更可靠但可能掩盖个体差异 | 评估基于fMRI的深度学习方法预测自然观看电影时眼动注视点的可行性，并探索其用于研究眼动相关脑活动的适用性 | 三个独立的fMRI数据集，包含观看电影时的脑成像数据及可用的相机眼动追踪数据 | 神经影像分析 | NA | 功能磁共振成像（fMRI），相机眼动追踪 | 深度神经网络 | fMRI时间序列数据，眼动追踪数据 | 三个独立fMRI数据集（具体样本数量未明确说明） | NA | DeepMReye | 相关系数（r） | NA |
| 3868 | 2026-02-18 |
Machine and deep learning models for ligament injury recognition: a systematic review and meta-analysis of imaging and novel diagnostic techniques
2026-Jan-09, EFORT open reviews
IF:4.3Q1
DOI:10.1530/EOR-2025-0038
PMID:41511891
|
系统综述与荟萃分析 | 本文通过系统综述和荟萃分析评估了机器学习和深度学习模型在不同医学成像模态下识别韧带损伤的诊断性能 | 首次对机器学习和深度学习模型在韧带损伤诊断中的性能进行全面的系统综述和荟萃分析，整合了多种成像技术和新型诊断方法 | 纳入研究数量有限（23项研究），可能存在发表偏倚，且不同研究间的模型和成像技术异质性较高 | 评估各种机器学习和深度学习模型在识别韧带损伤中的诊断性能，以支持临床决策 | 韧带损伤的诊断 | 机器学习和深度学习在医学影像中的应用 | 韧带损伤 | 医学成像技术（未具体指定，但包括多种模态） | 机器学习和深度学习模型 | 医学影像数据 | 来自23项研究的59个算法，具体样本量未在摘要中提供 | NA | NA | 灵敏度、特异性、阳性似然比（PLR）、阴性似然比（NLR）、对数诊断比值比（lnDOR）、曲线下面积（AUC） | NA |
| 3869 | 2026-02-18 |
Unrolling Plug-and-Play Gradient Graph Laplacian Regularizer for Image Restoration
2026, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2025.3562425
PMID:40272955
|
研究论文 | 本文提出了一种基于图拉普拉斯正则化的可解释图像恢复网络，通过展开优化算法构建变复杂度前馈网络 | 引入梯度图拉普拉斯正则化器（GGLR）促进分段平面信号重建，并将ADMM算法展开为可训练网络，结合图学习模块增强数据内在结构学习 | 更复杂的展开网络需要更多标注数据训练参数，可能面临数据需求挑战 | 解决通用深度学习网络在图像恢复中缺乏可解释性、需要大量训练数据以及对协变量偏移脆弱的问题 | 图像恢复任务，如去噪和插值 | 计算机视觉 | NA | NA | 前馈网络 | 图像 | NA | NA | Transformer（自注意力机制类比） | 图像恢复质量 | NA |
| 3870 | 2026-02-18 |
Artificial Intelligence-Driven Automated Design of Anterior and Posterior Crowns Under Diverse Occlusal Scenarios
2026-Jan, Journal of esthetic and restorative dentistry : official publication of the American Academy of Esthetic Dentistry ... [et al.]
IF:3.2Q1
DOI:10.1111/jerd.70029
PMID:40910757
|
研究论文 | 评估咬合类型和基于人工智能的CAD软件对自动生成前后牙冠设计的几何精度和临床质量的影响 | 首次在多种咬合场景下比较基于深度学习的CAD软件与传统自动化软件在牙冠设计中的性能，特别关注前后牙的差异 | 深度学习软件在处理前牙间隙（diastemas）时表现不佳，需要进一步优化以适应多样咬合条件 | 评估人工智能驱动的自动化牙冠设计在不同咬合类型下的几何精度和临床质量 | 五种咬合类型的typodont模型（正常、I类前牙间隙、II类1分类、II类2分类、III类前牙反咬合），涉及上颌右中切牙和第一磨牙 | 计算机辅助设计 | 牙科修复 | 口腔内扫描、计算机辅助设计（CAD） | 深度学习模型 | 三维扫描数据 | 5种咬合模型，每种模型10组口腔内扫描，共50组扫描数据 | NA | NA | 均方根误差（RMS）、世界牙科联盟（FDI）评分标准 | NA |
| 3871 | 2026-01-30 |
An ancient recombination desert is a speciation supergene in placental mammals
2026-Jan, Nature
IF:50.5Q1
DOI:10.1038/s41586-025-09740-2
PMID:41225009
|
研究论文 | 本研究利用深度学习分析22种胎盘哺乳动物的基因组比对数据，发现了一个古老且保守的X染色体重组荒漠，该区域在物种形成过程中持续阻碍基因流动并保留物种历史信息 | 首次通过深度学习系统推断哺乳动物重组景观的演化，发现X染色体上占30%区域的古老重组荒漠是跨目级谱系的生殖隔离屏障，可作为解决哺乳动物系统发育难题的可靠标记 | 研究基于22种分歧较大的胎盘哺乳动物，可能未覆盖所有哺乳动物类群的多样性；深度学习模型的推断结果需要更多实验数据验证 | 探究重组率对物种形成早期基因流动屏障的影响，并开发能准确推断物种关系的系统发育分析方法 | 22种胎盘哺乳动物的基因组数据，后续扩展至94个物种的系统发育分析 | 基因组学 | NA | 深度学习，基因组比对，重组图谱推断 | 深度学习模型 | 基因组序列比对数据 | 22种胎盘哺乳动物（初始分析），94个物种（系统发育分析） | NA | NA | NA | NA |
