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 42805 篇文献，本页显示第 4161 - 4180 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4161 | 2026-02-15 |
Robotic transesophageal echocardiography: system design and deep learning-based kinematic modeling
2025, Frontiers in robotics and AI
IF:2.9Q2
DOI:10.3389/frobt.2025.1705142
PMID:41675306
|
研究论文 | 本文介绍了一种机器人经食管超声心动图系统，通过改进机械设计和基于深度学习的运动学建模，复制了手动TEE程序中的所有基本自由度 | 采用基于LSTM单元的循环神经网络构建数据驱动的运动学模型，克服了连续体机械臂分析方法的根本限制，有效捕捉了死区、滞后和转向机制间的耦合效应 | NA | 开发一种能够适应仰卧位和左侧卧位患者位置、覆盖临床TEE全流程的机器人系统 | 经食管超声心动图探头及其机器人操控系统 | 机器人学 | 心血管疾病 | 经食管超声心动图 | LSTM | 姿态-命令同步数据对 | 42,000个在三种胃镜管配置（0°、45°、90°弯曲）下收集的数据对 | NA | 循环神经网络 | RMSE, 平均方向误差 | NA |
| 4162 | 2026-02-15 |
Predicting the growth of asymptomatic small abdominal aortic aneurysms (AAA) based on deep learning
2025, Frontiers in physiology
IF:3.2Q2
DOI:10.3389/fphys.2025.1704428
PMID:41676330
|
研究论文 | 本研究开发了一个端到端的深度学习框架，用于预测无症状小腹主动脉瘤的快速扩张 | 提出了一个结合ResNet50、YOLOv11和MedMamba的端到端深度学习框架，用于直接从CTA图像预测AAA生长，并通过多模态特征融合和可解释性分析增强了模型的临床适用性 | 样本量相对较小（仅81名患者），且研究为单中心回顾性设计，可能限制模型的泛化能力 | 预测无症状小腹主动脉瘤的快速扩张，以进行风险分层和个性化监测 | 81名无症状小腹主动脉瘤患者的CTA图像和临床数据 | 数字病理学 | 心血管疾病 | 计算机断层扫描血管造影 | CNN, 目标检测模型, 基于注意力机制的模型 | 图像 | 81名患者（30名快速生长，51名稳定） | NA | ResNet50, YOLOv11, MedMamba | 准确率, F1分数, 精确率-召回率 | NA |
| 4163 | 2026-02-15 |
Pep2TCR: Accurate prediction of CD4 T cell receptor binding specificity through transfer learning and ensemble approach
2024-Dec, iMetaOmics
DOI:10.1002/imo2.43
PMID:41676119
|
研究论文 | 本文介绍了一种名为Pep2TCR的先进深度学习模型，用于预测CD4 T细胞受体的结合特异性 | 通过迁移学习和集成方法，显著提升了在有限CD4 TCR数据下的预测准确性 | NA | 预测CD4 T细胞受体的结合特异性，以支持个性化癌症免疫疗法 | CD4 T细胞受体 | 机器学习 | 癌症 | NA | 深度学习 | NA | NA | NA | NA | NA | NA |
| 4164 | 2026-02-15 |
A penalized integrative deep neural network for variable selection among multiple omics datasets
2024-Sep, Quantitative biology (Beijing, China)
DOI:10.1002/qub2.51
PMID:41674850
|
研究论文 | 提出一种惩罚性集成深度神经网络（PIN），用于从多个组学数据集中同时选择重要变量 | PIN方法直接聚合多个数据集作为输入，并在集成分析框架中考虑数据集间的同质性和异质性，解决了现有方法在小样本或忽略数据集间变量结构差异时的不准确性问题 | 未明确提及具体局限性，但可能依赖于数据集的多样性和样本量 | 促进基于多源研究/数据集识别疾病相关重要变量 | 老年人的不同认知状态或卵巢癌患者不同阶段的基因表达数据集 | 机器学习 | 卵巢癌 | 基因表达分析 | 深度神经网络 | 组学数据 | 未明确指定具体样本数量，但涉及多个数据集 | 未指定 | 深度神经网络 | 未明确指定具体指标，但提及性能改进 | 未指定 |
