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
541	2026-03-30	EfficientNetB7-Based Deep Learning Framework for Enhanced Classification of Lung and Colon Cancer Histopathological Images 2026-02-06, Journal of visualized experiments : JoVE DOI:10.3791/68812 PMID:41729802	研究论文	本研究提出了一种基于预训练EfficientNetB7的深度学习框架，用于增强肺和结肠癌组织病理学图像的分类，准确率达到96%	结合高级预处理、微调和特定领域数据增强技术优化模型性能，有效解决了类别不平衡和细微组织学变异问题，并通过多种数据增强和早停策略防止过拟合	未明确说明模型在其他癌症类型或更大数据集上的泛化能力，且未详细讨论计算资源需求	开发一个高效的深度学习模型，用于肺和结肠癌组织病理学图像的早期准确分类，以辅助临床诊断	肺和结肠组织病理学图像	数字病理学	肺癌, 结肠癌	组织病理学成像	CNN	图像	NA	NA	EfficientNetB7	准确率	NA
542	2026-03-30	Solar Power Forecasting Using Hybrid Deep Learning: Performance Enhancement with Random Forest-BiLSTM and Ensemble Modeling 2026-02-03, Journal of visualized experiments : JoVE DOI:10.3791/69743 PMID:41729804	研究论文	本研究提出了一种混合深度学习集成方法，用于通过捕捉辐照度数据中的复杂时间依赖性来预测太阳能发电量	提出了一种集成前三名架构的逆MAE加权平均集成模型，与最佳个体模型相比，预测误差降低了6.2%，有效平衡了模型优势并增强了预测鲁棒性	NA	提高太阳能发电预测的准确性，以支持电网集成和可再生能源系统的运行稳定性	太阳能发电预测	机器学习	NA	NA	RF-BiLSTM, CNN-LSTM, CNN-BiLSTM, CNN-GRU, CNN-Transformer	历史时间序列数据	NA	NA	RF-BiLSTM, CNN-LSTM, CNN-BiLSTM, CNN-GRU, CNN-Transformer	R², MAE, MSE	NA
543	2026-03-30	Deep Learning Automated Measurement of Shunt Severity with Estimation of Uncertainty in 4D Flow MRI 2026-Feb, Radiology. Cardiothoracic imaging DOI:10.1148/ryct.250138 PMID:41711549	研究论文	本研究开发了一种深度学习系统，用于全自动测量四维血流MRI中的系统性和肺血流，以评估分流严重性	提出了一种深度学习系统，能够全自动化进行三维定位和二维分割，计算主动脉和肺动脉的净血流，并估计测量不确定性	研究样本量有限（共188例临床检查），且为回顾性研究，可能影响结果的普适性	评估深度学习系统在四维血流MRI中全自动测量血流量的可行性	临床四维血流MRI检查数据，包括有和无分流的患者	医学影像分析	先天性心脏病	四维血流MRI	CNN	MRI图像	188例临床四维血流MRI检查用于开发，71例患者用于验证	NA	卷积神经网络	Pearson相关系数, Bland-Altman分析	NA
544	2026-03-30	AUTOENCODIX: a generalized and versatile framework to train and evaluate autoencoders for biological representation learning and beyond 2026-01, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-025-00916-4 PMID:41366150	研究论文	本文介绍了一个名为AUTOENCODIX的开源框架，用于标准化和灵活地预处理、训练和评估自编码器架构，以促进生物表示学习	提出了一个标准化、多功能且可推广的自编码器训练与评估框架，克服了现有实现缺乏标准化、可比较性和通用性的问题	未明确提及具体局限性，但可能涉及框架在不同数据模态或应用场景中的泛化能力验证	开发一个通用框架，以标准化和优化自编码器在生物表示学习中的训练与评估过程	自编码器架构，包括基于本体和跨模态的自编码器	机器学习	泛癌研究	单细胞测序，成像技术	自编码器	多模态数据，包括基因组数据和成像数据	NA	NA	基于本体的自编码器，跨模态自编码器	输入数据重建能力，嵌入质量，基于本体的嵌入可解释性可靠性	NA
545	2026-03-30	Feasibility of deep learning-accelerated HASTE-FS for pancreatic cystic lesion surveillance: comparison with conventional HASTE and MRCP 2025-Nov-18, Abdominal radiology (New York) DOI:10.1007/s00261-025-05265-4 PMID:41251737	研究论文	本研究比较了深度学习加速的HASTE-FS序列与常规HASTE序列及MRCP在胰腺囊性病变检测、表征和监测中的性能	首次将深度学习重建技术应用于单次激发脂肪饱和T2加权序列（DL HASTE-FS），并系统评估其在胰腺囊性病变监测中替代传统MRCP的可行性	研究为回顾性设计，样本量相对较小（91例患者），且仅使用单一3T MRI设备，可能影响结果的普遍性	评估深度学习加速成像技术在胰腺囊性病变MRI监测中的应用价值	胰腺囊性病变患者	数字病理学	胰腺癌	MRI, MRCP, 深度学习重建	深度学习模型	医学影像	91例连续患者，其中70个预选索引PCL	NA	NA	Likert量表评分, 统计显著性p值	3T MRI设备
