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
401	2026-06-15	Association of Epicardial Adipose Tissue Changes on Serial Chest CT Scans with Mortality: Insights from the National Lung Screening Trial 2025-02, Radiology IF:12.1Q1 DOI:10.1148/radiol.240473 PMID:39964263	研究论文	基于全国肺筛查试验的纵向数据，分析连续低剂量CT扫描中心外膜脂肪组织变化与死亡率的关系	首次在大规模肺癌筛查队列中系统评估EAT变化的纵向轨迹（体积和密度）与全因、心血管及肺癌死亡率的独立关联，并基于深度学习算法自动量化EAT	研究为回顾性二次分析，可能未完全纳入所有潜在混杂因素；EAT变化分类基于典型范围，其适用性需验证；仅包括肺癌筛查人群，结果推广性受限	探究在肺癌筛查人群中，两年间隔的低剂量CT扫描中EAT变化与死亡率之间的关联	参与全国肺筛查试验的受试者（共20,661人），通过深度学习自动分割获取EAT体积和密度	计算机视觉	心血管疾病	低剂量CT，深度学习算法	深度学习神经网络	CT影像	20,661名参与者（平均年龄61.4岁，男性占59.2%）	NA	NA	危险比（HR），95%置信区间，P值	NA
402	2026-06-15	ComNet: A Multiview Deep Learning Model for Predicting Drug Combination Side Effects 2025-01-27, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c01737 PMID:39749659	研究论文	提出了一种名为ComNet的多视图深度学习模型，用于预测药物组合的副作用	提出了多视图特征提取模块、多尺度子图融合机制以及基于注意力的多视图特征融合机制	未明确提及	提高药物组合副作用预测的准确性	药物组合及其副作用	机器学习	NA	NA	深度学习模型	文本（SMILES）、三维构象、分子指纹	多个公开数据集及自收集数据集	NA	ComNet	准确性	NA
403	2026-06-15	Graph-Based Deep Learning Models for Thermodynamic Property Prediction: The Interplay between Target Definition, Data Distribution, Featurization, and Model Architecture 2025-01-27, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c02014 PMID:39780656	研究论文	探讨了基于图的深度学习模型在热力学性质预测中目标定义、数据分布、特征化和模型架构之间的相互作用	系统分析了目标定义（生成能 vs 原子化能/焓）、特征化方法选择以及模型架构修改对预测精度的相对重要性，并发现分子级预测优于原子级增量预测	未明确说明	研究基于图的深度学习模型在热力学性质预测中的关键影响因素，以开发更通用的预测架构	五个具有不同元素组成、多样性、电荷状态和大小的数据集	机器学习	NA	基于图的深度学习	图神经网络	数值数据（热力学性质）	五个数据集，具体数量未明确	NA	多种图神经网络架构	准确度	NA
404	2026-06-15	Prediction of Proteolysis-Targeting Chimeras Retention Time Using XGBoost Model Incorporated with Chromatographic Conditions 2025-01-27, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c01732 PMID:39786356	研究论文	利用XGBoost模型结合色谱条件预测蛋白降解靶向嵌合体（PROTACs）的保留时间	首次系统比较多种机器学习算法和深度学习模型预测PROTACs保留时间，并提出优化的XGBoost模型，结合色谱条件描述符显著提升预测精度	仅基于文献数据构建数据集，未涉及大规模实验验证；模型对新色谱条件的泛化能力仍需进一步验证	开发快速精准的PROTACs保留时间预测方法，辅助化合物注释和药物设计	PROTACs化合物	机器学习	NA	液相色谱-质谱联用, XGBoost, 随机森林, K近邻, 支持向量机, 全连接神经网络, SHAP可解释性分析	XGBoost, 随机森林, K近邻, 支持向量机, 全连接神经网络	分子指纹和描述符、色谱条件描述符	从文献中收集的PROTACs数据集（具体样本数未明确）	NA	XGBoost, 随机森林, K近邻, 支持向量机, 全连接神经网络	决定系数R², 均方根误差RMSE	NA
405	2026-06-15	PPI-CoAttNet: A Web Server for Protein-Protein Interaction Tasks Using a Coattention Model 2025-01-27, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c01365 PMID:39761551	研究论文	基于共注意力机制设计深度学习模型PPI-CoAttNet，构建用于蛋白质-蛋白质相互作用预测的Web服务器	首次将共注意力机制同时应用于蛋白质-蛋白质相互作用和结合位点预测，并构建了支持在线训练的多功能Web平台	未说明具体局限性	开发用户友好的多功能Web服务器，用于蛋白质-蛋白质相互作用预测，加速药物发现	蛋白质-蛋白质相互作用及其结合位点	机器学习	癌症	NA	深度学习	蛋白质序列数据	NA	NA	共注意力网络	AUC, F1分数	NA