| 4165 | 2026-02-15 |
CShaperApp: Segmenting and analyzing cellular morphologies of the developing Caenorhabditis elegans embryo
2024-Sep, Quantitative biology (Beijing, China)
DOI:10.1002/qub2.47
PMID:41674855
|
研究论文 | 本文介绍了一款名为CShaperApp的桌面软件，用于分割秀丽隐杆线虫胚胎发育过程中的荧光标记细胞膜图像并交互式分析细胞形态 | 开发了基于CShaper框架的交互式桌面软件，允许生物学家使用现有或微调的深度学习模型自动高效提取定量细胞形态数据，并验证了其跨实验室数据集的鲁棒性 | 未明确说明软件在极端图像条件（如低信噪比、高密度细胞）下的性能限制 | 加速发育生物学中系统级定量数据的高通量生成，支持细胞形态发育研究 | 秀丽隐杆线虫胚胎发育过程中的细胞 | 数字病理学 | NA | 荧光标记成像，三维延时（4D）成像 | 深度学习模型 | 荧光标记的细胞膜图像，三维图像堆栈 | 包含150个图像堆栈的4D数据集，覆盖从4细胞到350细胞阶段的胚胎发育过程 | 未明确说明 | 基于CShaper框架（具体架构未说明） | 处理时间（约30分钟处理完整4D数据集），鲁棒性验证 | 可在Windows、macOS和Linux操作系统上执行的桌面软件 |
| 4166 | 2026-02-15 |
A glimpse into the future: Integrating artificial intelligence for precision HER2-positive breast cancer management
2024-Sep, iMetaOmics
DOI:10.1002/imo2.19
PMID:41675540
|
综述 | 本文全面回顾了利用人工智能（AI）评估和管理HER2阳性乳腺癌的诊断与预测模型，并探讨了AI在抗HER2治疗中面临的挑战与未来方向 | 系统性地整合了基于组织病理切片、影像组学和HER2结合位点数据的AI模型，并提出了AI辅助抗HER2治疗未来发展的具体方向 | 文章为综述性研究，未涉及原始数据或新模型的实验验证，主要基于现有文献进行归纳分析 | 评估AI在HER2阳性乳腺癌精准管理中的应用现状与前景，促进AI辅助抗HER2治疗的临床整合 | HER2阳性乳腺癌患者 | 数字病理学 | 乳腺癌 | 组织病理学分析、影像组学、分子结合位点检测 | 深度学习模型 | 组织病理切片图像、医学影像数据、分子结合位点数据 | NA | NA | NA | NA | NA |
| 4167 | 2026-02-15 |
GCARDTI: Drug-target interaction prediction based on a hybrid mechanism in drug SELFIES
2024-Jun, Quantitative biology (Beijing, China)
DOI:10.1002/qub2.39
PMID:41676368
|
研究论文 | 提出一种基于卷积神经网络和图注意力网络的混合机制框架GCARDTI，用于预测药物与靶点之间的相互作用 | 首次将SELFIES分子表示方法引入药物-靶点相互作用预测，并设计混合神经网络架构以充分挖掘药物分子结构信息 | 未明确说明模型在跨数据集泛化能力方面的具体表现，也未讨论模型对新型药物分子的预测可靠性 | 提升药物-靶点相互作用预测的准确性，支持药物研发和重定位 | 药物分子与靶点蛋白质 | 机器学习 | NA | SELFIES分子表示 | CNN, GAT | 分子结构数据 | 两个不同数据集（具体数量未说明） | NA | 卷积神经网络与图注意力网络的混合架构 | 多种不同指标（具体名称未列出） | NA |
| 4168 | 2026-02-15 |
Deep learning for drug-drug interaction prediction: A comprehensive review
2024-Mar, Quantitative biology (Beijing, China)
DOI:10.1002/qub2.32
PMID:41676018
|
