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 45423 篇文献，本页显示第 481 - 500 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 481 | 2026-06-06 |
RLSFmode: A deep learning approach for predicting RNA-small molecule binding modes via molecular surface modeling
2026-Jun, International journal of biological macromolecules
IF:7.7Q1
DOI:10.1016/j.ijbiomac.2026.152711
PMID:42190788
|
研究论文 | 开发了基于分子表面建模的深度学习方法RLSFmode，用于预测RNA与小分子的结合模式 | 通过结合RNA-配体表面指纹、序列信息和能量评分函数，实现了结合模式的完整预测，包括姿态识别和亲和力估计 | RNA结合口袋的复杂性和结构数据的稀缺性给模型开发带来挑战 | 预测RNA与小分子的结合模式，辅助基于结构的合理药物设计 | RNA与小分子结合模式 | 机器学习 | NA | NA | 深度学习模型 | 分子结构数据 | NA | NA | NA | NA | NA |
| 482 | 2026-06-06 |
KGT: Knowledge-guided graph transformer for neurodegenerative disease diagnosis and brain age prediction with MRI
2026-Jun-01, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2026.104143
PMID:42242081
|
研究论文 | 提出KGT，一种知识引导的图Transformer网络，整合医学领域知识与脑图像，用于神经退行性疾病诊断和脑龄预测 | 首次将医学领域知识（知识图谱）与脑图像特征及空间邻近性结合，构建混合脑图，并通过图Transformer实现特征交互与融合 | 未明确提及，但依赖性于公共医疗数据集中知识图谱的质量和完整性 | 利用领域知识增强深度学习模型，提高神经退行性疾病诊断和脑龄预测的性能 | 脑部结构磁共振成像（sMRI）数据中的感兴趣区域（ROIs） | 机器学习, 计算机视觉 | 神经退行性疾病（如阿尔茨海默病、帕金森病） | 结构磁共振成像（sMRI） | 图Transformer（Graph Transformer） | 图像（脑部MRI） | 来自ADNI、PPMI和UKB数据集，具体样本数量未提及 | NA | 卷积自编码器, 图Transformer | 患病诊断和年龄预测的准确率、精确率、召回率、F1分数等（具体未详述） | 未明确提及 |
| 483 | 2026-06-06 |
TSProm: deep learning framework to predict tissue-specific regulatory logic
2026-Jun, NAR genomics and bioinformatics
IF:4.0Q1
DOI:10.1093/nargab/lqag050
PMID:42244857
|
研究论文 | 提出TSProm框架，基于DNA基础模型解码组织特异性启动子的调控逻辑 | 首次将DNA基础模型（DNABERT2）应用于组织特异性调控逻辑的预测，并设计双模型对比策略，同时集成可解释AI模块用于交叉验证特征解释 | 研究仅针对人脑、肝脏和睾丸三种组织进行验证，尚未在更广泛组织类型中评估泛化能力 | 开发可解释且泛化的框架，用于预测组织特异性调控元件，揭示非编码DNA中的潜在调控语法 | 人类组织特异性启动子的调控逻辑 | 自然语言处理 | 神经胶质瘤, 神经母细胞瘤 | DNA测序 | DNABERT2（DNA基础模型） | DNA序列 | 包含人脑、肝脏和睾丸三种组织的启动子样本 | PyTorch | DNABERT2, 注意力机制 | 注意力权重分析, SHAP值 | NA |
| 484 | 2026-06-06 |
Satellite and ground-level residential greenness and hair steroid hormones during pregnancy
2026-Jun, Environmental epidemiology (Philadelphia, Pa.)
