深度学习在生物医药领域中的应用

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
4581	2025-04-22	DTF-diffusion: A 3D equivariant diffusion generation model based on ligand-target information fusion 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108392 PMID:40020563	research paper	本文提出了一种基于配体-靶标信息融合的3D等变扩散生成模型DTF-diffusion，用于生成与特定靶蛋白结合的药物分子	DTF-diffusion通过多模态特征融合模块融合配体和靶标的三维位置特征信息，并设计了化学规则判别模块以提高生成配体结构的合理性	未明确提及具体局限性	开发一种能够生成与特定靶蛋白结合的药物分子的深度学习模型	药物分子和靶蛋白	machine learning	NA	扩散模型	DTF-diffusion	3D分子结构数据	基于CrossDocket2020数据集进行评估
4582	2025-04-22	Brain tumor segmentation and classification using MRI: Modified segnet model and hybrid deep learning architecture with improved texture features 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108381 PMID:40020564	研究论文	本文提出了一种基于MRI的脑肿瘤自动分割与分类方法，采用改进的Segnet模型和混合深度学习架构，结合增强的纹理特征	提出了改进的Segnet模型和混合深度学习架构(HDLA)，结合Bi-LSTM和改进的Linknet模型，以及新的纹理特征提取方法	未提及模型在不同类型脑肿瘤上的泛化能力，也未讨论计算复杂度问题	开发自动化的脑肿瘤分割与分类系统以提高诊断效率和准确性	MRI脑部扫描图像	数字病理学	脑肿瘤	MRI图像分析	改进的Segnet模型、Bi-LSTM、改进的Linknet模型、HDLA混合架构	医学影像(MRI)	未明确提及具体样本数量，但测试集占比为90%
4583	2025-04-22	PocketDTA: A pocket-based multimodal deep learning model for drug-target affinity prediction 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108416 PMID:40073710	研究论文	提出了一种基于口袋的多模态深度学习模型PocketDTA，用于药物-靶标亲和力预测	引入了口袋图结构，编码蛋白质残基特征作为节点，边代表不同的蛋白质序列和空间距离，克服了传统模型仅依赖蛋白质序列输入缺乏空间信息的限制	未明确提及具体局限性	提高药物-靶标亲和力预测的准确性和泛化能力	药物和蛋白质	机器学习	NA	深度学习	关系图卷积网络（Relational Graph Convolutional Networks）	序列数据和结构数据	多个基准数据集（具体数量未提及）
4584	2025-04-22	Multiple omics-based machine learning reveals specific macrophage sub-clusters in renal ischemia-reperfusion injury and constructs predictive models for transplant outcomes 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108421 PMID:40086342	研究论文	本研究通过多组学机器学习方法揭示了肾缺血再灌注损伤中特定的巨噬细胞亚群，并构建了移植结果的预测模型	创新性地将基因表达矩阵转化为独特的图形像素模块，并应用先进的计算机视觉处理算法构建DGF预测模型，同时使用10种机器学习算法的111种组合开发移植物存活的预测特征	研究主要基于GEO数据库的scRNA-Seq数据，可能需要更多独立队列验证模型的普适性	分析巨噬细胞在IRI中的发育和分化特征，识别IRI的特定分子亚型，并建立DGF和移植物存活的预测策略	肾缺血再灌注损伤中的巨噬细胞亚群和移植受者	数字病理	肾脏疾病	scRNA-Seq, bulk RNA-Seq, qRT-PCR, WB, IHC	深度学习算法, 随机生存森林算法	基因表达数据, 图像数据	GEO数据库中的scRNA-Seq数据和小鼠IRI模型
4585	2025-04-22	On construction of data preprocessing for real-life SoyLeaf dataset & disease identification using Deep Learning Models 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108417 PMID:40086344	research paper	该论文构建了一个真实的大豆叶片数据集SoyLeaf，并应用深度学习模型进行叶片病害识别	开发了包含9786张高质量大豆叶片图像的真实数据集SoyLeaf，并比较了多种预训练深度学习模型在该数据集上的表现	未提及模型在实际田间环境中的泛化能力测试	解决大豆叶片病害识别中高质量样本不足的问题	大豆叶片（健康与病害叶片）	computer vision	soybean leaf diseases	transfer learning	ResNet50V2, ResNet101V2, ResNet152V2, InceptionV3, InceptionResNetV2, MobileNet, MobileNetV2, DenseNet121, DenseNet169	image	9786张大豆叶片图像