综述 | 本文全面回顾了基于深度学习的药物-药物相互作用预测方法，并将其分为四类进行总结与讨论 | 系统性地将近年来的深度学习方法归纳为四大类别（神经网络、图神经网络、知识图谱、多模态），并对比了深度学习与传统机器学习在DDI预测上的性能提升 | NA | 总结和评估基于深度学习的药物-药物相互作用预测方法，探讨现有挑战与未来方向 | 药物-药物相互作用预测方法 | 机器学习 | NA | 深度学习 | 神经网络, 图神经网络 | 多模态数据 | 大规模数据集 | NA | NA | NA | NA |
| 4169 | 2026-02-15 |
Advanced deep learning methods for molecular property prediction
2023-Dec, Quantitative biology (Beijing, China)
DOI:10.1002/qub2.23
PMID:41675536
|
综述 | 本文综述了分子性质预测中的分子表示、常用数据集以及先进的深度学习方法 | 总结了分子性质预测领域的最新深度学习网络（如图神经网络和基于Transformer的模型）和策略（如3D预训练、对比学习、多任务学习、迁移学习和元学习） | 指出了数据集缺乏、信息利用率低以及针对疾病特异性不足等关键问题 | 加速药物发现过程并降低其成本 | 分子性质预测 | 机器学习 | NA | NA | 图神经网络, Transformer | 分子数据 | NA | NA | NA | NA | NA |
| 4170 | 2026-02-15 |
Exploration on learning molecular docking with deep learning models
2023-Sep, Quantitative biology (Beijing, China)
DOI:10.15302/J-QB-022-0321
PMID:41675244
|
研究论文 | 本文提出并评估了一种结合深度学习与两种免费对接程序的虚拟筛选方法，用于快速高效地筛选超大型化合物库以获取多样化的潜在活性化合物 | 创新点在于将深度学习模型与免费对接程序结合，形成一种可显著降低计算成本且具有可转移性的策略 | NA | 研究目标是开发一种快速高效的虚拟筛选方法，用于从超大型化合物库中识别潜在活性化合物 | 研究对象是超大型化合物库中的化合物 | 机器学习 | NA | 分子对接 | 深度学习模型 | 化合物数据 | NA | NA | NA | NA | NA |
| 4171 | 2026-02-15 |
DeepRCI: predicting RNA-chromatin interactions via deep learning with multi-omics data
2023-Sep, Quantitative biology (Beijing, China)
DOI:10.15302/J-QB-022-0316
PMID:41675247
|
研究论文 | 本文提出了一种名为DeepRCI的可解释计算框架，用于预测RNA与染色质之间的相互作用 | 开发了一个高度可解释的深度学习框架，结合多组学数据来预测RNA-染色质相互作用 | NA | 识别不同类型RNA与染色质之间的相互作用，以研究基因调控机制 | 染色质相关RNA（caRNA）及其与染色质的相互作用 | 机器学习 | NA | 多组学数据 | 深度学习 | 多组学数据 | NA | NA | NA | NA | NA |
| 4172 | 2026-02-15 |
Pattern discovery of long non-coding RNAs associated with the herbal treatments in breast and prostate cancers
2023-Sep, Quantitative biology (Beijing, China)
DOI:10.15302/J-QB-023-0333
PMID:41675250
|
研究论文 | 本研究通过RNA-seq数据构建共表达网络，探索长链非编码RNA与草药治疗在乳腺癌和前列腺癌中的关联 | 首次系统性地研究了lncRNAs与草药治疗在癌症中的潜在关系，并应用深度学习模型预测癌症相关lncRNAs | 研究主要基于RNA-seq数据，未进行实验验证，且样本量未明确说明 | 识别lncRNAs与草药治疗在乳腺癌和前列腺癌中的关联 | 乳腺癌和前列腺癌的RNA-seq数据 | 自然语言处理 | 乳腺癌,前列腺癌 | RNA-seq | 深度学习 | RNA-seq数据 | NA | NA | NA | NA | NA |
| 4173 | 2026-02-15 |
DeepDrug: A general graph-based deep learning framework for drug-drug interactions and drug-target interactions prediction
