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
381	2025-12-12	MultiFusion2HPO: A Multimodal Deep Learning Approach for Enhancing Human Protein-Phenotype Association Prediction 2025 Nov-Dec, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3608274 PMID:40928915	研究论文	本文提出了一种名为MultiFusion2HPO的多模态深度学习模型，用于增强人类蛋白质-表型关联预测	整合了五种关键模态数据（文本、蛋白质序列、蛋白质-蛋白质相互作用网络、基因本体注释和基因表达），并采用先进的深度学习方法，克服了现有方法在利用多模态信息和定制深度学习表示方面的不足	未明确提及具体局限性	提高人类蛋白质与临床表型（基于人类表型本体HPO）关联预测的准确性，以促进药物开发和精准医学	人类基因（蛋白质）与临床表型之间的关联	自然语言处理, 机器学习	NA	文本嵌入（TFIDF-D2V和BioLinkBERT）、蛋白质序列分析（InterPro和ESM2）、蛋白质-蛋白质相互作用网络分析、基因本体注释、基因表达分析	深度学习模型	文本, 序列, 网络, 注释, 表达数据	NA	NA	MultiFusion2HPO	准确性	NA
382	2025-12-12	A Lightweight Network With Uncertainty-Guided Latent Space Refinement for Multi-Modal Brain Tissue and Tumor Extraction 2025 Nov-Dec, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3609333 PMID:40932804	研究论文	本文提出了一种名为UMNet的轻量级网络，通过不确定性引导的潜在空间细化进行多模态脑组织和肿瘤提取	引入了模态特定的不确定性正则化特征融合模块（M-SUM）和不确定性增强损失函数（U-Loss），以优化多模态特征融合并利用预测不确定性	未明确提及具体局限性，可能包括数据集的通用性或计算效率的进一步验证	改进多模态脑组织和肿瘤提取的深度学习模型性能	脑组织和肿瘤	数字病理学	脑肿瘤	多模态成像	CNN	图像	NA	NA	UMNet	NA	NA
383	2025-12-12	DeepHIV: A Sequence-Based Deep Learning Model for Predicting HIV-1 Protease Cleavage Sites 2025 Nov-Dec, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3610881 PMID:40956729	研究论文	本文提出了一种名为DeepHIV的深度学习模型，用于仅基于底物序列信息预测HIV-1蛋白酶切割位点	设计了一种结合卷积神经网络与注意力机制的新模型，以捕获底物序列中位置特异性氨基酸的丰富上下文信息，并采用偏置支持向量机处理类别不平衡问题	NA	预测HIV-1蛋白酶切割位点，以辅助新型抗艾滋病抑制剂的设计	HIV-1底物序列	自然语言处理	艾滋病	序列分析	CNN, SVM	序列	NA	NA	CNN结合注意力机制	准确率, 精确率, 召回率, F1分数, AUC	NA
384	2025-12-12	Trans-Driver: A Deep Learning Approach for Cancer Driver Gene Discovery With Multi-Omics Data 2025 Nov-Dec, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3612010 PMID:40971265	研究论文	本研究提出了一种基于Transformer架构的深度监督学习方法Trans-Driver，用于整合多组学数据以发现癌症驱动基因	引入了基于核的多头自注意力机制与门控残差连接，以及动态Tanh归一化函数，以增强异质多组学特征的整合与建模	NA	准确识别癌症驱动基因，以深化对癌症发病机制的理解并促进癌症疗法和药物靶向驱动基因的开发	癌症驱动基因	机器学习	癌症	多组学数据整合	Transformer	多组学数据	TCGA、CGC和PCAWG数据集中的约20,000个蛋白质编码基因	NA	Transformer	NA	NA
385	2025-12-12	Particle Restoration: A Novel Image Processing Framework for Improving Real Cryo-EM Image Quality in Single Particle Analysis 2025 Nov-Dec, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3608557 PMID:40986588	研究论文	本文提出了一种名为粒子恢复的新型图像处理框架，旨在通过深度学习提升冷冻电镜单颗粒分析中真实图像的质量	首次定义了粒子恢复任务，并设计了一个包含四步的框架，通过创建粒子图像标签和配对数据来弥补真实数据中缺乏真实值的缺陷	未明确说明框架在极端噪声条件下的鲁棒性，且训练数据可能依赖于特定数据集	提升冷冻电镜单颗粒分析中图像的质量，以改善结构解析的分辨率并促进深度学习的应用	冷冻电镜图像中的生物大分子颗粒	计算机视觉	NA	冷冻电镜单颗粒分析	深度学习神经网络	图像	基于真实冷冻电镜数据构建的三个数据集	NA	编码器-解码器架构	定量指标, 定性可视化	NA