DOI:10.1097/EE9.0000000000000492
PMID:42245540
|
研究论文 | 利用卫星和地面街景图像评估孕期居住绿地与头发类固醇激素水平的关系 | 首次结合卫星归一化植被指数和谷歌街景图像，评估孕期绿地暴露对多种头发类固醇激素的影响 | 横断面设计，样本量有限，仅覆盖孕期第二和第一孕期 | 探究孕期居住绿地暴露与头发类固醇激素水平的关联 | 385名孕期个体的头发样本和居住地址 | 机器学习 | NA | 液相色谱-质谱联用法 | 深度学习算法 | 图像和激素浓度数据 | 385名孕妇，176,196张谷歌街景图像 | NA | NA | NA | NA |
| 485 | 2026-06-06 |
The mediating role of self-efficacy between time management disposition and deep learning ability among undergraduate nursing students: A cross-sectional study
2026-May-29, Nurse education today
IF:3.6Q1
DOI:10.1016/j.nedt.2026.107198
PMID:42242111
|
研究论文 | 探讨本科护生时间管理倾向、自我效能感与深度学习能力之间的关系，并检验自我效能感在时间管理倾向与深度学习能力之间的中介作用 | 首次在本科护生群体中验证自我效能感在时间管理倾向与深度学习能力之间的部分中介作用，为理解信息过载环境下深度学习能力的影响机制提供新视角 | 横断面设计无法推断因果关系；样本仅来自一所医学院校，代表性和推广性有限；采用便利抽样，可能存在选择偏倚 | 调查本科护生深度学习能力现状及其影响因素，探究自我效能感在时间管理倾向与深度学习能力间的中介作用 | 238名全日制本科护生 | 医学教育 | 不适用 | 不适用 | 回归模型（含中介分析） | 调查问卷数据 | 238名全日制本科护生 | PROCESS宏（模型4） | 不适用 | 相关系数(r)、标准化回归系数(β)、置信区间(CI)、方差解释量(R²) | 不适用 |
| 486 | 2026-06-06 |
SwitchCraft: A Programmatic Framework for Designing State-Switching Proteins
2026-May-29, ArXiv
PMID:42244813
|
研究论文 | 介绍SwitchCraft框架，一种基于结构预测模型参数化组合设计约束，通过反向传播设计状态切换蛋白质的方法 | 首次提出基于反向传播和结构预测模型参数化组合约束的程序化框架，用于设计多态切换蛋白质，超越了现有深度学习框架的能力 | 当前所有评估均为计算机模拟，未涉及实际湿实验验证 | 开发一种能够理性设计多态蛋白质的程序化框架以推动生物技术领域发展 | 状态切换蛋白质，包括变构调控基序、配体结合判别等分子功能元件 | 机器学习 | NA | 蛋白质结构预测、反向传播优化 | 结构预测模型 | 蛋白质结构数据 | NA | PyTorch | NA | NA | NA |
| 487 | 2026-06-06 |
Identification of LAMP2 as the direct target of aloperine derivatives for degrading PD-L1 through the lysosomal pathway based on deep learning model
2026-May-28, Bioorganic chemistry
IF:4.5Q1
DOI:10.1016/j.bioorg.2026.110056
PMID:42242017
|
研究论文 | 基于深度学习模型鉴定LAMP2为苦参碱衍生物通过溶酶体途径降解PD-L1的直接靶点 | 首次利用深度学习模型DeepDTAGen预测并验证苦参碱衍生物7a的直接靶点为LAMP2，结合计算与实验策略快速发现靶点 | NA | 鉴定苦参碱衍生物通过溶酶体途径降解PD-L1的直接功能靶点 | 苦参碱衍生物及PD-L1降解机制 | 机器学习 | 肿瘤免疫 | 分子对接、分子动力学模拟 | DeepDTAGen | 文本 | 30种苦参碱衍生物 | NA | DeepDTAGen | K值（5.58 μM） | NA |
| 488 | 2026-06-06 |
Deep Learning Prediction of Personalized Peripapillary Retinal Nerve Fiber Layer Thickness Norms from Fundus Images in Glaucoma
2026-May-27, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.05.26.26354081
PMID:42245038
|
研究论文 | 基于深度学习从眼底图像预测青光眼患者个体化的视乳头周围视网膜神经纤维层厚度正常值 | 首次利用U-Net深度学习模型从OCT en face眼底图像预测个体化的RNFLT正常值，并验证其在改善结构-功能评估中的有效性 | 未描述具体限制，可能包括样本来源单一、未进行外部验证等 | 从眼底图像预测视网膜神经纤维层厚度正常值，以改善青光眼的结构-功能评估 | 18000份来自马萨诸塞眼耳青光眼服务部的OCT扫描及视野数据 | 数字病理学 | 青光眼 | OCT成像 | U-Net, VGG-16 | 图像 | 18000份OCT扫描（10000份用于训练，8000份用于评估） | PyTorch | U-Net, VGG-16 | 相关系数、平均绝对误差、R² | NA |
