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 32372 篇文献，本页显示第 5601 - 5620 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 5601 | 2025-07-20 |
Deep learning's crystal ball: Predicting HCC surgery success with multimodal imaging
2025-Aug-01, Hepatology (Baltimore, Md.)
DOI:10.1097/HEP.0000000000001410
PMID:40680277
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5602 | 2025-10-06 |
[A multi-feature fusion-based model for fetal orientation classification from intrapartum ultrasound videos]
2025-Jul-20, Nan fang yi ke da xue xue bao = Journal of Southern Medical University
|
研究论文 | 本研究提出了一种基于多特征融合的智能分析模型，用于从产时超声视频中分类胎儿方位 | 结合Yolov8与多种注意力机制（CBAM、ECA、PSA）和AIFI特征交互模块进行多特征融合 | NA | 构建智能分析模型以分类产时超声视频中的胎儿方位 | 产时超声视频中的胎儿关键结构（眼睛、面部、头部、丘脑、脊柱） | 计算机视觉 | 产科疾病 | 超声成像 | CNN | 视频, 图像 | NA | NA | Yolov8, CBAM, ECA, PSA, AIFI | 准确率, PR曲线下面积, ROC曲线下面积, Kappa一致性检验 | NA |
| 5603 | 2025-10-06 |
Computer vision techniques for high-speed atomic force microscopy of DNA molecules
2025-Jul-16, Nanotechnology
IF:2.9Q2
DOI:10.1088/1361-6528/ade888
PMID:40570888
|
研究论文 | 本研究探讨深度学习技术在高速原子力显微镜DNA分子图像分析中的应用 | 首次将全卷积网络和YOLOv8目标检测模型应用于HSAFM图像分析，实现DNA分子的自动识别和分类 | 研究仅针对三核苷酸重复扩展疾病和脆性X综合征样本，未验证在其他疾病类型的泛化能力 | 开发自动化的HSAFM图像分析方法以加速基于基因组学的疾病诊断 | DNA分子，特别是来自三核苷酸重复扩展疾病和脆性X综合征患者的样本 | 计算机视觉 | 遗传疾病 | 高速原子力显微镜(HSAFM) | FCN, YOLO | 图像 | 20000张包含DNA分子的图像，识别出248个标记分子，其中33个为真实目标 | NA | 全卷积网络, YOLOv8 | 准确率, AUC, 平均精度 | NA |
| 5604 | 2025-10-06 |
An interpretable machine learning model for predicting bone marrow invasion in patients with lymphoma via 18F-FDG PET/CT: a multicenter study
2025-Jul-15, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-025-03110-8
PMID:40665334
|
研究论文 | 开发并验证一种可解释的机器学习模型，通过整合临床数据、PET/CT参数、影像组学特征和深度学习特征来预测淋巴瘤患者的骨髓侵犯 | 首次开发结合临床数据、PET/CT参数、影像组学特征和深度学习特征的可解释机器学习模型用于预测淋巴瘤骨髓侵犯 | 样本量相对较小（159例患者），且为回顾性研究设计 | 开发非侵入性方法预测淋巴瘤患者的骨髓侵犯，减少对骨髓活检的依赖 | 159例新诊断的淋巴瘤患者 | 医学影像分析 | 淋巴瘤 | 18F-FDG PET/CT成像 | ExtraTrees分类器 | 临床数据、PET/CT图像、影像组学特征、深度学习特征 | 159例患者（118例来自中心I，41例来自中心II） | NA | NA | AUC, 准确率 | NA |
| 5605 | 2025-10-06 |
A cryptosystem for face recognition based on optical interference and phase truncation theory
2025-Jul-14, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-06990-y
PMID:40659666
|
研究论文 | 提出一种基于光学干涉和相位截断理论的人脸图像加密系统，用于安全传输和存储 | 提出振幅-相位分离异步加密(APSAE)技术，通过异步分别加密振幅和相位分量来缓解固有漏洞 | NA | 解决人脸图像数据隐私泄露问题，推进安全生物识别系统发展 | 人脸图像数据 | 计算机视觉 | NA | 光学干涉，相位截断理论 | 深度学习 | 图像 | LFW数据集 | NA | NA | 准确率 | NA |
| 5606 | 2025-10-06 |
Quantification of Optical Coherence Tomography Features in >3500 Patients with Inherited Retinal Disease Reveals Novel Genotype-Phenotype Associations
2025-Jul-03, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.07.03.25330767
PMID:40630585
|