386	2025-12-12	MTF-hERG: A Multi-Type Features Fusion-Based Framework for Predicting hERG Cardiotoxicity of Compounds 2025 Nov-Dec, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3614696 PMID:40996988	研究论文	提出一个名为MTF-hERG的多类型特征融合框架，用于准确预测化合物的hERG心脏毒性	整合分子指纹、2D分子图像和3D分子图等多种分子特征，通过全连接神经网络、DenseNet和等变图神经网络进行特征提取，实现全面的分子表征	未明确提及	评估化合物的hERG心脏毒性，以提升药物开发效率、降低风险并促进个性化治疗	化合物	机器学习	心血管疾病	NA	全连接神经网络, DenseNet, 等变图神经网络	分子指纹, 2D分子图像, 3D分子图	NA	NA	DenseNet, 等变图神经网络	准确率, AUC, AUPR, RMSE, R值	NA
387	2025-12-12	HiADN: Lightweight Resolution Enhancement of Hi-C Data Using High Information Attention Distillation Network 2025 Nov-Dec, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3614663 PMID:40996990	研究论文	本文提出了一种名为HiADN的深度学习模型，用于从稀疏的Hi-C数据中推断出高分辨率的密集矩阵，以提升3D染色质结构的表征精度	设计了HiFM架构以捕获Hi-C数据的局部空间结构，并采用大核卷积分解和注意力机制来探索长基因组距离的全局模式，仅需原始测序读数的1/100即可构建高分辨率生物区域	未明确提及模型在更广泛细胞类型或复杂疾病样本中的泛化能力限制	提升稀疏Hi-C数据的质量，以恢复3D染色质的基本特征	Hi-C数据，特别是来自GM12878、K562和CH12-LX细胞系的数据集	计算生物学	NA	Hi-C测序	深度学习	矩阵数据（Hi-C矩阵）	涉及GM12878、K562和CH12-LX细胞系数据集，具体样本数量未明确	未明确指定，可能基于PyTorch或TensorFlow	HiFM, 大核卷积分解, 注意力机制	未明确指定，可能包括与实验库效果的比较及超越SOTA模型的评估	未明确指定
388	2025-12-12	GenoGraph: An Interpretable Graph Contrastive Learning Approach for Identifying Breast Cancer Risk Variants 2025 Nov-Dec, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3617088 PMID:41037551	研究论文	本文提出了一种名为GenoGraph的图对比学习框架，用于识别乳腺癌风险变异	采用图对比学习方法，在低样本量场景下建模高维遗传数据，解决了传统GWAS方法忽视遗传交互作用和机器学习方法过拟合及可解释性差的问题	研究基于芬兰东部生物银行数据集，可能受限于特定人群，且样本量有限	开发一种可解释的图对比学习框架，以识别乳腺癌风险变异并预测疾病风险	乳腺癌相关的遗传变异	机器学习	乳腺癌	GWAS	图对比学习	遗传数据	芬兰东部生物银行数据集	NA	GenoGraph	准确率	NA
389	2025-12-12	Artificial intelligence in nuclear cardiology: Enhancing diagnostic accuracy and efficiency 2025 Nov-Dec, Progress in cardiovascular diseases IF:5.6Q1 DOI:10.1016/j.pcad.2025.09.010 PMID:41038418	综述	本文综述了人工智能在核心脏病学中的应用，旨在提升诊断准确性和效率	探讨了AI在图像优化、虚拟衰减校正、新型风险标志物自动量化以及多模态数据整合方面的创新应用	NA	回顾AI在核心脏病学中的最新进展，并讨论其整合到常规临床实践的未来方向	核心脏病学中的心血管成像技术	计算机视觉	心血管疾病	NA	机器学习,深度学习	图像,临床数据,压力测试数据	NA	NA	NA	NA	NA
390	2025-12-12	Enhancing Transcription Factor Prediction via Domain Knowledge Integration With Logic Tensor Networks 2025 Nov-Dec, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3617864 PMID:41042660	研究论文	本文提出了一种名为LTN-TFpredict的神经符号框架，通过整合逻辑张量网络与深度学习来增强转录因子预测的准确性和可解释性	结合预训练蛋白质语言模型与基于五种关键TF相关基序的逻辑约束，首次将神经符号AI应用于转录因子预测，实现了高精度与生物学可解释性的统一	模型依赖于预定义的TF基序逻辑约束，可能无法覆盖所有未知或复杂TF特征，且计算复杂度较高	开发一种准确且可解释的转录因子预测方法，以阐明基因调控机制	转录因子（TFs）	计算生物学	NA	蛋白质语言模型，逻辑张量网络	深度学习，逻辑张量网络	蛋白质序列数据	NA	NA	CNN, Transformer, ESM-TFpredict, ProtT5, DeepTFactor, ProtCNN	准确率	NA