| 489 | 2026-06-06 |
A Multistage Virtual Screening Strategy Integrating Molecular Similarity, Deep Learning Scoring, and Molecular Docking toward the Discovery of Novel LRRK2 Inhibitors
2026-May-26, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.6c00241
PMID:42187161
|
研究论文 | 采用整合相似性搜索、深度学习评分和分子对接的多阶段虚拟筛选策略，发现新型LRRK2抑制剂 | 将Ouroboros分子表示模型（结合构象和药效团特征）与分子对接相结合，实现化合物库的高效优先排序，并通过实验验证发现高效抑制剂C-298 | 主要依赖计算筛选和体外实验验证，缺乏体内药效和安全性评估 | 发现新型且有效的LRRK2抑制剂，用于帕金森病治疗 | LRRK2靶点及其野生型和G2019S突变体 | 机器学习， 计算机辅助药物设计 | 帕金森病 | 分子对接， 分子动力学模拟， 酶活性测定， 细胞活力测定 | Ouroboros分子表示模型 | 分子结构数据 | 15个候选化合物用于酶学评估 | NA | Ouroboros | IC50值 | NA |
| 490 | 2026-06-06 |
Label-Free Imaging of Single Proteins and Binding Dynamics via Deep Learning-Enhanced Plasmonic Scattering Microscopy
2026-May-26, Journal of the American Chemical Society
IF:14.4Q1
DOI:10.1021/jacs.6c04749
PMID:42189600
|
研究论文 | 通过深度学习增强的等离激元散射显微镜实现无标记单蛋白质成像和结合动力学分析 | 集成时空深度学习框架与等离激元散射显微镜，实现高容量自动无标记单蛋白质追踪和结合动力学区分 | 未提及在复杂生物流体中的验证或定量限制 | 实现无标记单蛋白质结合动力学的成像和分析 | 单蛋白质结合事件及动力学行为 | 计算机视觉, 机器学习 | NA | 等离激元散射显微镜 | 循环神经网络 | 显微镜图像 | NA | NA | 循环神经网络 | 停留时间测量, 纳米级运动分辨率 | NA |
| 491 | 2026-06-06 |
Prioritizing peptides for targeted mass spectrometry experiments using deep learning
2026-May-26, bioRxiv : the preprint server for biology
DOI:10.64898/2026.05.21.727053
PMID:42244555
|
研究论文 | 利用深度学习优先选择用于靶向质谱实验的肽段 | 提出了Bromo，一种基于Transformer的深度学习模型，通过考虑电荷状态来优先选择肽段前体，并在大规模训练数据上优于现有方法 | 未明确提及局限性，但可能依赖于训练数据的质量和多样性 | 开发一种实用的工具，用于在靶向质谱实验中优先选择响应良好的肽段 | 肽段前体，特别是从给定蛋白质中按相对响应排序的肽段 | 机器学习 | NA | 数据非依赖采集质谱 | Transformer | 肽段序列和质谱数据 | 数百万个带注释的肽段对 | NA | Transformer | 性能指标未明确提及，但隐含排名准确性 | NA |
| 492 | 2026-06-06 |
Molecular Characterization of T-Lineage Acute Lymphoblastic Leukemia by an Optimal-Transport Based Multi-Omics Integration Framework
2026-May-26, bioRxiv : the preprint server for biology
DOI:10.64898/2026.05.22.727257
PMID:42244593
|
研究论文 | 提出基于最优传输的多模态深度学习框架OTTER，整合RNA-seq基因表达和体细胞基因组变异数据，用于T系急性淋巴细胞白血病的分子特征刻画 | 采用Gromov-Wasserstein最优传输对齐多组学潜在表征，保留各模态内部几何结构，无需共享特征空间，同时实现跨模态交互分析和生物可解释性 | NA | 实现对T-ALL的多组学数据有效整合与精确分子分型，以理解疾病机制、风险分层和指导靶向治疗 | 儿童肿瘤组AALL0434队列中的1,309例T-ALL患者，涵盖17个亚型 | 机器学习 | T系急性淋巴细胞白血病 | RNA-seq, 体细胞基因组变异测序 | 变分自编码器, 最优传输模型 | 基因表达数据, 基因组变异数据 | 1,309例T-ALL患者 | PyTorch | 变分自编码器, Gromov-Wasserstein最优传输 | NA | NA |
| 493 | 2026-06-06 |