研究论文 | 开发深度学习算法AIRDetect-OCT，用于大规模量化遗传性视网膜疾病患者的OCT特征，揭示基因型-表型关联 | 首次在超过3500名分子特征明确的IRD患者中应用深度学习算法进行大规模OCT特征量化分析，发现新的基因型-表型关联 | 回顾性研究设计，手动标注仅覆盖部分数据，模型对EZ-loss和RPE-loss的分割性能相对较低 | 量化遗传性视网膜疾病患者的SD-OCT图像特征，探索基因型与表型之间的关联 | 3,534名经临床和分子确诊的遗传性视网膜疾病患者 | 数字病理学 | 遗传性视网膜疾病 | 光谱域光学相干断层扫描 | 神经网络 | 医学图像 | 3,534名患者，7,405个SD-OCT体积，272,168个b扫描，涵盖176个独特基因 | NA | AIRDetect-OCT | Dice分数 | NA |
| 5607 | 2025-10-06 |
Beyond static structures: protein dynamic conformations modeling in the post-AlphaFold era
2025-Jul-02, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf340
PMID:40663654
|
综述 | 本文回顾了后AlphaFold时代蛋白质动态构象建模的基本概念、计算方法进展与核心挑战 | 系统阐述从静态结构预测向多状态动态构象建模的范式转变，提出后AlphaFold时代蛋白质动力学研究的新方向 | 存在数据局限性、方法学约束和评估指标不完善等挑战 | 促进人工智能驱动的结构生物学中蛋白质构象研究的持续发展 | 蛋白质动态构象与多状态转换 | 结构生物学 | NA | 深度学习 | NA | 蛋白质结构数据 | NA | NA | AlphaFold | NA | NA |
| 5608 | 2025-10-06 |
Kinase-inhibitor binding affinity prediction with pretrained graph encoder and language model
2025-Jul-02, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf338
PMID:40663653
|
研究论文 | 提出一种名为Kinhibit的新型框架，用于预测激酶与抑制剂之间的结合亲和力 | 整合自监督图对比学习与多视图分子图表示，结合结构信息蛋白质语言模型(ESM-S)进行特征提取，并采用特征融合方法优化抑制剂和激酶特征的融合 | NA | 开发更先进的激酶-抑制剂结合亲和力预测方法以解决现有挑战 | 激酶抑制剂结合亲和力 | 机器学习 | 癌症 | 图对比学习，蛋白质语言模型 | 图神经网络，语言模型 | 分子图数据，蛋白质序列数据 | 三个MAPK信号通路激酶(RAF、MEK、ERK)和MAPK-All数据集 | NA | ESM-S | 准确率 | NA |
| 5609 | 2025-10-06 |
PREDAC-FluB: predicting antigenic clusters of seasonal influenza B viruses with protein language model embedding based convolutional neural network
2025-Jul-02, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf308
PMID:40665740
|
研究论文 | 开发了一种基于蛋白质语言模型嵌入和卷积神经网络的混合深度学习框架PREDAC-FluB，用于预测季节性乙型流感病毒的抗原簇 | 首次提出整合ESM-2蛋白质语言模型嵌入、六种物理化学描述符和连续编码的多模态序列表示方法，结合CNN空间特征提取和UMAP引导聚类 | 仅针对乙型流感病毒进行研究，未包含甲型流感病毒 | 准确预测乙型流感病毒的抗原变异，为疫苗株选择提供辅助方法 | 季节性乙型流感病毒，包括B/Victoria系和B/Yamagata系 | 生物信息学 | 流感 | 蛋白质序列分析，深度学习 | CNN | 蛋白质序列数据 | 9036个B/Victoria系和4520个B/Yamagata系流感病毒对 | NA | 卷积神经网络 | AUROC | NA |
| 5610 | 2025-10-06 |
NASNet-DTI: accurate drug-target interaction prediction using heterogeneous graphs and node adaptation
2025-Jul-02, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf342
PMID:40668556
|
研究论文 | 提出一种基于异质图和节点自适应学习的药物-靶点相互作用预测新框架NASNet-DTI | 构建包含药物-药物、靶点-靶点、药物-靶点多重关系的异质图，并采用节点自适应学习策略动态确定每个节点的最优聚合深度 | 未明确说明模型在更大规模数据集上的泛化能力及计算效率 | 提高药物-靶点相互作用预测的准确性以促进药物研发 | 药物分子和靶点蛋白质 | 生物信息学 | NA | 深度学习 | 图卷积网络 | 分子结构数据、蛋白质序列数据、相互作用数据 | 多个数据集（具体数量未说明） | NA | 图卷积网络 | 预测准确率 | NA |
| 5611 | 2025-10-06 |
Advancing genome-based precision medicine: a review on machine learning applications for rare genetic disorders
2025-Jul-02, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf329
PMID:40668553
|
综述 | 本文综述了机器学习在基于基因组的精准医学中应用于罕见遗传病的研究现状与前景 | 系统分析混合机器学习模型和实时基因组分析等新兴技术，提出可解释性模型和数据共享框架的未来发展方向 | 面临计算复杂性、数据稀缺性和伦理问题等关键挑战 | 促进机器学习在罕见遗传病精准医疗中的应用发展 | 罕见遗传病患者的基因组数据 | 机器学习 | 罕见遗传病 | 基因组测序 | 深度学习,集成方法 | 基因组数据 | NA | NA | NA | NA | NA |