| 3872 | 2026-02-18 |
Leveraging vision transformer for histological grade prediction in laryngeal and hypopharyngeal squamous cell carcinoma: a large-scale multicenter study
2026-Jan, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-025-03876-8
PMID:41454919
|
研究论文 | 本研究开发了一种基于增强CT的Vision Transformer模型，用于无创评估喉及下咽鳞状细胞癌的组织学分级 | 首次将预训练的Vision Transformer模型应用于喉及下咽鳞状细胞癌的增强CT图像分析，结合XGBoost分类器进行组织学分级预测，并通过多中心大样本验证了其优越性能 | 回顾性研究设计可能存在选择偏倚，外部验证队列样本量相对较小（n=99） | 开发非侵入性方法预测喉及下咽鳞状细胞癌的组织学分化等级 | 喉及下咽鳞状细胞癌患者 | 计算机视觉 | 喉癌 | 对比增强CT扫描 | Vision Transformer, XGBoost | 医学影像（CT图像） | 1648例患者（训练队列1239例，内部验证310例，外部验证99例） | NA | Vision Transformer | AUC, 决策曲线分析, 校准曲线 | NA |
| 3873 | 2026-02-18 |
Pituitary neuroendocrine tumor: evaluation with super resolution deep learning reconstruction : Research
2026-Jan, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-025-03819-3
PMID:41117831
|
研究论文 | 本研究评估了超分辨率深度学习重建（SR-DLR）算法在垂体神经内分泌肿瘤（PitNET）评估及垂体MRI图像质量方面的影响，并与传统零填充插值（ZIP）技术进行比较 | 首次将超分辨率深度学习重建算法应用于垂体MRI图像处理，以提升图像质量和评估一致性 | 研究为回顾性设计，样本量较小（仅29例患者），可能限制结果的普遍适用性 | 评估SR-DLR算法在垂体神经内分泌肿瘤MRI图像重建中的效果 | 29例垂体神经内分泌肿瘤患者 | 医学影像分析 | 垂体神经内分泌肿瘤 | MRI成像，超分辨率深度学习重建 | 深度学习模型 | MRI图像 | 29例患者 | NA | NA | 信噪比，对比噪声比，边缘上升斜率，半高全宽 | NA |
| 3874 | 2026-02-18 |
Enhancing reliability in electrical grids: A hybrid machine learning approach for electrical faults classification
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0341238
PMID:41686863
|
研究论文 | 本研究提出了一种混合机器学习方法，用于对输电线路中的电气故障进行分类，以提高电网的可靠性 | 提出了一种新的混合机器学习模型（RF + DT + Stacking），并将其与多种经典机器学习算法和基础集成技术进行比较，强调了模型在性能、可解释性和计算效率方面的综合评估 | 未明确说明数据集的来源、具体规模或时间跨度，也未详细讨论模型在实时或大规模部署中的具体挑战 | 开发一种高效、准确的电气故障分类模型，以支持智能电网的主动维护和系统弹性 | 输电线路及其电气故障 | 机器学习 | NA | NA | 决策树, 随机森林, 朴素贝叶斯, K近邻, 支持向量机, AdaBoost, 集成学习 | 结构化数据（影响线路性能的各种属性） | NA | NA | NA | 准确率, 精确率, 召回率, F1分数 | NA |
| 3875 | 2026-02-18 |
Quantitative Analysis of Distinct Colon Crypt Branching Modes Using Interpretable Machine Learning
2025-Dec-01, Inflammatory bowel diseases
IF:4.5Q1
DOI:10.1093/ibd/izaf230
PMID:41157897
|
研究论文 | 本文使用可解释的机器学习方法对结肠隐窝分支的两种模式进行定量分析 | 结合手工特征和深度学习模型，实现对结肠隐窝对称与不对称分支模式的分类，并强调模型的可解释性 | 未明确提及样本量或数据集的详细规模，可能影响模型泛化能力 | 改进炎症性肠病亚型的定量描述和组织学特征分析 | 结肠隐窝的分支模式 | 数字病理学 | 炎症性肠病 | NA | 集成模型, 深度学习模型 | 分割掩码图像 | NA | NA | NA | 平衡准确度 | NA |
| 3876 | 2026-02-18 |
Advancing Luciferase Activity and Stability beyond Directed Evolution and Rational Design through Expert Guided Deep Learning