546	2026-03-30	RNA-ligand interaction scoring via data perturbation and augmentation modeling 2025-08, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-025-00820-x PMID:40555786	研究论文	本文介绍了一种基于序列的深度学习框架RNAsmol，用于预测RNA与小分子之间的相互作用	结合数据扰动与增强、基于图的分子特征表示和基于注意力的特征融合模块，无需结构输入即可准确预测RNA-小分子结合	受限于已验证的RNA-小分子相互作用数据有限和已知RNA结构稀缺	开发数据驱动的深度学习模型以预测RNA与小分子的相互作用	RNA与小分子之间的相互作用	机器学习	NA	深度学习	深度学习框架	序列数据	NA	NA	基于注意力的特征融合模块	十倍交叉验证、未见评估、诱饵评估	NA
547	2026-03-30	Memory kernel minimization-based neural networks for discovering slow collective variables of biomolecular dynamics 2025-07, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-025-00815-8 PMID:40495006	研究论文	本文提出了一种基于记忆核最小化的神经网络框架MEMnets，用于发现生物分子动力学中的慢集体变量	MEMnets基于积分广义主方程理论，通过编码非马尔可夫动力学到记忆核中，并最小化时间积分记忆核的上界来识别最优集体变量，克服了传统方法通常假设马尔可夫动力学的限制	未在摘要中明确提及	识别生物分子动力学中准确捕捉最慢时间尺度的集体变量，以理解蛋白质构象变化等生物过程	FIP35 WW结构域的折叠过程和细菌RNA聚合酶的钳口开放构象变化	机器学习	NA	深度学习	神经网络	生物分子动态数据	NA	NA	并行编码器网络	NA	NA
548	2026-03-30	Predicting adverse drug reactions for combination pharmacotherapy with cross-scale associative learning via attention modules 2025-07, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-025-00816-7 PMID:40588546	研究论文	本研究提出了一种名为OrganADR的关联学习增强模型，用于在器官层面预测联合药物治疗的不良反应	提出了一种结合器官层面ADR信息、分子层面药物信息以及基于网络的生物医学知识的集成表示方法，并采用多可解释模块，能够从器官角度阐明与ADR相关的关键蛋白质-蛋白质相互作用	未在摘要中明确说明	开发一种可解释的计算方法，以准确预测联合药物治疗的不良反应，服务于临床用药管理、药物开发和精准医疗	联合药物治疗及其在器官层面引发的不良反应	机器学习	NA	NA	深度学习	生物医学知识、药物分子信息、器官层面ADR信息	涉及15个器官的评估	NA	OrganADR	NA	NA
549	2026-03-30	Evaluating and mitigating bias in AI-based medical text generation 2025-05, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-025-00789-7 PMID:40269315	研究论文	本研究评估并缓解了基于AI的医疗文本生成中的偏见问题，提出了一种选择性优化算法以减少性能差异	首次在医疗文本生成领域系统研究公平性问题，并开发了一种针对弱势群体进行选择性优化的算法	未详细说明算法在不同医疗子领域的具体适用性限制	评估和缓解AI医疗文本生成系统中的偏见问题	基于深度学习的医疗文本生成系统	自然语言处理	NA	深度学习	深度学习模型	文本	NA	NA	NA	公平性指标	NA
550	2026-03-30	DNA data storage for biomedical images using HELIX 2025-05, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-025-00793-x PMID:40360759	研究论文	本文提出了一种名为HELIX的基于DNA的生物医学图像存储系统，旨在解决生物医学图像大规模长期存储的需求	HELIX系统针对生物医学图像特性设计了专用压缩算法，并引入了无需索引的错误校正编码，同时结合深度学习进行图像修复，提高了存储密度和解码速度	仅通过体外实验存储了两幅时空基因组学图像进行验证，样本规模较小，未涉及更广泛的生物医学图像类型	开发适用于生物医学图像的DNA数据存储系统	生物医学图像，特别是时空基因组学图像	数字病理学	NA	DNA数据存储，深度测序	深度学习	图像	两幅时空基因组学图像	NA	NA	图像质量（97.20%），测序深度（7×覆盖度）	NA
