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
5221	2025-12-15	MLD-Net: A Multi-Level Knowledge Distillation Network for Automatic Modulation Recognition 2025-Nov-22, Sensors (Basel, Switzerland) DOI:10.3390/s25237143 PMID:41374516	研究论文	本文提出了一种名为MLD-Net的多级知识蒸馏网络，用于构建轻量且高效的自动调制识别模型	采用基于Transformer的大模型作为教师网络，指导基于Reformer的紧凑学生模型训练，并在输出、特征和注意力三个粒度上进行知识蒸馏	未提及具体局限性	开发轻量且高效的自动调制识别模型，以降低计算和内存需求，便于边缘部署	无线通信信号	机器学习	NA	知识蒸馏	Transformer, Reformer	信号数据	RML2016.10A基准数据集	NA	Transformer, Reformer	NA	NA
5222	2025-12-15	Application of Machine Learning in Food Safety Risk Assessment 2025-Nov-22, Foods (Basel, Switzerland) DOI:10.3390/foods14234005 PMID:41375943	综述	本文综述了机器学习和深度学习在食品安全风险评估中的变革性作用，重点关注生物毒素检测、重金属污染、农药和兽药残留分析以及微生物风险预测等关键领域	系统总结了ML和DL在食品安全风险评估中的最新应用进展，并强调了新型DL架构（如CNN、RNN和Transformer）在自动特征提取和多模态数据集成方面的优势	未明确提及具体研究的数据限制或模型泛化能力问题	回顾机器学习和深度学习在实现智能食品安全管理中的作用，通过高效分析高质量和非线性数据来提升风险评估能力	食品安全风险评估，特别是生物毒素、重金属、农药和兽药残留以及微生物风险	机器学习	NA	机器学习，深度学习	支持向量机，随机森林，K-means，层次聚类分析，卷积神经网络，循环神经网络，Transformer	高质量和非线性数据，多模态数据	NA	NA	卷积神经网络，循环神经网络，Transformer	检测准确率，效率	NA
5223	2025-12-15	TruMPET: A New Method for Protein Secondary Structure Prediction Using Neural Networks Trained on Multiple Pre-Selected Physicochemical and Structural Features 2025-Nov-21, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms262311284 PMID:41373446	研究论文	提出了一种名为TruMPET的新方法，通过神经网络结合预选的物理化学和结构特征来预测蛋白质二级结构	该方法强调使用统计上显著且互不相关的描述符生成机器学习特征集，并整合了非规范氨基酸的物理化学参数预测，结合Bi-LSTM网络与ESMFold2嵌入，提升了预测性能	未明确讨论模型在处理更复杂蛋白质结构或大规模数据集时的可扩展性，也未提及对计算资源的具体需求	改进蛋白质二级结构预测方法，专注于从氨基酸序列直接预测DSSP分类	蛋白质氨基酸序列及其对应的二级结构（DSSP Q3和Q8分类）	机器学习	NA	蛋白质语言模型嵌入，线性判别分析	Bi-LSTM	序列数据	使用非冗余数据集（CB513和TEST2018），具体样本数量未在摘要中明确	NA	Bi-LSTM	DSSP Q3准确率，DSSP Q8准确率	NA
5224	2025-12-15	Ordinal Regression Research Based on Dual Loss Function-An Example on Lumbar Vertebra Classification in CT Images 2025-Nov-21, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15232949 PMID:41374330	研究论文	本研究提出并评估了一种基于双损失函数的序数回归框架，用于CT图像中的腰椎分类，以辅助L3识别和肌肉减少症检测	提出了一种结合标准交叉熵损失和序数残差损失的双损失框架，以更好地建模有序类别	未明确提及研究的具体局限性	开发一种改进的腰椎分类方法，以支持临床实践中更准确的自动化L3定位和肌肉减少症评估	腰椎CT图像	计算机视觉	肌肉减少症	CT成像	深度学习模型	图像	NA	NA	MobileNet-v3-Large	分类性能	NA