2023-Sep, Quantitative biology (Beijing, China)
DOI:10.15302/J-QB-022-0320
PMID:41675249
|
研究论文 | 本文提出了一种名为DeepDrug的通用图基深度学习框架，用于预测药物-药物相互作用和药物-靶点相互作用 | DeepDrug在一个统一框架内同时处理药物-药物相互作用和药物-靶点相互作用预测问题，能够提取药物和靶蛋白的全面特征 | NA | 加速药物发现过程，通过计算预测药物-药物相互作用和药物-靶点相互作用 | 药物和靶蛋白 | 机器学习 | NA | NA | 图神经网络 | 图数据 | NA | NA | DeepDrug | NA | NA |
| 4174 | 2026-02-15 |
Prediction of chromatin looping using deep hybrid learning (DHL)
2023-Jun, Quantitative biology (Beijing, China)
DOI:10.15302/J-QB-022-0315
PMID:41675657
|
研究论文 | 本文提出了一种基于深度混合学习（DHL）的方法，用于预测染色质环化，结合了深度学习模型DNABERT与传统机器学习算法 | 创新点在于将基于Transformer的DNABERT深度学习模型与SVM、RF、KNN等传统机器学习模型集成，形成深度混合学习（DHL）框架，以提高染色质环化预测的精度 | 未在摘要中明确提及具体限制 | 研究目的是利用深度混合学习预测染色质环化，以理解基因组空间组织对复杂性状的影响 | 研究对象是染色质环化数据，具体基于ChIA-PET实验，涉及CTCF和RNAPII数据集 | 机器学习 | NA | Hi-C, ChIA-PET | BERT, SVM, RF, KNN | 基因组序列数据 | NA | NA | DNABERT, Transformer | 精度 | NA |
| 4175 | 2026-02-15 |
Computational methods for identifying enhancer-promoter interactions
2023-Jun, Quantitative biology (Beijing, China)
DOI:10.15302/J-QB-022-0322
PMID:41675661
|
综述 | 本文系统综述了自2010年以来用于识别增强子-启动子相互作用（EPIs）的计算方法，包括传统机器学习和深度学习模型，并总结了相关数据集资源和在疾病（如癌症）中的应用 | 提供了增强子-启动子相互作用预测方法的系统性总结，特别关注了基于深度学习和迁移学习的模型，这些模型可直接从DNA序列预测EPIs，减少了生物信息学研究者的参数训练时间 | NA | 总结和梳理增强子-启动子相互作用的识别方法，为研究者提供应用和优化这些方法的框架 | 增强子、启动子及其相互作用（EPIs） | 生物信息学 | 癌症 | 测序技术 | 传统机器学习, 深度学习 | 遗传、基因组和表观基因组特征数据, DNA序列 | NA | NA | NA | NA | NA |
| 4176 | 2026-02-15 |
3D genomic organization in cancers
2023-Jun, Quantitative biology (Beijing, China)
DOI:10.15302/J-QB-022-0317
PMID:41675662
|
综述 | 本文综述了三维基因组组织在癌症中的作用及其研究进展 | 整合了生物信息学技术，特别是机器学习和深度学习，在三维癌症基因组研究中的应用潜力 | NA | 探讨三维基因组结构在癌症发生、发展和治疗中的作用机制 | 三维染色质结构（染色质区室A/B、拓扑关联结构域和增强子-启动子相互作用） | 生物信息学 | 癌症 | 机器学习和深度学习 | NA | 基因组数据 | NA | NA | NA | NA | NA |
| 4177 | 2026-02-14 |
Development of a deep neural network model for simultaneous analysis of extracellular analyte gradients for a population of cells
2026-Jun, Artificial intelligence in the life sciences
DOI:10.1016/j.ailsci.2026.100156
PMID:41669397
|