2025-Aug-29, bioRxiv : the preprint server for biology
DOI:10.1101/2025.08.25.672183
PMID:40909496
|
研究论文 | 本研究提出了一种结合深度学习与结构引导理性设计的混合方法，以开发增强型NanoLuc荧光素酶变体，提升其热稳定性和高温活性 | 通过整合计算深度学习与结构引导理性设计，克服了传统定向进化和理性设计的局限性，有效优化了荧光素酶的稳定性-活性权衡 | 研究主要针对NanoLuc荧光素酶，其方法在其他酶类中的普适性仍需进一步验证 | 优化NanoLuc荧光素酶的热稳定性和高温活性，以改进生物成像和传感应用 | NanoLuc荧光素酶（NLuc）及其工程变体 | 机器学习 | NA | 深度学习，分子动力学模拟，蛋白质折叠研究 | 深度学习模型 | 蛋白质序列和结构数据 | 工程变体库（包括变体B.07和B.09） | NA | NA | 热稳定性增强（如50%溶解度下的温度增加），高温活性提升（如55°C下的活性百分比） | NA |
| 3877 | 2026-02-18 |
Multimodal structural MRI synthesis pipeline across age
2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC58623.2025.11254451
PMID:41335748
|
研究论文 | 本研究提出了一种基于深度学习的跨模态结构MRI合成模型，用于生成T1加权和T2加权磁共振成像数据，并探索了该模型在整个生命周期（从早期发育到老年）中的年龄相关效应 | 开发了一种能够整合年龄信息的跨模态MRI合成模型，覆盖从早期发育到老年的整个生命周期，这在现有研究中较为少见 | 未明确提及模型在临床环境中的验证或与其他合成方法的比较，可能缺乏广泛的泛化性评估 | 通过深度学习模型合成T1加权和T2加权MRI数据，以解决获取多模态结构MRI数据时资源密集和耗时的问题，并研究年龄对合成数据的影响 | T1加权和T2加权磁共振成像数据，针对早期发育、青年成年和老年人群 | 医学影像分析 | NA | 磁共振成像 | 深度学习模型 | 图像 | NA | NA | NA | 均方误差, 峰值信噪比 | NA |
| 3878 | 2026-02-18 |
X2Graph for Cancer Subtyping Prediction on Biological Tabular Data
2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC58623.2025.11253574
PMID:41336217
|
研究论文 | 提出一种名为X2Graph的新型深度学习方法，用于在小型生物表格数据上进行癌症亚型预测 | 利用外部知识（如基因相互作用）将表格数据转换为图结构，从而应用标准消息传递算法进行建模 | NA | 在数据稀缺的医疗领域，特别是癌症诊断中，提升深度学习在表格数据上的性能 | 癌症亚型预测 | 机器学习 | 癌症 | NA | 图神经网络 | 表格数据 | NA | NA | NA | NA | NA |
| 3879 | 2026-02-18 |
Online Sequential EEG Emotion Recognition with Prototypical Alignment Based Transfer Model
2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC58623.2025.11253987
PMID:41336393
|
研究论文 | 提出一种基于原型对齐迁移模型的在线序列脑电信号情绪识别方法，用于解决模型在新数据上适应性差和训练数据缺乏主体独立性的问题 | 在在线学习环境中引入跨主体迁移学习模型，通过选择性修剪和重新初始化模型参数快速适应新主体，并采用增强的领域对抗神经网络策略在迁移学习框架内对齐情感类别的原型特征 | 未明确说明模型在不同情绪类别间的泛化能力，也未讨论实时在线学习过程中的计算延迟问题 | 开发一种能够快速适应新主体且保持高准确率的在线序列脑电情绪识别方法 | 脑电信号（EEG） | 机器学习 | NA | 脑电信号采集 | 深度学习模型 | 时间序列数据（脑电信号） | SEED和SEED-IV数据集 | PyTorch, TensorFlow | 领域对抗神经网络（DANN） | 准确率 | NA |
| 3880 | 2026-02-18 |
Silencer variants are key drivers of gene upregulation in Alzheimer's disease
2025-Apr-08, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.04.07.25325386
PMID:40297423
|
研究论文 | 本研究开发了一个深度学习框架，结合表观基因组数据来评估阿尔茨海默病相关非编码变异在背外侧前额叶皮层中的调控潜力，并识别了关键的沉默子变异 | 开发了一个结合bulk和单细胞表观基因组数据的深度学习框架，首次系统性地评估了非编码AD变异在特定脑区和细胞类型中的调控潜力，并成功区分了沉默子与增强子变异的不同功能类别 | 模型主要基于背外侧前额叶皮层数据，可能未完全捕捉其他脑区或疾病阶段的调控变化；预测结果与实验数据的平均相关性为0.54，仍有提升空间 | 阐明阿尔茨海默病相关非编码遗传变异的功能意义及其在疾病发病机制中的调控作用 | 阿尔茨海默病相关的非编码遗传变异、背外侧前额叶皮层及其主要细胞类型 | 机器学习 | 阿尔茨海默病 | bulk表观基因组测序、单细胞表观基因组测序 | 深度学习 | 表观基因组数据 | NA | NA | NA | 皮尔逊相关系数、方向一致性率 | NA |