551	2026-03-30	Comprehensive prediction and analysis of human protein essentiality based on a pretrained large language model 2025-03, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-024-00733-1 PMID:39604646	研究论文	本研究开发了一个基于序列的深度学习模型PIC，通过微调预训练蛋白质语言模型，全面预测和分析人类蛋白质必需性	PIC模型不仅显著优于现有方法预测人类必需蛋白质，还能提供跨人类、细胞系和小鼠三个层次的全面预测结果，并定义了蛋白质必需性评分以量化人类蛋白质必需性	NA	开发计算模型以预测人类必需蛋白质，并量化蛋白质必需性	人类蛋白质，包括617,462个人类微蛋白质	自然语言处理	乳腺癌	深度学习，预训练蛋白质语言模型	深度学习模型	蛋白质序列	617,462个人类微蛋白质	NA	预训练蛋白质语言模型	NA	NA
552	2026-03-30	Leveraging pharmacovigilance data to predict population-scale toxicity profiles of checkpoint inhibitor immunotherapy 2025-03, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-024-00748-8 PMID:39715829	研究论文	本研究提出了一种名为DySPred的动态图卷积网络深度学习框架，利用大规模真实世界药物警戒数据来预测免疫检查点抑制剂在人群水平的毒性谱	引入动态图卷积网络来映射和预测免疫检查点抑制剂的毒性谱，能够准确预测不同人口队列和癌症类型的毒性风险，并在小样本场景中表现出韧性，同时揭示毒性随时间变化的趋势	NA	预测免疫检查点抑制剂在人群水平的毒性谱，以支持主动毒性监测和及时调整治疗与干预策略	免疫检查点抑制剂疗法及其诱导的毒性	机器学习	癌症	药物警戒数据分析	动态图卷积网络	药物警戒数据	大规模真实世界数据	NA	动态图卷积网络	NA	NA
553	2026-03-30	Deep learning large-scale drug discovery and repurposing 2024-08, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-024-00679-4 PMID:39169261	研究论文	本文提出了一种基于线粒体表型变化进行药物作用机制识别的方法，并开发了名为MitoReID的深度学习模型	利用时间分辨的线粒体成像数据，首次将重识别框架应用于药物作用机制识别，为大规模药物发现和再利用提供了自动化、低成本的新途径	模型仅基于线粒体表型变化进行识别，可能无法覆盖所有药物作用机制；测试集仅包含6种未训练药物的验证	开发一种自动化、高通量的药物作用机制识别方法，以加速大规模药物发现和再利用	美国食品药品监督管理局批准的1,068种药物及其处理的细胞	计算机视觉	NA	时间分辨线粒体成像	CNN	图像	570,096张单细胞图像，覆盖1,068种药物	NA	Inflated 3D ResNet	Rank-1准确率, 平均精度均值	NA
554	2026-03-30	Discrete latent embedding of single-cell chromatin accessibility sequencing data for uncovering cell heterogeneity 2024-05, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-024-00625-4 PMID:38730185	研究论文	本文提出了一种基于向量量化变分自编码器的深度生成模型CASTLE，用于从单细胞染色质可及性测序数据中提取离散潜在嵌入，以揭示细胞异质性	CASTLE模型采用离散潜在嵌入，克服了传统变分自编码器中高斯假设与真实数据不符的局限性，并能有效整合大规模参考数据集信息	未明确说明模型在处理极稀疏数据或特定细胞类型时的具体限制	开发一种深度生成模型，以改善单细胞表观基因组数据的下游分析，特别是细胞类型识别和可视化	单细胞染色质可及性测序数据	机器学习	NA	单细胞染色质可及性测序	变分自编码器, 深度生成模型	表观基因组数据	NA	NA	向量量化变分自编码器	细胞类型识别准确性, 可视化合理性	NA
555	2026-03-30	Automated discovery of symbolic laws governing skill acquisition from naturally occurring data 2024-05, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-024-00629-0 PMID:38811819	研究论文	本文提出了一种两阶段算法，从大规模训练日志数据中自动发现技能习得的符号定律	开发了一种结合深度学习与符号回归的两阶段算法，以解决认知状态不可观测和搜索空间爆炸问题，并发现了两种新的技能习得定律形式	未明确说明算法在噪声范围外的泛化能力，且可能依赖于特定数据源（如Lumosity）	从自然发生的大规模数据中挖掘技能学习的普遍定律	技能习得过程，特别是从训练日志数据中提取的认知状态与学习规律	机器学习	NA	深度学习，符号回归	深度学习模型，符号回归算法	训练日志数据	大规模Lumosity训练数据（具体数量未提供）	NA	NA	拟合度	NA