391	2025-12-12	Deep Learning-Driven Protein-Ligand Binding Affinity Prediction: Data, Architecture, Training and Evaluation 2025 Nov-Dec, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3627203 PMID:41171689	综述	本文综述了深度学习在蛋白质-配体结合亲和力预测中的关键考虑因素，包括数据集选择、数据处理、模型架构设计、训练策略和评估方法	旨在弥合计算生物学与深度学习之间的知识鸿沟，为研究者提供利用深度学习进行PLA预测的全面指南	训练深度学习模型仍面临数据异质性、模型可解释性和生物学合理性等多方面挑战	探讨深度学习在蛋白质-配体结合亲和力预测任务中的训练关键因素	蛋白质-配体结合亲和力预测	计算生物学	NA	深度学习	深度学习模型	蛋白质-配体结合数据	NA	NA	NA	NA	NA
392	2025-12-12	scGCRC: Graph and Contrastive-Based Representation Learning for Single-Cell RNA-Seq Data Clustering 2025 Nov-Dec, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3629161 PMID:41191468	研究论文	提出一种基于局部自注意力网络和对比学习的单细胞RNA测序数据聚类方法，用于学习细胞表示	采用局部自注意力网络自动聚合基于细胞关系图的潜在信息，并通过双对比学习模块同时在细胞和簇级别优化细胞表示，避免了传统两阶段学习过程的困难	未明确说明方法在极大规模数据集上的计算效率或对特定噪声类型的鲁棒性	开发一种用于单细胞RNA测序数据聚类的新型表示学习方法	单细胞RNA测序数据	机器学习	NA	单细胞RNA测序	自注意力网络, 对比学习	基因表达数据	160个子样本数据集（不同细胞类型数量）、3个不同协议数据集、9个真实公共数据集	NA	局部自注意力网络	NA	NA
393	2025-12-12	De Novo Protein Structure Prediction by Model Quality Assessment Dynamic Feedback Mechanism Using Deep Learning 2025 Nov-Dec, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3630321 PMID:41201924	研究论文	本文提出了一种名为DGMFold的蛋白质结构预测方法，通过集成模型质量评估作为动态反馈机制来迭代提升预测准确性	引入了模型质量评估作为闭环反馈机制，通过GeomNet、结构模拟模块和EmaNet的协同工作实现预测几何约束和整体模型精度的迭代优化	未明确说明方法在计算资源需求、处理大规模蛋白质或特定结构类型时的限制	开发一种能够通过动态反馈机制提高从头蛋白质结构预测准确性的方法	蛋白质结构预测，特别是针对无同源模板或进化信息较弱的情况	机器学习	NA	多序列比对，深度学习	CNN	序列数据，结构数据	437个基准蛋白质和CASP14的20个FM目标	NA	改进的残差神经网络，深度残差神经网络	TM-score, lDDT	NA
394	2025-12-12	Grad-CAM (Gradient-weighted Class Activation Mapping): A systematic literature review 2025-Nov, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.111200 PMID:41108904	综述	本文对Grad-CAM（梯度加权类激活映射）进行了系统性文献回顾，分析了其在医学影像及机器学习/深度学习领域的进展与应用	首次对Grad-CAM技术进行系统性文献综述，全面梳理了其变体、优化技术及与不同ML/DL架构的集成应用	仅纳入了2020年至2024年的文献，可能未涵盖早期重要研究；筛选过程可能存在主观偏差	系统回顾Grad-CAM技术的发展、优化及其在提升模型可解释性方面的作用	Grad-CAM相关的研究文献（共427篇同行评审出版物，其中51篇深入分析）	机器学习	NA	NA	CNN	图像	NA	NA	NA	NA	NA
395	2025-12-12	Prediction of DNA Methylation With Long-Range State-Space Models 2025 Nov-Dec, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3634738 PMID:41259183	研究论文	本研究基于Hyena架构的长程状态空间模型，用于预测六个植物物种的DNA甲基化状态	首次将基于Hyena架构的长程状态空间模型应用于DNA甲基化预测任务，并在多个植物物种上验证其优于现有方法的性能	NA	预测DNA甲基化状态以弥补测序覆盖不足的胞嘧啶甲基化信息	六个植物物种的DNA序列及甲基化数据	机器学习	NA	DNA甲基化预测	状态空间模型	DNA序列	NA	NA	HyenaDNA	准确率	NA