Normative modeling for quantitative brain MRI phenotyping and biomarker discovery for pediatric leukodystrophies
2026-May-25, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.05.22.26353512
PMID:42245025
|
研究论文 | 利用基于脑生长图表的规范性建模方法，对儿童脑白质营养不良进行定量MRI表型分析和生物标志物发现 | 首次将基于脑生长图表的规范性建模应用于多种遗传性脑白质营养不良，系统比较了六种亚型的神经解剖模式差异，并证明了该方法在疾病严重程度分层和生物标志物识别中的潜在价值 | 研究为横断面设计，虽然包含初步纵向数据，但整体样本量有限（274名患者），且不同亚型间样本分布不均，可能影响统计效力 | 利用解剖MRI衍生的表型，结合脑发育规范性模型，表征六种遗传性白质营养不良的共同和独特的神经解剖模式，评估该方法在疾病严重程度生物标志物识别中的效用 | 六种遗传性白质营养不良患者（Pelizaeus-Merzbacher病、异染性脑白质营养不良、亚历山大病、Aicardi-Goutières综合征、TUBB4A相关白质营养不良和POLR3相关白质营养不良） | 计算机视觉 | 儿童脑白质营养不良 | 解剖MRI | 深度学习分割模型 | MRI图像 | 274例患者（434次MRI扫描）和7205例对照（7628次扫描） | NA | 深度学习分割模型（未指定具体架构） | 百分位数分数 | NA |
| 494 | 2026-06-06 |
AI-Enhanced Nanophotonic Heterochain Sensor Enables Multiplexed Biomarker Detection across Serum, Urine, and Saliva for Stroke Differentiation
2026-May-21, ACS applied bio materials
IF:4.6Q2
DOI:10.1021/acsabm.6c00103
PMID:42166366
|
研究论文 | 开发了一种基于深度学习和纳米光子异质链传感器的多平台生物标志物检测系统，用于区分中风亚型 | 首次将深度学习辅助图像分析与便携式智能手机成像结合，实现血清、尿液和唾液中多种脑损伤生物标志物的超早期、多通路定量检测 | 仍处于临床验证阶段，样本量可能有限，且系统在实际临床环境中的稳定性和适用性需进一步评估 | 实现快速、准确的中风亚型区分，推动即时诊断在临床和现场场景中的应用 | S100B、GFAP和UCH-L1三种脑损伤生物标志物 | 数字病理学 | 中风 | 纳米光子异质链传感、深度学习图像分析、便携式智能手机成像 | 深度学习模型 | 图像 | 缺血性中风、脑出血和健康对照组的临床样本 | NA | NA | 灵敏度、线性度、回收率、变异系数、诊断性能 | 云端分析管道 |
| 495 | 2026-06-06 |
An EEG-Based Edge-AI Framework for Alzheimer's and Creutzfeldt-Jakob Disease Classification
2026-May-21, Sensors (Basel, Switzerland)
DOI:10.3390/s26103274
PMID:42198082
|
研究论文 | 提出一种基于脑电图的边缘AI框架，用于区分阿尔茨海默病、克雅氏病和健康对照，并评估其在边缘设备上的部署可行性 | 提出轻量级混合深度学习模型，结合一维卷积神经网络与Transformer编码器，捕获局部时序和长程依赖；并在边缘AI平台实现能量高效的实时分类 | 样本量较小（36名受试者），可能限制模型泛化能力；仅验证了单一医院数据集，未在多个独立队列上测试 | 开发一种跨受试者、基于AI的EEG分类框架，实现阿尔茨海默病、克雅氏病与健康对照的准确区分，并确保临床部署的实时性和能效 | 阿尔茨海默病、克雅氏病患者及健康对照者的脑电图数据 | 机器学习 | 阿尔茨海默病, 克雅氏病 | 脑电图（EEG） | 一维卷积神经网络, Transformer编码器 | 脑电图信号 | 36名受试者 | NA | 一维卷积神经网络, Transformer | 准确率 | NVIDIA Jetson AGX Orin边缘AI平台 |
| 496 | 2026-06-06 |
Reliability-Aware Deep Learning Framework for Chemical Genotoxicity Prediction with Uncertainty Quantification
2026-May-20, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.6c00885
PMID:42160670
|
研究论文 | 提出了一个可靠性感知的深度学习框架，用于化学物质基因毒性预测，并整合了不确定性量化 | 结合了数据可靠性分层和保形预测，对低可靠性样本进行自适应加权，并在预测中提供分布自由的覆盖保证 | 未明确说明局限性，但可能依赖公共数据库的标注质量，且模型复杂度较高 | 开发一个能够处理数据异质性并提供不确定性量化的基因毒性预测方法 | 8,389种化合物的基因毒性数据，按实验可靠性分层标注 | 机器学习 | 化学安全性评估 | 分子指纹 | 消息传递神经网络、随机森林、支持向量机、逻辑回归 | 化合物分子结构数据 | 8,389种化合物 | NA | 消息传递神经网络、随机森林、RBF核支持向量机、逻辑回归 | AUC、Brier分数、经验覆盖率 | NA |