5225	2025-12-15	High-Precision Coal Mine Microseismic P-Wave Arrival Picking via Physics-Constrained Deep Learning 2025-Nov-21, Sensors (Basel, Switzerland) DOI:10.3390/s25237103 PMID:41374478	研究论文	本文提出了一种融合物理约束与深度学习架构的微震P波到时自动拾取模型，用于煤矿动力灾害的智能监测与预警	将物理约束与深度学习架构相结合，构建了高精度、鲁棒的微震P波到时自动拾取模型，并在工程可迁移性方面表现出色	模型在采样率更高、噪声更强的矿区性能下降，表明其对数据采集参数较为敏感	实现煤矿微震信号中P波到时的自动高精度识别，以支持煤矿动力灾害的智能监测与预警	煤矿微震信号	机器学习	NA	微震监测	深度学习	时序信号	高质量人工标注数据集	NA	NA	精确率, 召回率, F1分数, 到时拾取误差	NA
5226	2025-12-15	UAV and Deep Learning for Automated Detection and Visualization of Façade Defects in Existing Residential Buildings 2025-Nov-21, Sensors (Basel, Switzerland) DOI:10.3390/s25237118 PMID:41374496	研究论文	本研究提出了一种结合无人机可见光与热红外成像、深度学习算法及参数化三维可视化的集成框架，用于现有住宅建筑立面缺陷的自动化检测与可视化	融合可见光与热红外图像以协同识别裂缝和渗漏缺陷，并开发了基于Grasshopper的集成映射工具，实现缺陷信息的实时三维可视化与参数化分析	研究仅基于深圳三个代表性住宅社区进行案例研究，样本规模和地理多样性有限，且未详细讨论模型在不同气候或建筑类型下的泛化能力	开发一种高效、自动化的立面缺陷检测框架，以提升城市建筑安全管理水平	现有住宅建筑的立面缺陷，特别是裂缝和渗漏问题	计算机视觉	NA	无人机可见光成像、热红外成像	深度学习	图像	深圳三个代表性住宅社区（建于1988年至2010年）	NA	Knet	mIoU	NA
5227	2025-12-15	De novo Design of All-atom Biomolecular Interactions with RFdiffusion3 2025-Nov-19, bioRxiv : the preprint server for biology DOI:10.1101/2025.09.18.676967 PMID:41000976	研究论文	本文介绍了RFdiffusion3（RFD3），一种能够生成蛋白质结构并考虑其与配体、核酸等非蛋白质原子相互作用的扩散模型	首次提出能够显式建模所有聚合物原子并在非蛋白质原子背景下生成蛋白质结构的扩散模型，相比先前方法计算成本降低90%	未明确说明模型在处理超大规模蛋白质复合物时的性能限制	开发能够设计全原子生物分子相互作用的蛋白质设计方法	蛋白质结构、配体、核酸及其他非蛋白质原子	机器学习	NA	扩散模型	扩散模型	蛋白质结构数据、原子坐标数据	NA	NA	RFdiffusion3	基准测试性能	计算成本为先前方法的十分之一
5228	2025-12-15	Overcoming Extrapolation Challenges of Deep Learning by Incorporating Physics in Protein Sequence-Function Modeling 2025-Nov-11, bioRxiv : the preprint server for biology DOI:10.1101/2025.11.09.687530 PMID:41293023	研究论文	本文提出通过将蛋白质相互作用的物理原理融入深度学习模型，以克服蛋白质序列-功能建模中的外推挑战	将基于物理的能量效应量化直接整合到卷积和图卷积神经网络中，显著提升了位置和突变类型外推的性能	未明确说明模型在更广泛蛋白质类型或复杂突变场景中的泛化能力	改进蛋白质序列到功能关系的建模，以准确预测训练数据中未见位置或突变类型的变异功能效应	蛋白质序列及其功能映射，特别是通过深度突变扫描数据和可用结构学习的变异	机器学习	NA	深度突变扫描	CNN, 图卷积神经网络	序列数据, 结构数据	NA	NA	卷积神经网络, 图卷积神经网络	NA	NA