406	2026-06-15	Enhanced Sampling Simulations of RNA-Peptide Binding Using Deep Learning Collective Variables 2025-01-27, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c01438 PMID:39772512	研究论文	利用深度学习集体变量对RNA与肽结合进行增强采样模拟	使用新型深度目标判别分析(Deep-TDA)方法设计集体变量，用于研究灵活肽与构象丰富宿主RNA的结合过程，有效解决了复杂分子识别中集体变量选择难题	NA	开发并验证用于研究生物分子识别过程的增强采样模拟方法	环肽L22与HIV TAR RNA的结合过程	机器学习	NA	NA	深度学习模型	分子模拟数据	NA	NA	Deep-TDA	NA	NA
407	2026-06-15	High-Accuracy Identification and Structure-Activity Analysis of Antioxidant Peptides via Deep Learning and Quantum Chemistry 2025-01-27, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c01713 PMID:39772654	研究论文	本研究提出了一种结合深度学习与量子化学的框架，用于高效识别抗氧化肽并分析其构效关系	首次将双向长短期记忆网络（Bi-LSTM）与量子化学计算相结合，构建了抗氧化肽识别与活性分析一体化框架	NA	开发一种高效、高精度的抗氧化肽识别方法，并深入解析其结构-活性关系	抗氧化肽的序列数据及其抗氧化活性	机器学习	氧化应激相关疾病	机器学习, 量子化学计算, UMAP可视化	Bi-LSTM	序列数据	两个数据集，具体样本数未提及；实验验证了10种肽	PyTorch	Bi-LSTM	准确率, 精确率, 马修斯相关系数, DPPH清除率, ABTS清除率, HOMO-LUMO能隙	NA
408	2026-06-15	PPDock: Pocket Prediction-Based Protein-Ligand Blind Docking 2025-01-27, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c01373 PMID:39814581	研究论文	提出一种基于口袋预测的两阶段蛋白质-配体盲对接方法，显著提升对接精度与泛化能力	首次将口袋预测与口袋对接结合为两阶段范式，解决全蛋白对接难以识别正确口袋的问题	未提及	提高蛋白质-配体盲对接的准确性和泛化性能	蛋白质-配体盲对接	机器学习	NA	NA	深度学习模型	蛋白质和配体结构数据	基准数据集（未明确样本数量）	NA	NA	对接准确率、泛化能力、效率	NA
409	2026-06-15	Residue-Level Multiview Deep Learning for ATP Binding Site Prediction and Applications in Kinase Inhibitors 2025-01-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c01255 PMID:39690486	研究论文	提出了一种基于多视图深度学习的方法，用于ATP结合位点预测及其在激酶抑制剂中的应用	引入了端到端深度学习模型Multiview-ATPBind，整合一维序列和三维结构信息进行残基水平的口袋-配体相互作用预测，并设计了新的残基级提升算法ResiBoost以缓解数据不平衡问题	未在摘要中明确说明局限性	实现快速准确的ATP结合位点预测并应用于药物发现，特别是激酶抑制剂	ATP结合位点（残基级口袋-配体相互作用）及激酶抑制剂（伊马替尼和达沙替尼）	深度学习	癌症	深度学习	多视图深度学习模型	序列和结构数据	NA	NA	Multiview-ATPBind	平衡指标	NA
410	2026-06-15	MGT: Machine Learning Accelerates Performance Prediction of Alloy Catalytic Materials 2025-01-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c01065 PMID:39698829	研究论文	本文提出掩码图变换器（MGT）网络，通过结合非线性消息传递机制和分子几何信息，加速合金催化材料在析氢反应中的性能预测	创新性地将整体分子图与忽略固定原子的掩码图分别输入MGT网络，增强模型对关键催化位点的识别能力；引入非线性消息传递机制改进Transformer中的点积注意力，并通过深度张量积整合分子几何信息以捕捉节点相对位置的方向信息	未提及具体局限性	利用深度学习技术预测高性能合金催化剂在析氢反应中的吸附能，加速材料发现	合金催化材料	机器学习	NA	NA	MGT（掩码图变换器）、MPNN、Transformer	分子图数据	小数据集OC20-Ni	PyTorch	NLMP-TransNet（MPNN与Transformer结合的框架）、残差连接、权重共享	误差率（0.5447 eV）	NA
