深度学习在生物医药领域的应用

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
21	2026-04-14	GeoPMB: An Interface-Aware Geometric Deep Learning Framework for Peptide-MHCI Binding Prediction with Evolutionary Insight 2026-Apr-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c03233 PMID:41830611	研究论文	本文提出了一种名为GeoPMB的几何深度学习框架，用于预测肽与MHCI分子的结合，结合了进化信息和结构约束	GeoPMB创新性地将几何深度学习与预训练蛋白质语言模型结合，以建模pMHCI复合物的空间依赖性和界面物理化学特征，提高了对罕见等位基因的泛化能力	未明确提及具体限制，但可能依赖于预测的pMHCI复合物结构准确性	开发高精度计算工具，用于预测肽与MHCI分子的结合，以支持疫苗和免疫疗法开发	肽与I类主要组织相容性复合物（MHCI）分子的结合	机器学习	癌症相关疾病	几何深度学习，预训练蛋白质语言模型	几何图网络	序列数据，结构数据	NA	NA	几何图网络	结合特异性和亲和力预测性能	NA
22	2026-04-14	ncProFormer: A CNN-enhanced Transformer for ncRNA Coding-Potential Prediction 2026-Apr-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00056 PMID:41830618	研究论文	提出了一种名为ncProFormer的深度学习框架，用于预测非编码RNA的编码潜力	首次在ncRNA编码潜力预测中引入跨物种评估，并整合了核酸语言模型GENA-LM和CNN增强的Transformer编码器，以联合捕获局部核苷酸模式和长程依赖关系	未明确提及	开发一个准确且可推广的框架，用于识别具有编码潜力的非编码RNA	非编码RNA（ncRNA）	自然语言处理	NA	深度学习	CNN, Transformer	序列数据	内部人类数据集、外部验证数据集、公共CPPred基准数据集，以及小鼠和大鼠数据集	NA	CNN-enhanced Transformer encoder	NA	NA
23	2026-04-14	Graph Neural Networks Model Based on Atomic Hybridization for Predicting Drug Targets 2026-Apr-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02961 PMID:41838774	研究论文	本文开发了一种结合图神经网络与显式分子描述符的混合深度学习框架，用于预测药物靶点的半数抑制浓度值	通过整合图神经网络与可解释的物理化学性质及结构指纹，同时捕捉局部结构模式和全局物理化学性质，提高了预测准确性和可解释性	未明确说明模型在更广泛或未知靶点上的泛化能力，以及计算效率的具体评估	加速药物发现过程，提高化合物活性预测的准确性	14,316种化合物，涵盖激酶、核受体和蛋白酶等九种不同的生物靶点	机器学习	NA	定量构效关系建模	图神经网络	分子图数据	14,316种化合物	NA	NA	R²	NA
24	2026-04-14	HGT-PepPI: A Heterogeneous Graph-Based Framework Leveraging Pragmatic Analysis for Peptide-Protein Interaction Prediction 2026-Apr-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c03139 PMID:41841204	研究论文	提出了一种基于异构图的计算框架HGT-PepPI，用于预测肽-蛋白质相互作用	通过构建整合序列语义信息、进化保守谱和实验验证相互作用的多关系边异构图，实现了对相互作用语义的可迁移模式学习，提升了泛化性能	模型性能受限于RCSB蛋白质数据库中有局限的蛋白质-肽复合物数据	开发计算深度学习预测器以准确预测肽-蛋白质相互作用	肽和蛋白质序列	机器学习	NA	ProtT5模型	异构图神经网络	序列数据	NA	NA	HGT-PepPI	预测性能, 鲁棒性	NA
25	2026-04-14	Rapid Machine Learning-Driven Detection of Pesticides and Dyes Using Raman Spectroscopy 2026-Apr-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00396 PMID:41843405	研究论文	本研究提出了一种基于深度学习的框架MLRaman，利用拉曼光谱快速检测农药和合成染料	提出了结合ResNet-18特征提取与先进分类器（XGBoost、SVM及其混合集成）的深度学习框架，并开发了用于实时预测的用户友好型Streamlit应用程序	未明确说明模型对更多种类分析物或更复杂真实样本的泛化能力	开发一种快速、可靠的机器学习方法，用于检测食品和环境中的农药和染料残留	7种农药和3种染料，共10种分析物	机器学习	NA	拉曼光谱	CNN, XGBoost, SVM	光谱数据	未明确说明具体样本数量，涉及10种分析物的拉曼光谱	未明确说明，可能涉及TensorFlow/PyTorch（用于CNN）和Scikit-learn（用于SVM/XGBoost）	ResNet-18	准确率, AUC	NA