396	2025-12-12	Mind Meets Machine: A Narrative Review of Artificial Intelligence Role in Clinical Psychology Practice 2025 Nov-Dec, Clinical psychology & psychotherapy IF:3.2Q1 DOI:10.1002/cpp.70191 PMID:41346105	综述	本文是一篇叙述性综述，批判性地评估了人工智能在临床心理学实践中的整合应用，涵盖从评估诊断到干预随访的全过程	应用分析视角区分临床验证工具与实验原型，并依据当代标准评估研究质量，系统梳理了AI在心理学评估、治疗及数字表型分析中的最新进展	证据存在异质性，伦理和关系问题尚未完全解决，需要持续临床监督以应对偏见和可解释性问题	评估人工智能技术在临床心理学实践中的整合应用与挑战	临床心理学实践中的评估、诊断、干预及随访护理过程	自然语言处理	NA	机器学习、深度学习、自然语言处理、数字表型分析	NA	多模态数据、智能手机与可穿戴设备数据	NA	NA	NA	NA	NA
397	2025-12-12	Deep Learning-Based Uroflowmetry Curve Analysis Improves the Noninvasive Diagnosis of Lower Urinary Tract Symptoms 2025-Nov, International neurourology journal IF:1.8Q3 DOI:10.5213/inj.2550266.133 PMID:41355259	研究论文	本研究评估了基于人工智能的尿流率曲线图像分析，通过定制化预处理技术，提高了膀胱出口梗阻和逼尿肌活动不足的诊断准确性	采用定制化预处理流程（包括去噪、裁剪、坐标轴缩放和临床参数颜色编码）来增强尿流率曲线图像，并结合VGG16模型进行多分类任务，以非侵入性方法辅助诊断下尿路症状	研究为回顾性分析，可能存在选择偏倚；模型性能虽有所提升，但DUA分类的AUROC相对较低（0.709），表明仍有改进空间	提高下尿路症状的非侵入性诊断准确性，特别是针对膀胱出口梗阻和逼尿肌活动不足	尿流率曲线图像，来自接受尿动力学检查的患者	计算机视觉	下尿路症状	尿流率测定	CNN	图像	2,579张尿流率曲线图像（725例正常，1,854例异常，其中736例BOO，1,387例DUA）	TensorFlow, Keras	VGG16	AUROC	NA
398	2025-12-12	Data-Efficient Deep Learning Framework for Urolithiasis Detection Using Transfer and Self-Supervised Learning 2025-Nov, International neurourology journal IF:1.8Q3 DOI:10.5213/inj.2550292.146 PMID:41355261	研究论文	本研究提出了一种数据高效的深度学习框架，结合自监督学习和迁移学习，用于在有限CT扫描数据中准确检测尿路结石	创新点在于整合自监督学习与迁移学习，在少量标注数据下学习鲁棒且可迁移的特征表示，显著提升模型性能	研究仅基于100例腹部CT扫描，样本量较小，可能限制模型的泛化能力	旨在开发一种数据高效的框架，用于在临床小数据环境中实现基于人工智能的尿路结石检测	尿路结石检测	计算机视觉	尿路结石	CT扫描	CNN	图像	100例腹部CT扫描	NA	ResNet50	准确率, 精确率, 召回率, F1分数, AUC	NA
399	2025-12-12	Artificial Intelligence for Predicting Treatment Failure in Neurourology: From Automated Urodynamics to Precision Management 2025-Nov, International neurourology journal IF:1.8Q3 DOI:10.5213/inj.2550316.158 PMID:41355257	综述	本文综述了人工智能在神经泌尿学中预测治疗失败的最新进展，重点关注基于尿动力学、临床和神经影像数据的AI模型	利用机器学习和深度学习算法整合多模态数据，实现膀胱信号的自动化精确解读和治疗结果的实时预测，推动数据驱动的精准医学发展	大多数研究受限于小规模、单中心数据集，且缺乏外部验证	预测神经源性下尿路功能障碍患者的治疗失败风险，以改善个体化管理	神经源性下尿路功能障碍患者	机器学习	神经泌尿系统疾病	尿动力学、临床数据、神经影像数据	机器学习, 深度学习	尿动力学数据, 临床数据, 神经影像数据	NA	NA	NA	NA	NA
400	2025-12-12	iDNA-DAPHA: a generic framework for methylation prediction via domain-adaptive pretraining and hierarchical attention 2025-Nov-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf642 PMID:41359543	研究论文	本文提出了一种名为iDNA-DAPHA的通用深度学习框架，通过领域自适应预训练和分层注意力机制来准确预测DNA甲基化	该框架首次结合了领域自适应预训练（DAP）与特征对齐来学习跨物种甲基化序列的共享特征，并引入分层注意力（HA）机制以增强模型对长距离依赖的建模能力	未明确说明框架在计算资源需求或特定物种数据极度稀缺情况下的表现	开发一个准确且通用的深度学习框架，用于预测多种DNA甲基化类型	来自多个物种的DNA甲基化序列	机器学习	NA	DNA甲基化预测	深度学习框架	序列数据	NA	NA	分层注意力机制	NA	NA