411	2026-06-15	Deep Learning-Driven Insights into Enzyme-Substrate Interaction Discovery 2025-01-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c01801 PMID:39721977	研究论文	介绍了一种名为MEI的机器学习框架，用于高精度预测分子是否为特定酶的底物	提出MEI模型，通过层级神经网络中的高级注意力机制结合原子环境数据与氨基酸序列特征，在预测准确性和AUROC上分别提升至少6.7%和8.5%，并在不同数据集上展现卓越泛化能力	未明确说明局限性	开发高精度计算模型预测酶与底物的相互作用	酶与分子底物的相互作用	机器学习	NA	机器学习，酶底物预测	层级神经网络（高级注意力机制）	序列数据（酶序列与分子原子环境数据）	包含酶促反应和酶序列的综合数据集	NA	MEI（层级神经网络结合注意力机制）	准确率, AUROC	NA
412	2026-06-15	Evaluations of the Perturbation Resistance of the Deep-Learning-Based Ligand Conformation Optimization Algorithm 2025-01-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c01096 PMID:39724561	研究论文	评估基于深度学习的配体构象优化算法（DeepRMSD+Vina）对输入结构扰动的鲁棒性	首次系统评估深度学习配体构象优化算法（DeepRMSD+Vina）对输入扰动的鲁棒性，并揭示其在高达3 Å扰动下保持高成功率（62%）的物理驱动优势	当扰动RMSD扩展至3-4 Å时，成功率骤降至11%，表明算法对大扰动敏感	评估深度学习配体构象优化算法的鲁棒性及其对输入扰动的抵抗力	多种蛋白质-配体复合物的结合构象优化	机器学习	NA	深度学习	深度神经网络	分子结构数据	多种蛋白质-配体案例	PyTorch	DeepRMSD	成功率	NA
413	2026-06-15	Intersection of Performance, Interpretability, and Fairness in Neural Prototype Tree for Chest X-Ray Pathology Detection: Algorithm Development and Validation Study 2024-12-05, JMIR formative research IF:2.0Q4 DOI:10.2196/59045 PMID:39636692	研究论文	研究神经原型树（NPT）分类器在胸部X光病理检测中的性能、可解释性和公平性，并探讨三者之间的相互作用	首次系统研究了神经原型树分类器在性能、可解释性和公平性三个维度的表现及其复杂交互关系，提供了可解释深度学习分类器在胸部X光病理检测中的新视角	未明确提及局限性，但数据来源为公开数据集，可能存在分布偏差	评估NPT分类器在胸部X光病理检测中的表现、可解释性和公平性，并分析三者关系	胸部X光图像	计算机视觉	多种胸部X光病理	深度学习	神经原型树（NPT）	图像	来自Chest X-ray 14、CheXpert和MIMIC-CXR三个公开数据集，具体数量未明确说明	NA	ResNet-152, 神经原型树（NPT）	ROC AUC, 解释复杂性（IC）, 平均真阳性率差异（mean TPR disparity）	NA
414	2026-06-15	DNA breathing integration with deep learning foundational model advances genome-wide binding prediction of human transcription factors 2024-10-28, Nucleic acids research IF:16.6Q1 DOI:10.1093/nar/gkae783 PMID:39271116	研究论文	本研究开发了基于DNA呼吸与深度学习基础模型的多模态模型EPBDxDNABERT-2，用于预测人类转录因子在全基因组上的结合位点	首次将DNA呼吸特性（基于EPBD非线性动力学模型）与预训练基础模型DNABERT-2结合，通过交叉注意力机制融合多模态特征，显著提升转录因子-DNA结合预测的准确性	未明确提及局限性，但可能涉及ChIP-seq数据噪声、模型泛化性测试范围有限等问题	通过整合DNA呼吸热力学特征与深度学习模型，改进人类转录因子结合位点的全基因组预测	人类转录因子与DNA的相互作用，包括161种不同转录因子和91种人类细胞类型	人工智能, 自然语言处理, 机器学习, 数字病理学, 计算机视觉	基因组关联研究中发现的疾病相关非编码变异相关疾病	ChIP-seq, HT-SELEX	多模态深度学习模型	序列数据	690个ChIP-seq实验数据（涵盖161种转录因子、91种细胞类型）及215种转录因子的HT-SELEX体外数据集	PyTorch	EPBDxDNABERT-2: DNABERT-2基础模型 + 交叉注意力机制	AUROC（曲线下面积）	NA
415	2026-06-15	A deep learning-based method enables the automatic and accurate assembly of chromosome-level genomes 2024-10-28, Nucleic acids research IF:16.6Q1 DOI:10.1093/nar/gkae789 PMID:39287126	研究论文	提出一种基于深度学习的AutoHiC方法，用于自动且准确地组装染色体级别基因组	AutoHiC利用Hi-C数据实现自动化流程和迭代纠错，无需手动修正，在300多个物种的数据上平均错误检测准确率超过90%	未提及局限	解决染色体级别基因组组装中的纠错和序列锚定挑战，提高组装的连续性和准确性	Hi-C数据辅助的染色体级别基因组组装	机器学习	NA	Hi-C高通量染色体构象捕获	深度学习模型	基因组数据	300+物种数据	NA	NA	准确率	NA