26	2026-04-14	EviCYP: In Silico Prediction of Cytochrome P450 Substrates Based on Vector Quantization and Evidential Deep Learning 2026-Apr-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00074 PMID:41843769	研究论文	本文提出了一种名为EviCYP的新型预测框架，用于准确识别细胞色素P450底物，该框架结合了向量量化和证据深度学习	首次将证据深度学习与向量量化整合，用于CYP底物预测，并能够量化预测不确定性	NA	开发一种可靠的计算工具，用于药物发现和安全评估中的细胞色素P450底物识别	细胞色素P450酶及其底物和非底物分子	机器学习	NA	计算建模	深度学习	分子表示和酶序列数据	10,996个样本，包括4388个底物、2880个非底物和3728个伪阴性样本，涵盖9种主要CYP亚型	NA	证据深度学习与向量量化整合架构	AUROC	NA
27	2026-04-14	DeepIM: Integrating Channel-Spatial Attention with Transformer for DNA i-Motif Folding Status Prediction 2026-Apr-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00023 PMID:41854168	研究论文	本文提出了一种名为DeepIM的新型深度学习模型，通过整合通道-空间注意力机制与Transformer架构，用于高精度预测DNA i-基序的折叠状态	DeepIM首次将通道-空间注意力机制与Transformer结合，以同时捕获i-基序形成中的局部特征和长程依赖关系，提高了预测准确性和模型可解释性	模型主要依赖于酸性条件下的序列数据，可能未完全覆盖所有生理条件下的i-基序折叠情况，且需要大规模标注数据进行训练	开发一种高效、高精度的计算模型，用于预测DNA i-基序的折叠状态，以替代传统高成本、低通量的实验检测方法	DNA序列，特别是富含胞嘧啶的序列及其在酸性条件下形成的i-基序四链体结构	生物信息学	癌症	深度学习，注意力机制，Transformer架构	Transformer, 注意力机制	DNA序列数据	超过750,000条序列	NA	Transformer, 通道-空间注意力机制	准确率	NA
28	2026-04-14	Hybrid Graph-Machine Learning Framework for Accurate and Interpretable Band Gap Prediction 2026-Apr-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00365 PMID:41855083	研究论文	提出一种结合图深度学习嵌入与经典机器学习算法的混合人工智能框架，用于实现高精度、可解释且计算高效的电子带隙预测	提出了一种混合图-机器学习框架，将CGCNN、MEGNet和SchNet等图神经网络的结构嵌入与晶体最大电负性、晶系、空间群和自旋轨道耦合等物理描述符相结合，并通过优化的梯度提升和神经网络架构进行训练，在保持高精度的同时降低了计算资源需求并增强了可解释性	未明确提及模型在处理非平衡态或动态晶体结构时的性能，也未讨论在训练数据分布之外的极端材料属性上的泛化能力	加速半导体和能源材料的发现与设计，通过人工智能方法实现高精度、可解释且计算高效的电子带隙预测	晶体材料，具体为来自Materials Project数据库的136,000个晶体结构	机器学习	NA	NA	图神经网络, 梯度提升, 神经网络	晶体结构数据	136,000个晶体结构	NA	CGCNN, MEGNet, SchNet	R², 平均绝对误差, 均方误差	NA
29	2026-04-14	LiBRe: A Ligand-Aware Sequence-Based Binding Residue Prediction Model for Virtual Screening 2026-Apr-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02883 PMID:41856929	研究论文	提出了一种名为LiBRe的、可感知配体的、基于序列的蛋白质-配体结合残基预测模型，用于虚拟筛选	在基于序列的预测模型中，首次明确地同时整合了蛋白质序列的残基级信息和配体信息，克服了现有方法主要关注蛋白质序列而忽略配体信息的局限性	NA	改进蛋白质-配体结合残基的预测，以促进虚拟筛选和药物发现	蛋白质-配体结合残基	机器学习	NA	深度学习	NA	序列数据	NA	NA	NA	NA	NA
30	2026-04-14	SurfSol: A Multimodal Surface-Based Deep Learning Framework for Protein Solubility Prediction 2026-Apr-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00124 PMID:41841780	研究论文	本文介绍了一种名为SurfSol的多模态表面深度学习框架，用于预测蛋白质溶解度	提出了一种结合表面几何和理化性质（如静电、亲水性和氢键潜力）的E(3)-等变图神经网络，并与ESM-2序列嵌入和TransformerConv结构特征相结合的新方法	NA	开发一个计算框架以准确预测蛋白质溶解度，应用于生物技术和制药领域	蛋白质	机器学习	NA	深度学习	图神经网络, Transformer	序列, 结构	处理后的eSOL数据集	PyTorch	E(3)-等变图神经网络, ESM-2, TransformerConv	R², AUC	NA