4586	2025-04-22	Application of Machine Learning (ML) approach in discovery of novel drug targets against Leishmania: A computational based approach 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108423 PMID:40086345	review	本文提出了一种基于机器学习的计算流程，用于预测抗利什曼病药物的活性	利用先进的机器学习和深度学习方法构建计算流程，克服传统方法的局限性	面临数据收集、特征提取和选择等挑战，需要进一步优化	优化抗利什曼病药物的发现和设计过程	具有抗利什曼活性的分子	machine learning	leishmaniasis	machine learning, deep learning	NA	molecular structures	NA
4587	2025-04-22	A critical address to advancements and challenges in computational strategies for structural prediction of protein in recent past 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108430 PMID:40121710	review	本文回顾了计算蛋白质结构预测领域的历史演变，分析了最新模型的优缺点	探讨了深度学习模型如AlphaFold2、RoseTTAFold和OpenFold在蛋白质结构预测中的革命性应用	需要大量训练数据、计算资源需求高，以及在建模蛋白质动力学、内在无序区域和蛋白质-蛋白质相互作用方面存在困难	探索计算蛋白质结构预测的进展与挑战	蛋白质结构预测的计算方法	computational biophysics	NA	homology modeling, threading, ab initio folding, deep learning	AlphaFold2, RoseTTAFold, OpenFold	protein sequences and structures	NA
4588	2025-04-22	Drug-drug interaction prediction based on graph contrastive learning and dual-view fusion 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108426 PMID:40138848	研究论文	提出了一种基于图对比学习和双视图融合的药物相互作用预测模型GDF-DDI	结合知识图谱网络和分子结构，通过双视图融合和图对比学习提取更丰富的药物嵌入信息	现有数据集中存在噪声和不完整数据，且数据量有限	提高药物相互作用(DDI)预测的性能	药物相互作用	机器学习	NA	图对比学习, 自监督学习	GDF-DDI, 图卷积网络	分子图, 知识图谱网络	两个数据集
4589	2025-04-22	In silico discovery of novel compounds for FAK activation using virtual screening, AI-based prediction, and molecular dynamics 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108420 PMID:40157227	研究论文	利用虚拟筛选、AI预测和分子动力学模拟发现新型FAK激活化合物	开发了一个新流程，结合虚拟筛选、AI预测和分子动力学模拟，从1000万种化合物中筛选出10种潜在FAK激活剂，并最终确定3种最有希望的候选化合物	研究仅进行了计算机模拟，缺乏体外和体内实验验证	识别能够增强FAK活性的化合物	FAK(黏着斑激酶)及其潜在激活剂	计算生物学	癌症	虚拟筛选、分子对接模拟、分子动力学模拟、深度学习	GLAM、elEmBERT	化学化合物数据	从1000万种化合物开始筛选，最终确定3种候选化合物
4590	2025-04-22	Lung cancer detection and classification using optimized CNN features and Squeeze-Inception-ResNeXt model 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108437 PMID:40158238	研究论文	本文提出了一种基于深度学习的方法，用于利用胸部CT扫描图像对肺癌进行分类	结合Squeeze-Inception V3与ResNeXt的新型Squeeze-Inception-ResNeXt模型，以及使用Slime Mould Algorithm (SMA)优化CNN特征提取	未提及具体的数据集来源或样本多样性，可能影响模型的泛化能力	开发一种高效的计算机辅助诊断系统，以提高肺癌的早期检测和分类准确性	胸部CT扫描图像中的肺结节	数字病理学	肺癌	计算机断层扫描(CT)	CNN, Squeeze-Inception-ResNeXt	图像	NA