5229	2025-12-15	Graph attention with structural features improves the generalizability of identifying functional sequences at a protein interface 2025-Nov-10, bioRxiv : the preprint server for biology DOI:10.1101/2025.11.04.686550 PMID:41292907	研究论文	本文提出了一种结合蛋白质结构图和语言模型嵌入的图注意力网络架构，用于预测蛋白质-蛋白质界面功能序列，并在SARS-CoV-2 Spike RBD与ACE2受体结合的大规模突变库中验证了其泛化能力	开发了GAN-PLM图注意力网络架构，整合蛋白质结构图的局部残基环境表示与蛋白质语言模型嵌入的长程残基间相关性，显著提升了功能序列预测的泛化性能	研究主要针对SARS-CoV-2 Spike RBD与ACE2受体的结合界面，尚未在其他蛋白质界面广泛验证	提高蛋白质-蛋白质界面功能序列预测的准确性和泛化能力	SARS-CoV-2 Spike受体结合域（RBD）与ACE2受体的结合界面序列变异	机器学习	传染病	深度突变扫描	图注意力网络（GAN）	序列数据，结构图数据	超过43,000个序列变异	NA	GAN-PLM（结合图注意力网络与蛋白质语言模型）	平衡准确率	NA
5230	2025-12-15	Deep learning-driven characterization of single cell tuning in primate visual area V4 supports topological organization 2025-Nov-04, bioRxiv : the preprint server for biology DOI:10.1101/2023.05.12.540591 PMID:41279983	研究论文	本研究利用深度学习技术分析猕猴视觉区域V4中单个神经元的调谐特性，以支持其拓扑组织	结合大规模线性探针记录与深度学习方法，在非参数自然图像空间中系统表征V4神经元调谐，并量化功能聚类	研究主要基于猕猴V4区域，结果在人类或其他视觉皮层区域的普适性有待验证	探索灵长类视觉区域V4中神经元的功能组织及其与人工视觉系统的潜在共享编码策略	猕猴视觉区域V4中的单个神经元	计算机视觉	NA	线性探针记录，深度学习分析	深度学习模型	图像	超过1,200个V4神经元	NA	对比学习嵌入空间	人类心理物理学相似性度量，嵌入空间距离	NA
5231	2025-12-15	PLiCat: decoding protein-lipid interactions by large language model 2025-Nov-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf665 PMID:41378883	研究论文	本文提出了一个基于蛋白质序列预测蛋白质-脂质相互作用类别的深度学习框架PLiCat	首次开发了仅从蛋白质序列预测脂质类别的计算工具，并采用ESMC与BERT结合的混合深度学习架构实现可解释的分类	仅覆盖八个主要脂质类别，可能未涵盖所有脂质亚型	预测蛋白质相互作用的脂质类别并揭示序列编码的脂质结合特征	蛋白质序列及其与脂质的相互作用	自然语言处理	NA	蛋白质语言模型	深度学习	序列数据	NA	PyTorch	ESMC, BERT	NA	NA
5232	2025-12-15	Impact of intrinsically disordered regions and functional disorder hotspots in the human kinome 2025-Nov-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf662 PMID:41378882	研究论文	本研究提出了一种基于长短期记忆深度学习框架的标准化方法，用于预测人类激酶组中的内在无序区域，并揭示了这些区域的功能热点及其在激酶调控中的作用	开发了一种激酶中心化的内在无序区域预测方法，使用LSTM深度学习框架实现高预测性能（AUC=0.97），并首次系统分析了人类激酶组中内在无序区域的保守性和功能热点	研究依赖于计算预测方法，虽然性能较高，但可能需要实验验证进一步确认预测结果的生物学准确性；且方法主要针对人类激酶组，在其他蛋白质组中的适用性有待评估	系统预测和表征人类激酶组中的内在无序区域，揭示其在激酶调控和信号转导中的功能意义	人类激酶组中的蛋白质激酶及其内在无序区域	计算生物学	NA	深度学习，生物信息学分析	LSTM	蛋白质序列数据	涵盖人类所有137个激酶家族	NA	长短期记忆网络	AUC	NA