| 497 | 2026-06-06 |
Digital Pathology and the AI-Based Quantification of the Tumor Microenvironment in Gastrointestinal Cancer: From Tumor Budding and Tumor-Infiltrating Lymphocytes to Tertiary Lymphoid Structures
2026-May-14, International journal of molecular sciences
IF:4.9Q2
DOI:10.3390/ijms27104386
PMID:42196367
|
综述 | 本文综述了数字病理学和人工智能在胃肠道癌症肿瘤微环境分析中的进展，重点讨论了肿瘤出芽、肿瘤浸润淋巴细胞和三级淋巴结构等生物标志物 | 强调AI工具在自动、定量分析整个组织切片中的优势，以及深度学习模型在结构与空间组织分析中的新生物学见解 | AI在临床实践中的实施面临标准化、数据可用性和模型可解释性方面的挑战 | 讨论AI在胃肠道癌症肿瘤微环境生物标志物分析中的应用，推动个性化医学发展 | 胃肠道癌症中的肿瘤微环境，包括肿瘤出芽、肿瘤浸润淋巴细胞和三级淋巴结构 | 数字病理学 | 胃肠道癌症 | 数字病理学 | 深度学习 | 组织学图像 | NA | NA | NA | NA | NA |
| 498 | 2026-06-06 |
CT Attenuation Map-Derived Body Composition Is Associated with Cardiorespiratory Fitness in Multicenter External Validation
2026-May-08, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.05.07.26352573
PMID:42145618
|
研究论文 | 开发并验证基于CT衰减图的身体组成‘健康’评分，用于评估心肺功能 | 首次将深度学习量化的身体组成综合评分作为心肺功能的替代标记，并在多中心外部验证中展示其预测价值 | 未提及明显局限性，但可能受限于回顾性设计和样本选择偏倚 | 评估身体组成与心肺功能的关系，并开发可替代运动试验的评分工具 | 来自4个SPECT和12个PET中心的36471名患者 | 机器学习 | 心血管疾病 | CT衰减图 | 深度学习 | 图像（CT身体组成数据） | 36471名患者 | NA | NA | AUC, 调整后风险比 | NA |
| 499 | 2026-06-06 |
Artificial Intelligence-Assisted Confocal Laser Endomicroscopy for Predicting Invasion Depth of Superficial Esophageal Mucosal Lesions: A Cohort Study
2026-May-08, Clinical and translational gastroenterology
IF:3.0Q2
DOI:10.14309/ctg.0000000000001044
PMID:42100909
|
研究论文 | 本研究开发并验证了一种人工智能辅助共聚焦激光显微内镜系统，用于预测浅表食管黏膜病变的浸润深度 | 首次将人工智能与共聚焦激光显微内镜结合，建立AI-pCLE系统用于低级别上皮内瘤变与高级别上皮内瘤变伴黏膜下浸润的鉴别诊断，并与内镜医师的诊断性能进行了对比 | 回顾性单中心研究，样本量有限，需外部验证 | 开发并验证人工智能辅助共聚焦激光显微内镜系统，用于食管鳞状细胞癌浸润深度的准确评估 | 浅表食管黏膜病变患者，包含低级别上皮内瘤变和高级别上皮内瘤变伴黏膜下浸润病变 | 计算机视觉， 数字病理学 | 食管癌 | 共聚焦激光显微内镜 | 深度学习 | 图像 | 1,234张共聚焦激光显微内镜图像 | NA | 六种深度学习算法，具体架构未明确说明 | 准确率， 敏感度， 特异度， AUC， 阳性预测值， 阴性预测值 | NA |
| 500 | 2026-06-06 |
Real-time AI integration for MR to detect artifacts and guide pulse sequence adaptations
2026-May-07, bioRxiv : the preprint server for biology
DOI:10.64898/2026.05.04.722724
PMID:42146385
|
研究论文 | 首次提出人工智能集成磁共振脉冲序列，实时检测体素外伪影并前瞻性更新梯度方案 | 首次实现单次激励内（TR内）的人工智能集成序列，通过深度学习的时域和频域卷积自编码器实时检测伪影，并动态调整梯度方案 | 仅在健康志愿者前额叶皮层中测试，未涉及病变组织；需要用户定义阈值，可能引入主观性 | 实现磁共振中体素外伪影的实时检测与自适应梯度优化，提升频谱质量 | 健康志愿者的前额叶皮层 | 数字病理学 | NA | 编辑MRS（磁共振波谱） | 卷积自编码器 | 时域和频域信号 | 健康志愿者（具体数量未提及） | NA | 时域卷积自编码器, 频域卷积自编码器 | OOV分数, 拟合质量数 (FQN) | NA |