556	2026-03-30	Discovery of novel TACE inhibitors using graph convolutional network, molecular docking, molecular dynamics simulation, and Biological evaluation 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0315245 PMID:39729480	研究论文	本研究采用集成深度学习模型结合传统药物筛选方法，从FDA批准药物库中筛选出新型TACE抑制剂，并通过分子对接、分子动力学模拟和生物学评估验证了Vorinostat的抑制潜力	首次将图卷积网络（GCN）模型应用于TACE抑制剂的虚拟筛选，并结合分子对接、动力学模拟和细胞实验进行多维度验证，成功将抗癌药物Vorinostat重新定位为潜在的抗炎靶点抑制剂	研究仅使用DUD-E数据库的参考数据集，可能未覆盖所有TACE相关化合物；生物学验证仅在RAW 264.7细胞系中进行，缺乏体内实验数据	开发一种基于深度学习的药物重定位方法，以发现针对TACE（TNF-α转换酶）的新型抑制剂	FDA批准药物库中的化合物，重点关注TACE（ADAM17）酶及其抑制剂	机器学习	类风湿关节炎	分子对接、分子动力学模拟、细胞生物学评估	图卷积网络（GCN）	分子结构数据（化学信息学特征）	DUD-E数据库中TACE特异性活性化合物和诱饵化合物数据集，以及FDA批准药物库	DeepChem, RDKit	GraphConvMol	NA	NA
557	2026-03-30	Using sequences of life-events to predict human lives 2024-01, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-023-00573-5 PMID:38177491	研究论文	本文通过将人类生活事件序列类比为语言结构，利用自然语言处理技术预测人类生活轨迹，包括早期死亡率和个性特征等多样结果	首次将人类生活事件序列表示为类似语言的结构，并应用NLP技术进行生活轨迹预测，在多个预测任务上大幅超越现有最优模型	研究基于丹麦的登记数据集，可能受限于特定文化和社会制度，泛化性需进一步验证	探索人类生活事件的演变规律和可预测性，开发个性化干预的可能性	丹麦多年人口登记数据中的个体生活事件序列	自然语言处理	NA	自然语言处理技术，事件序列嵌入	深度学习模型	结构化事件序列数据	丹麦多年全国人口登记数据集	NA	NA	NA	NA
558	2026-03-30	Unbiased organism-agnostic and highly sensitive signal peptide predictor with deep protein language model 2024-01, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-023-00576-2 PMID:38177492	研究论文	本文介绍了一种基于深度学习的新型信号肽预测方法USPNet，用于解决信号肽分类和切割位点预测问题	USPNet是一种无偏且不依赖物种信息的信号肽预测器，通过深度蛋白质语言模型处理极端数据不平衡问题，无需额外蛋白质组信息	NA	开发一种高灵敏度、无偏的信号肽预测工具，以改进信号肽的识别和发现	信号肽（SPs）及其在跨膜和分泌蛋白定位中的作用	自然语言处理	NA	深度学习，蛋白质语言模型	深度学习模型	原始氨基酸序列	NA	NA	USPNet	分类性能提升10%，序列一致性，模板建模分数	NA
559	2026-03-29	Non-invasive differentiation of light chain amyloidosis and multiple myeloma based on Raman spectroscopy analysis using one-dimensional convolutional neural networks 2026-Jul-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.127591 PMID:41793999	研究论文	本研究开发了一种结合血清拉曼光谱与一维卷积神经网络的创新分析框架，用于无创区分轻链淀粉样变性和多发性骨髓瘤	首次将血清拉曼光谱与一维卷积神经网络结合，实现了对两种相关浆细胞疾病的快速、无创鉴别诊断	研究样本量有限，且仅基于血清样本进行分析，未考虑其他生物标志物或临床参数	开发一种快速、无创的辅助诊断方法，以区分轻链淀粉样变性和多发性骨髓瘤	临床诊断为轻链淀粉样变性或多发性骨髓瘤患者的血清样本	机器学习	浆细胞疾病	拉曼光谱分析	CNN	光谱数据	未明确具体数量，但来自临床诊断患者	未明确指定	一维卷积神经网络	AUC, 准确率, 灵敏度, 特异性	NA
560	2026-03-29	Online detection of apple moldy core using near-infrared spectroscopy with flexible transmission tray and deep learning 2026-Jul-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.127682 PMID:41797157	研究论文	本研究提出了一种结合近红外光谱、定制柔性透射托盘和深度学习分类的集成方法，用于在线检测苹果霉心病	开发了柔性透射托盘以稳定水果位置、减少环境光干扰并引导近红外光穿透果核，结合SCARS-SPA波长选择策略和CNN-LSTM混合架构，实现了高精度、高通量的早期霉心病检测	未明确提及样本规模外的具体局限性，如对不同苹果品种或环境条件的泛化能力	实现苹果霉心病的早期、准确和高通量检测，以减少采后损失并改善供应链质量控制	苹果（健康、轻度感染和重度感染的霉心病样本）	机器学习	苹果霉心病	近红外光谱技术	BP, CNN, LSTM, CNN-LSTM	光谱数据	未明确指定具体样本数量	未明确指定	CNN-LSTM	分类准确率	未明确指定