5233	2025-12-15	Biologically informed neural network models are robust to spurious interactions via self-pruning 2025-Oct-27, bioRxiv : the preprint server for biology DOI:10.1101/2025.10.24.684155 PMID:41278889	研究论文	本研究提出了一种评估生物学信息神经网络模型可靠性的新方法，通过测量模型在训练过程中对虚假相互作用的自我修剪能力	提出了一种可扩展且通用的自我修剪度量方法，用于评估BINN模型从先验知识网络中识别和移除虚假相互作用的能力，并实现了完全GPU加速的LEMBAS框架，获得了超过7倍的性能提升	分析主要关注选定的通路而非更全面的视角，且模型需要足够大的L2正则化才能有效修剪虚假相互作用	评估生物学信息神经网络模型在复杂细胞网络建模中机制推断的可靠性	细胞内信号传导动力学网络	机器学习	NA	深度学习，先验知识网络	循环神经网络	信号网络数据	3个不同的数据集	PyTorch	LEMBAS	预测准确性，自我修剪程度	GPU加速
5234	2025-12-15	Time series forecasting of chlorophyll-a concentrations in the Chesapeake Bay 2025-Aug-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-16352-3 PMID:40846738	研究论文	本研究评估了使用长短期记忆神经网络预测切萨皮克湾叶绿素a浓度的方法	首次将LSTM神经网络应用于切萨皮克湾叶绿素a浓度的时间序列预测，并证明其优于传统统计模型ARIMA和TBATS	NA	评估深度学习模型在预测叶绿素a浓度方面的性能，以支持水质管理和政策决策	切萨皮克湾三个地理区域的叶绿素a浓度时间序列数据	机器学习	NA	卫星遥感	LSTM	时间序列数据	1997年至2020年每周的卫星衍生叶绿素a测量数据，覆盖三个区域	NA	LSTM	均方根误差	NA
5235	2025-12-15	scRegulate: Single-Cell Regulatory-Embedded Variational Inference of Transcription Factor Activity from Gene Expression 2025-May-05, bioRxiv : the preprint server for biology DOI:10.1101/2025.04.17.649372 PMID:40654959	研究论文	本文提出了一种名为scRegulate的生成式深度学习框架，用于从单细胞RNA测序数据中推断转录因子活性和基因调控网络	scRegulate结合了变分推断和基因调控网络先验知识，能够捕捉新颖、动态和上下文特异性的调控相互作用，超越了现有方法的确定性假设和静态数据库依赖	未在摘要中明确提及	开发一个可扩展且具有生物学可解释性的框架，用于从单细胞转录组数据中推断转录因子活性和调控网络	单细胞RNA测序数据中的转录因子活性和基因调控网络	计算生物学	NA	单细胞RNA测序	生成式深度学习框架	基因表达数据	多个公共实验和合成数据集，包括Perturb-seq数据集和PBMC单细胞RNA测序数据	NA	变分推断模型	AUROC, AUPRC, 平均log2倍数变化	NA
5236	2025-12-15	A robust deep learning framework for cerebral microbleeds recognition in GRE and SWI MRI 2025, NeuroImage. Clinical DOI:10.1016/j.nicl.2025.103873 PMID:40886589	研究论文	本研究开发了一个基于深度学习的鲁棒框架，用于在GRE和SWI MRI中自动识别脑微出血	结合了3D CNN和基于YOLO的方法来处理复杂场景中的假阳性案例，并在多个公共和私有数据集上验证了其鲁棒性能	未明确提及模型在更广泛或更具挑战性的临床环境中的泛化能力限制	提高脑微出血检测的准确性，减少假阳性，并确保在临床和正常病例中的鲁棒性	脑微出血	计算机视觉	脑血管疾病	GRE MRI, SWI MRI	CNN, YOLO	图像	来自ADNI、AIBL、OATS和MAS四个数据集的MRI扫描	NA	3D CNN, YOLO	平衡准确率, AUC, 精确率, 灵敏度, F1分数	NA