31	2026-04-14	zERExtractor: An Automated Platform for Enzyme-Catalyzed Reaction Data Extraction from Scientific Literature 2026-Apr-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00090 PMID:41844379	研究论文	本文介绍了一个名为zERExtractor的自动化平台，用于从科学文献中提取酶催化反应数据	开发了一个精度导向且可扩展的多模态信息提取框架，结合了微调的大型语言模型和深度学习，并通过专家验证和主动学习实现持续进化	未明确提及具体限制，但可能依赖于合成数据集和专家验证的可用性	解决酶反应文献数据提取的瓶颈，以支持深度学习驱动的酶活性预测模型	科学文献中的酶催化反应数据，包括分子反应图、表格和文本	自然语言处理	NA	深度学习，大型语言模型，多模态信息提取	LLM, DL	文本，图像，表格	未明确指定具体样本数量，但使用了合成数据集和真实基准测试	未明确指定，但可能涉及TensorFlow, PyTorch等	未明确指定具体架构	准确率	未明确指定
32	2026-04-14	Physical Implausibility of Carbohydrate Ligands in Results of Deep Learning-Based Cofolding Methods 2026-Apr-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c03075 PMID:41866819	研究论文	本文分析了AlphaFold 3和Boltz-1x等深度学习共折叠方法在碳水化合物配体建模中的立体化学违规问题	首次系统量化了深度学习共折叠方法在碳水化合物配体建模中的立体化学错误，并揭示了Boltz-1x在减少某些违规的同时可能引入新的结构配置问题	研究仅基于900个碳水化合物配体进行分析，可能未涵盖所有类型的碳水化合物结构；BondedAtomPairs协议虽然减少了立体化学问题，但导致了还原端异头氧的丢失	评估深度学习共折叠方法在碳水化合物配体建模中的物理合理性	碳水化合物配体	机器学习	NA	深度学习共折叠方法	深度学习模型	分子结构数据	900个碳水化合物配体	NA	AlphaFold 3, Boltz-1x	立体化学违规率（包括手性错误、键转换、平面环扭曲、芳香环形成、不当结构配置）	NA
33	2026-04-14	TabPFN Opens New Avenues for Small-Data Tabular Learning in Drug Discovery 2026-Apr-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02823 PMID:41867095	研究论文	本文探讨了TabPFN这一基于Transformer的表格基础模型在药物发现中应对小样本和分布外挑战的潜力	TabPFN无需任务特定重训练即可在小数据集上实现准确预测，并在回归任务中展现出比传统梯度提升决策树更稳定和鲁棒的优势	在较大的QM8数据集上，TabPFN的表现受到挑战，而树集成方法重新显示出优势	评估TabPFN在药物发现中处理小样本和分布外数据时的表格学习能力	多种分子数据集，包括量子任务数据集QM7和QM8	机器学习	NA	NA	Transformer	表格数据	NA	NA	TabPFN	分类性能, 回归性能, 鲁棒性评估	NA
34	2026-04-14	ToxPLTC: Peptide Toxicity Prediction by Integrating Pretrained T5 Protein Language Model and Text Convolutional Neural Network 2026-Apr-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02745 PMID:41869759	研究论文	本研究提出了一种名为ToxPLTC的深度学习框架，用于高效预测肽类药物的毒性	整合了基于Transformer架构的预训练蛋白质语言模型ProtT5与文本卷积神经网络，并采用边界SMOTE算法处理数据不平衡问题，同时通过可视化、基序分析和突变扫描分析增强模型可解释性	未在摘要中明确说明	开发高效、准确的肽类毒性预测工具以促进肽类药物研发	肽类序列	自然语言处理	NA	深度学习	Transformer, CNN	文本（肽序列）	未在摘要中明确说明	未在摘要中明确说明	ProtT5, 文本卷积神经网络	平衡准确率	未在摘要中明确说明
35	2026-04-14	DeepMIF: A Multiview Interactive Fusion-Based Deep Learning Method for RNA-Small Molecule Binding Affinity Prediction 2026-Apr-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02946 PMID:41879212	研究论文	本文提出了一种基于多视图交互融合的深度学习方法DeepMIF，用于预测RNA与小分子之间的结合亲和力	提出了一种新颖的多视图交互融合范式，通过局部增强可扩展k-mer策略与预训练嵌入结合捕获多尺度序列模式，并利用多头交叉注意力网络进行智能信息合成	NA	准确预测RNA与小分子的结合亲和力，以支持RNA靶向药物发现	RNA与小分子对	机器学习	NA	RNA序列分析，小分子特征提取	深度学习	序列数据，图数据	1439对RNA-小分子对	NA	多头交叉注意力网络	Pearson相关系数，均方根误差	NA