4591	2025-04-22	pACPs-DNN: Predicting anticancer peptides using novel peptide transformation into evolutionary and structure matrix-based images with self-attention deep learning model 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108441 PMID:40168838	研究论文	提出了一种基于自注意力深度学习模型pACPs-DNN，用于准确预测抗癌肽(ACPs)和非ACPs	将输入肽转化为基于残基能量接触矩阵(RECM)、替代矩阵表示(SMR)和位置特异性评分矩阵(PSSM)的图像表示，并采用局部二值模式(LBP)分解捕捉增强的结构和局部语义特征	未提及具体的数据集规模限制或模型计算资源需求	开发一种高效预测抗癌肽的深度学习模型，以推进癌症相关治疗药物的研发	抗癌肽(ACPs)和非ACPs	机器学习	癌症	残基能量接触矩阵(RECM)、替代矩阵表示(SMR)、位置特异性评分矩阵(PSSM)、局部二值模式(LBP)	自注意力深度神经网络(DNN)	肽序列数据	未明确提及具体样本数量，但在独立数据集Ind-I和Ind-II上进行了验证
4592	2025-04-22	CACTUS: An open dataset and framework for automated Cardiac Assessment and Classification of Ultrasound images using deep transfer learning 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110003 PMID:40107020	research paper	该论文介绍了一个名为CACTUS的开放数据集和深度学习框架，用于自动化心脏超声图像的分类和评估	首次引入开放分级的心脏超声图像数据集CACTUS，并提出了一个结合CNN和迁移学习的深度学习框架，用于心脏视图分类和图像质量评估	数据集主要来自CAE Blue Phantom扫描的图像，可能无法完全代表真实临床场景中的多样性	开发自动化工具辅助医疗专业人员分类和评估心脏超声图像	心脏超声图像	digital pathology	cardiovascular disease	ultrasound imaging	CNN with Transfer Learning	image	来自CAE Blue Phantom扫描的各种心脏视图和不同质量水平的图像
4593	2025-04-22	Deep learning by Vision Transformer to classify bacterial and fungal keratitis using different types of anterior segment images 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109976 PMID:40107025	研究论文	本研究开发了三种新型Vision Transformer (ViT)框架，用于利用不同类型的前段图像对细菌性和真菌性角膜炎进行特异性诊断，并比较其性能	通过集成一个或多个ViT模型，采用自注意力机制结合不同类型的前段图像，提高了细菌性和真菌性角膜炎的诊断准确性	数据集有限，可能影响模型的泛化能力	开发并验证ViT框架在细菌性和真菌性角膜炎诊断中的应用	细菌性和真菌性角膜炎患者的前段图像	计算机视觉	角膜炎	Vision Transformer (ViT)	ViT	图像	79名患者的283张广光束图像、610张裂隙光束图像和342张蓝光图像
4594	2025-04-22	Neuro_DeFused-Net: A novel multi-scale 2DCNN architecture assisted diagnostic model for Parkinson's disease diagnosis using deep feature-level fusion of multi-site multi-modality neuroimaging data 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110029 PMID:40107026	research paper	提出了一种名为Neuro_DeFused-Net的新型多尺度2DCNN架构，用于通过多站点多模态神经影像数据的深度特征级融合来诊断帕金森病	结合T1加权结构MRI和静息态功能MRI的多站点多模态神经影像数据，采用深度特征级融合技术，提出了一种定制的多尺度2DCNN架构，以增强模型学习帕金森病相关复杂模式的能力	NA	提高帕金森病的诊断精度	帕金森病患者和正常对照	digital pathology	Parkinson's disease	MRI	2DCNN	neuroimaging data	NA
4595	2025-04-22	Multiple kidney stones prediction with efficient RT-DETR model 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110023 PMID:40107024	research paper	提出了一种名为RT-DETR的新型模型，用于高效准确地检测CT扫描中的多发性肾结石	RT-DETR模型采用创新的混合编码器处理多尺度特征，并结合IoU感知的查询选择机制以提高异质性肾结石检测的准确性	未提及具体的数据集规模限制或模型在其他医疗影像数据上的泛化能力	解决现有模型在CT扫描中检测多发性肾结石时面临的准确性和速度问题	CT扫描图像中的多发性肾结石	digital pathology	kidney stone	CT扫描	RT-DETR	image	未明确提及具体样本数量，仅说明使用了标注肾结石位置的CT图像数据集