416	2026-06-15	Combining propensity score methods with variational autoencoders for generating synthetic data in presence of latent sub-groups 2024-09-09, BMC medical research methodology IF:3.9Q1 DOI:10.1186/s12874-024-02327-x PMID:39251921	研究论文	结合倾向性评分方法与变分自编码器，在存在潜在子组的情况下生成合成数据	提出将变分自编码器与预变换结合以忠实再现边际分布中的未知异质性，并利用倾向性评分回归模型处理已知子组异质性，从而在合成数据中保留和可控异质性	未明确提及局限性，但可能包括对复杂异质性场景的泛化能力需进一步验证	研究如何在临床队列中利用变分自编码器生成合成数据时，保留和控制个体间已知或未知的异质性	临床队列数据，包括模拟数据和一个国际卒中试验的真实数据	机器学习	卒中	NA	变分自编码器	临床数据	使用模拟数据和一个国际卒中试验的真实数据，具体样本量未提及	PyTorch	变分自编码器	边际分布恢复效果评估	NA
417	2026-06-15	READRetro: natural product biosynthesis predicting with retrieval-augmented dual-view retrosynthesis 2024-09, The New phytologist DOI:10.1111/nph.20012 PMID:39081009	研究论文	提出了一种名为READRetro的检索增强双视角逆合成工具，用于预测植物天然产物的生物合成途径	融合了先进的深度学习架构、集成方法和两个检索器，以优化复杂代谢途径的预测能力	NA	开发一种实用的生物逆合成工具，用于预测植物天然产物的完整生物合成途径	植物天然产物（如单萜吲哚生物碱和门尼糖苷内酯）的代谢途径	机器学习	NA	NA	深度学习模型	文本（分子结构与逆合成数据）	NA	PyTorch	深度学习架构、集成方法和检索器	单步和多步逆合成评估指标	NA
418	2026-06-15	Identify the most appropriate imputation method for handling missing values in clinical structured datasets: a systematic review 2024-08-28, BMC medical research methodology IF:3.9Q1 DOI:10.1186/s12874-024-02310-6 PMID:39198744	综述	系统评价了处理临床结构化数据集中缺失值的最佳插补方法	基于缺失机制、模式和比例，构建证据图谱推荐插补方法	仅包括截至2023年9月20日的已发表文章，可能遗漏最新研究	确定临床结构化数据集中处理缺失值的最合适插补方法	PubMed、Web of Science、Scopus和IEEE Xplore数据库中讨论临床结构化数据集缺失值插补方法的文章	机器学习	NA	NA	传统统计方法、机器学习、深度学习、混合插补	表格数据	纳入58篇论文（从2955篇中筛选）	NA	NA	NA	NA
419	2026-06-15	Can supervised deep learning architecture outperform autoencoders in building propensity score models for matching? 2024-08-02, BMC medical research methodology IF:3.9Q1 DOI:10.1186/s12874-024-02284-5 PMID:39095707	研究论文	评估监督式深度学习架构与无监督自编码器在倾向得分匹配中的表现，并与传统方法比较	首次系统比较监督式深度学习与无监督自编码器在倾向得分估计中的偏差和方差准确性	基于单一数据集（右心导管插入术）的模拟研究，可能限制泛化能力	评估监督式深度学习和无监督自编码器用于倾向得分估计的性能	倾向得分匹配模型，包括监督式深度学习、无监督自编码器、逻辑回归和样条方法	机器学习	心血管疾病	NA	监督式深度学习、无监督自编码器	观察性数据（右心导管插入术数据集）	NA	NA	NA	偏差、标准误差、覆盖概率	NA
420	2026-06-15	Demographic bias in misdiagnosis by computational pathology models 2024-04, Nature medicine IF:58.7Q1 DOI:10.1038/s41591-024-02885-z PMID:38641744	研究论文	该文章通过分析计算病理学模型在不同人口群体中的表现差异，揭示了性别和种族等因素导致的诊断偏差	首次系统性评估了计算病理学模型在乳腺癌、肺癌亚型分类和胶质瘤IDH1突变预测中的人口统计偏差，并比较了自监督视觉基础模型与偏见缓解策略的效果	自监督视觉基础模型未能完全消除人口统计偏差，表明需要进一步研究更有效的偏见缓解方法	评估并量化计算病理学模型在不同人口群体中的性能差异，并探讨自监督视觉基础模型对减少偏见的作用	乳腺癌、肺癌、胶质瘤患者全切片图像及其人口统计信息（种族、性别等）	数字病理学	乳腺肿瘤, 肺肿瘤, 胶质瘤	全切片图像 (WSI) 分析	CNN, 自监督视觉基础模型	图像	涉及TCGA、EBRAINS脑肿瘤图谱及内部患者数据，具体样本数量未在摘要中明确	PyTorch	ResNet, 自监督视觉基础模型 (如BYOL, SwAV等)	AUC, 接收者操作特征曲线下面积	NA