36	2026-04-14	Leveraging Residual Graph Convolutional Networks with Cross-Attention Mechanisms for High-Accuracy Protein Function Prediction 2026-Apr-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00101 PMID:41861353	研究论文	本文提出了一种名为RCHGO的新型深度学习框架，利用残差图卷积网络和交叉注意力机制直接从蛋白质序列预测基因本体注释	结合残差图卷积网络与交叉注意力机制，分别利用互补的手工特征和蛋白质语言模型特征表示，并在决策层面进行有效融合	未提及	从蛋白质序列预测基因本体注释，以支持细胞过程解析和靶向药物设计	蛋白质序列	生物信息学	NA	深度学习	残差图卷积网络, 交叉注意力机制	蛋白质序列	1,493个非冗余蛋白质	NA	残差图卷积网络	NA	NA
37	2026-04-14	A deep learning-based model for postoperative resection assessment in glioblastoma: A comparative study 2026-Apr-13, Neurosurgical review IF:2.5Q1 DOI:10.1007/s10143-026-04255-4 PMID:41968240	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
38	2026-04-14	Exploring Chemoinformatics Aspects of Few-Shot Meta-Learning by Example of an Infinite Dilution Activity Coefficient in Ionic Liquid Prediction 2026-Apr-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00067 PMID:41972498	研究论文	本研究通过无限稀释活度系数预测的案例，探索了元学习在化学信息学中应对小样本数据挑战的应用	提出了任务相似性感知的TSA-Reptile方法，通过缩放损失函数来针对不同分布任务，在分布外任务上表现优于MAML	模型在特定任务上的性能提升可能以牺牲模型通用性为代价（灾难性遗忘），且任务相似性对性能有影响	解决分子性质预测中数据稀缺的挑战，探索元学习在化学信息学中的应用	离子液体-溶质体系的无限稀释活度系数	机器学习	NA	NA	元学习	分子结构数据	每个任务仅使用64或128个数据点	NA	MAML, Reptile, TSA-Reptile	RMSE, MAE	NA
39	2026-04-14	AI-based evaluation of implant abutment screw torque decay: A periapical radiograph pilot study 2026-Apr-13, Journal of periodontology IF:4.2Q1 DOI:10.1002/jper.70127 PMID:41972958	研究论文	本研究开发了一种基于深度学习的非侵入性方法，利用根尖周X光片检测种植体基台中心螺丝扭矩衰减	首次提出AI解决方案，通过根尖周X光片非侵入性检测早期扭矩衰减，准确率超过88%，显著优于牙医诊断	研究为试点研究，样本量有限（临床数据集n=501），且仅针对Nobel CC RP种植体，需进一步验证	开发深度学习框架，用于非侵入性检测种植体基台中心螺丝扭矩衰减，解决临床机械螺丝松动问题	种植体基台中心螺丝（使用Nobel CC RP种植体）	计算机视觉	口腔种植并发症	根尖周X光成像	CNN	图像	体外数据集2600张X光片（猪肋骨），临床数据集501张患者X光片，独立测试集100张	NA	Custom CNN, VGG16, InceptionV3	准确率, 灵敏度, 特异性, AUC, F1分数	NA
40	2026-04-14	Ability of Deep Learning Image Reconstruction to Preserve Detail and Remove Noise in Coronary Computed Tomography Angiography: A Clinical Analysis 2026-Apr-13, Journal of computer assisted tomography IF:1.0Q4 DOI:10.1097/RCT.0000000000001866 PMID:41973049	研究论文	本研究分析了深度学习图像重建（DLIR）在冠状动脉CT血管造影（CCTA）中不同降噪水平下的图像质量，评估了高降噪水平是否导致边缘细节丢失	首次通过客观和主观方法评估DLIR在CCTA中不同降噪水平下的图像质量，并证明高降噪水平能提升图像质量而不损失边缘细节	样本量较小（仅19名受试者），且为回顾性研究，可能限制结果的普遍性	评估深度学习图像重建在冠状动脉CT血管造影中的图像质量，特别是降噪水平对边缘细节的影响	冠状动脉CT血管造影图像	医学影像分析	心血管疾病	深度学习图像重建（DLIR），冠状动脉CT血管造影（CCTA）	深度学习图像重建模型	医学影像（CT图像）	19名受试者的冠状动脉CT血管造影数据	NA	NA	对比噪声比（CNR），Likert量表评分（结构置信度、低对比度可检测性、噪声、空间分辨率、伪影、整体诊断质量），非Likert量表评分（噪声纹理），Cohen Kappa系数	NA