4596	2025-04-22	The proteomic code: Novel amino acid residue pairing models "encode" protein folding and protein-protein interactions 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110033 PMID:40112562	research paper	本文提出了一种基于氨基酸残基配对模型的新框架，用于解释蛋白质折叠和蛋白质-蛋白质相互作用的机制	提出了三种新的氨基酸残基配对模型（GU、Transmuted和Shift配对模型），这些模型在统计分析和不同数据集上表现出最高的观察-预期比率和相关性	研究主要依赖于TOP2018数据集，可能在其他数据集上的泛化能力有待验证	探索氨基酸残基配对模型在蛋白质折叠和蛋白质-蛋白质相互作用中的机制	氨基酸残基配对模型及其在蛋白质结构预测中的应用	生物信息学	NA	统计分析和深度学习	NA	蛋白质结构数据	基于TOP2018数据集
4597	2025-04-22	Enhancing skin disease classification leveraging transformer-based deep learning architectures and explainable AI 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110007 PMID:40117795	research paper	该研究利用基于Transformer的深度学习架构和可解释AI技术，提升皮肤疾病分类的准确性和临床相关性	首次在皮肤病学任务中引入DinoV2模型，并在31类皮肤疾病数据集上实现了最先进的性能，测试准确率达到96.48% ± 0.0138%，F1分数为97.27%，比现有基准提高了近10%	NA	通过自动化皮肤疾病分类支持及时准确的诊断	皮肤疾病	computer vision	skin disease	Vision Transformers, Swin Transformers, DinoV2, ConvNeXt, CNN	Transformer, CNN	image	31类皮肤疾病数据集，以及HAM10000和Dermnet数据集
4598	2025-04-22	Capsule DenseNet++: Enhanced autism detection framework with deep learning and reinforcement learning-based lifestyle recommendation 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110038 PMID:40120178	研究论文	提出了一种结合深度学习和强化学习的自闭症检测框架，并提供了基于强化学习的个性化生活方式建议	提出了Capsule DenseNet++深度学习模型和基于PPO算法的个性化生活方式推荐系统，提高了自闭症检测的准确性和干预效果	研究仅在沙特阿拉伯的两个数据集上进行了测试，可能在其他地区或人群中的适用性有限	开发一个准确的自闭症检测框架并提供个性化生活方式建议	自闭症谱系障碍(ASD)患者，特别是沙特阿拉伯的幼儿	机器学习	自闭症谱系障碍	深度学习, 强化学习	Capsule DenseNet++, PPO	结构化数据	两个数据集：自闭症筛查数据和沙特阿拉伯幼儿ASD筛查数据
4599	2025-04-22	HistoMSC: Density and topology analysis for AI-based visual annotation of histopathology whole slide images 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109991 PMID:40120181	research paper	提出了一种用于组织病理学全切片图像自动视觉注释的端到端框架	结合深度学习模型实现细胞核的精确定位和分类，并通过空间数据聚合扩展稀疏分布细胞核的类别，引入了一种新颖且经济高效的定位方法	未提及具体样本量或数据集大小，可能影响结果的普遍性	开发一个自动视觉注释框架，以辅助病理学家分析和解释全切片图像	组织病理学全切片图像中的细胞核	digital pathology	neoplastic cases	U-Net, ResNet-50, YOLO, 生成方法, 核密度估计, Morse-Smale理论	U-Net, ResNet-50, YOLO	image	NA
4600	2025-04-22	Development and validation of pan-cancer lesion segmentation AI-model for whole-body 18F-FDG PET/CT in diverse clinical cohorts 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110052 PMID:40127518	研究论文	开发并验证了一种基于深度学习的全身18F-FDG PET/CT图像病灶分割AI模型，适用于多种临床队列	提出了一种不依赖病灶位置和部位的深度学习自动分割模型，并在多种未见过的临床队列中进行了验证	模型在测试集和PHEO队列中遗漏了小体积和低摄取的病灶，且在OS和ST队列中假阳性和假阴性病灶的体积和摄取无显著差异	开发一种适用于全身18F-FDG PET/CT图像的自动病灶分割AI模型	全身18F-FDG PET/CT图像中的病灶	数字病理学	多种癌症（骨肉瘤、神经母细胞瘤、儿童实体瘤、成人嗜铬细胞瘤/副神经节瘤）	深度学习	3D U-Net（nnUNet框架的3D_FullRes配置）	3D 18F-FDG PET/CT图像	训练、验证和测试集共1014例全身FDG-PET/CT图像，外加3个未见过的临床队列（OS队列13例，ST队列14例，PHEO队列40例）