5237	2025-12-15	Hybrid quantum neural network models for fruit quality assessment 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0332528 PMID:41370242	研究论文	本研究探索了用于水果质量评估的混合量子神经网络，重点关注纠缠门选择的影响	提出了两种基于不同纠缠门（CNOT与CZ）的混合量子神经网络架构，并从门分解和硬件感知噪声角度提供了理论依据，表明CZ架构可能更稳定	研究为基础性计算研究，量子电路在经典硬件上执行，未在真实量子硬件上验证	研究量子机器学习算法中门级设计选择的作用，以指导未来算法开发	水果质量评估	机器学习	NA	量子神经网络	混合量子神经网络	图像	使用了MNIST、FruitQ数据集和自定义的苹果数据集	NA	NNQEv1, NNQEv2	测试准确率	经典硬件
5238	2025-12-15	Comprehensive and deep learning classification for analyses of the biological complexity of growth and biofilms of Cobetia marina under different temperature growths 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0336575 PMID:41379879	研究论文	本研究利用深度学习方法分析海洋细菌Cobetia marina在不同温度下的生长动力学和生物膜形成的生物复杂性	开发了结合半自动双分类器和三分类器、新型分数阶导数生长分类方法以及SPOCU（Scaled Polynomial Constant Unit）激活函数的神经网络，用于分析温度依赖的微生物行为	研究仅针对单一模式生物Cobetia marina，结果可能无法直接推广到其他微生物物种	分析微生物在不同温度条件下的生长和生物膜形成的生物复杂性	海洋细菌Cobetia marina及其通过pUTmini-Tn5-Km转座子生成的突变菌株	机器学习	NA	高通量筛选（96孔微孔板）、转座子突变	神经网络	微生物生长和生物膜形成数据	在8°C至41°C温度范围内进行实验，使用96孔微孔板确保足够的实验重复	NA	包含SPOCU激活函数的神经网络	与SELU和RELU激活函数的性能比较	NA
5239	2025-12-15	An open-source bio-logger for studying cetacean behavior and communication 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0337093 PMID:41379880	研究论文	本文介绍了一种用于研究鲸类行为与通信的开源生物记录仪	开发了一种开源、非侵入式的多模态生物记录仪，可同步记录高质量音频与多种行为和环境传感器数据，支持无人机部署与GPS回收	当前实现主要针对抹香鲸通信研究，电池续航时间最长为16.8小时	促进多模态数据集的规模化收集以支持深度学习应用，并推动海洋动物生物学与通信研究	海洋动物（特别是抹香鲸）	生物声学	NA	生物记录技术，多传感器同步采集	NA	音频，传感器数据（压力、运动、方向、温度、光照），GPS数据	10次部署，44小时录音，20次潜水，最深967米	NA	NA	剪切粘附力，耐压深度（560米），电池寿命（16.8小时），音频灵敏度（-205 dB re FS/μPa），动态范围（96 dB）	NA
5240	2025-12-15	Robust coffee plant disease classification using deep learning and advanced feature engineering techniques 2025, PeerJ. Computer science DOI:10.7717/peerj-cs.3386 PMID:41383546	研究论文	本文提出了一种结合深度学习和高级特征工程的混合框架，用于咖啡植物病害的鲁棒性图像分类	系统性地整合了GoogLeNet和ResNet18进行互补特征提取，并结合PCA/SVD降维与ANOVA/卡方检验特征选择，以提升模型泛化能力和计算效率	未明确提及模型在更广泛或不同环境数据集上的泛化性能测试，以及计算资源的具体配置细节	开发一种鲁棒的咖啡植物病害分类方法，以支持咖啡生产的可持续性	咖啡植物叶片病害图像	计算机视觉	植物病害	图像分类	CNN	图像	BRACOL数据集（具体样本数量未在摘要中明确给出）	未明确指定，可能为TensorFlow或PyTorch	GoogLeNet, ResNet18	准确率, 精确率, 召回率, F1分数	NA