研究论文 | 本研究开发了一种结合单壁碳纳米管荧光传感平台与深度学习模型的方法，用于快速分析细胞群体释放的细胞外一氧化氮空间梯度 | 首次将YOLOv8分割模型与单壁碳纳米管荧光传感平台结合，实现了对多种形态和聚集细胞群体的自动识别及细胞外分析物空间梯度的同步分析 | 未明确说明模型在不同细胞类型或实验条件下的泛化能力，也未讨论荧光信号可能受到的环境干扰 | 开发一种能够快速分析细胞外分析物空间分布的自动化方法，以研究细胞通讯动态 | 细胞群体释放的细胞外一氧化氮 | 计算机视觉 | NA | 荧光传感、单壁碳纳米管传感 | CNN | 图像 | 100对图像 | NA | YOLOv8 | 召回率, 精确率 | NA |
| 4178 | 2026-02-14 |
Gaborformer: A method for depression detection through hybrid acoustic feature extraction and fusion
2026-May-01, Journal of affective disorders
IF:4.9Q1
DOI:10.1016/j.jad.2026.121172
PMID:41513150
|
研究论文 | 提出了一种名为Gaborformer的新型抑郁症检测框架，通过混合声学特征提取与融合来提升检测性能 | 提出了结合可学习Gabor滤波器与CNN的GaborNet模块，并引入分类迭代邻域成分分析（CINCA）进行特征选择，同时采用Conformer模型捕捉高维信号中的抑郁相关特征 | 未在摘要中明确说明研究的局限性 | 开发一种基于语音的抑郁症检测（SDD）先进方法 | 抑郁症患者的语音数据 | 自然语言处理 | 抑郁症 | 混合声学特征提取与融合 | CNN, Conformer | 语音数据 | DAIC-WOZ和MODMA两个数据集 | NA | GaborNet, Conformer | NA | NA |
| 4179 | 2026-02-14 |
Deep learning for depression prediction in older adults: A retrospective cohort study from CHARLS (2011-2020) with independent cohort validation in CLHLS (2008-2018)
2026-May-01, Journal of affective disorders
IF:4.9Q1
DOI:10.1016/j.jad.2026.121206
PMID:41554486
|
研究论文 | 本研究开发并验证了一种名为双注意力残差网络（DARNet）的深度学习模型，用于预测中国老年人群的抑郁风险 | 首次系统地将深度学习应用于中国老年抑郁预测，并提出了结合注意力机制的DARNet模型，通过独立队列验证了其有效性，并利用SHAP方法进行多维可解释性分析 | 研究数据主要来源于中国纵向调查，未来需要整合多中心临床数据以增强模型的普适性和现实应用价值 | 开发个体化的早期预测工具，以识别老年抑郁高风险个体并指导分层干预 | 中国老年人群（年龄>60岁） | 机器学习 | 老年疾病 | LASSO回归, SHAP方法 | 深度学习 | 纵向调查数据 | CHARLS队列2781名老年人（2011-2020年五波数据），CLHLS独立队列（2008-2018年） | NA | 双注意力残差网络（DARNet） | 准确率, F1分数, AUROC, AUPRC | NA |
| 4180 | 2026-02-14 |
Peptide-responsive photonic hydrogels integrated with deep learning assistance for early MMP-9 detection
2026-May-01, Biosensors & bioelectronics
IF:10.7Q1
DOI:10.1016/j.bios.2026.118444
PMID:41619461
|
研究论文 | 本文开发了一种基于肽响应光子水凝胶与深度学习辅助的早期MMP-9检测平台 | 结合MMP-9响应性光子水凝胶和深度学习智能手机应用，实现快速、便携、高灵敏度的视觉与定量检测 | 未明确提及长期稳定性、大规模临床验证或与其他生物标志物的交叉反应性 | 开发一种用于早期检测MMP-9的快速、便携、低成本检测方法 | 基质金属蛋白酶-9（MMP-9） | 生物传感器与深度学习 | 炎症性疾病与癌症 | 酶联免疫吸附试验（ELISA）、迈克尔型加成反应、智能手机成像 | 深度学习模型 | 图像数据（水凝胶颜色变化） | 复杂生物流体样本（具体数量未提及） | 未明确指定 | 未明确指定 | 灵敏度（10.60 nm mL/ng）、检测限（0.62 ng/mL）、与ELISA的一致性 | 智能手机平台（具体型号未指定） |