| 5612 | 2025-10-06 |
Deep Learning Radiomics Based on MRI for Differentiating Benign and Malignant Parapharyngeal Space Tumors
2025-Jul, The Laryngoscope
DOI:10.1002/lary.32043
PMID:39932109
|
研究论文 | 本研究基于MRI开发深度学习影像组学模型用于鉴别咽旁间隙肿瘤的良恶性 | 首次将深度学习特征与传统影像组学特征融合构建DLR模型用于咽旁间隙肿瘤诊断 | 回顾性研究，样本量相对有限（217例），仅来自两个医疗中心 | 建立咽旁间隙肿瘤术前诊断工具以指导临床决策 | 咽旁间隙肿瘤患者 | 医学影像分析 | 头颈部肿瘤 | MRI | 深度学习模型，影像组学模型，融合模型 | 医学影像 | 217例患者（训练集145例，测试集72例） | NA | NA | AUC, 特异性, 敏感性 | NA |
| 5613 | 2025-10-06 |
Challenges in Implementing Endoscopic Artificial Intelligence: The Impact of Real-World Imaging Conditions on Barrett's Neoplasia Detection
2025-Jul, United European gastroenterology journal
IF:5.8Q1
DOI:10.1002/ueg2.12760
PMID:40116287
|
研究论文 | 本研究评估了基于高质量专家图像训练的巴雷特瘤变检测系统在真实世界异质图像条件下的性能下降，并提出了三种增强鲁棒性的策略 | 首次量化评估内镜AI系统在真实临床环境中因图像质量异质性导致的性能下降，并提出多种鲁棒性增强策略 | 研究仅针对巴雷特瘤变检测，样本量相对有限（共490名患者），未涵盖所有可能的内镜图像伪影类型 | 评估内镜AI系统在真实临床环境中的性能表现并开发鲁棒性增强方法 | 巴雷特瘤变患者的内镜图像 | 计算机视觉 | 巴雷特食管癌 | 内镜成像 | 深度学习 | 图像 | 490名巴雷特患者（训练集373名，测试集117名） | NA | NA | AUC, 敏感度, 特异度 | NA |
| 5614 | 2025-10-06 |
CATH-ddG: towards robust mutation effect prediction on protein-protein interactions out of CATH homologous superfamily
2025-Jul-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf228
PMID:40662779
|
研究论文 | 提出了一种名为CATH-ddG的几何编码器框架，用于预测蛋白质-蛋白质相互作用中的突变效应 | 基于CATH同源超家族设计新的训练/测试分割以避免数据泄露，采用混合噪声策略进行数据增强，并整合几何编码器与ESM2表示微调 | 深度学习模型可能因潜在数据泄露而高估性能，且硬突变（最大TM-score<0.6）的泛化能力仍面临挑战 | 开发稳健的突变效应预测方法，用于药物设计和疾病机制研究 | 蛋白质-蛋白质相互作用中的突变效应 | 生物信息学 | NA | 蛋白质3D结构分析，深度学习 | 几何编码器，ESM2微调 | 蛋白质3D结构，序列数据 | 419个抗体变体（针对HER2），285个SARS-CoV-2 RBD变体（针对ACE2受体） | PyTorch | 几何编码器，ESM2 | 回归预测性能，TM-score | NA |
| 5615 | 2025-10-06 |
HIG-Syn: a hypergraph and interaction-aware multigranularity network for predicting synergistic drug combinations
2025-Jul-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf215
PMID:40662801
|
研究论文 | 提出一种基于超图和交互感知多粒度网络的药物组合协同作用预测模型 | 整合粗粒度模块和细粒度模块，通过超图捕获全局特征，并利用交互感知注意力模拟生物过程 | NA | 预测具有协同作用的药物组合 | 药物组合 | 机器学习 | NA | 深度学习 | 图神经网络,注意力机制 | 药物组合数据 | 来自DrugComb和GDSC2数据库的验证数据集 | NA | 超图网络,多粒度网络 | NA | NA |
| 5616 | 2025-10-06 |
GPO-VAE: modeling explainable gene perturbation responses utilizing GRN-aligned parameter optimization
2025-Jul-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf256
PMID:40662800
|
研究论文 | 提出一种基于基因调控网络对齐参数优化的可解释变分自编码器GPO-VAE，用于建模基因扰动响应 | 通过GRN对齐的参数优化方法，在潜在空间中显式建模基因调控网络，增强模型可解释性 | NA | 预测细胞对基因扰动的响应，开发可解释的生物AI模型 | 基因扰动响应，基因调控网络 | 机器学习 | NA | 基因扰动实验，转录组分析 | VAE | 基因表达数据 | NA | PyTorch | GPO-VAE | 扰动预测准确率，GRN推断评估 | NA |
| 5617 | 2025-10-06 |
Deep learning models for unbiased sequence-based PPI prediction plateau at an accuracy of 0.65
2025-Jul-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf192
PMID:40662806
|
研究论文 | 本研究评估了基于序列的蛋白质-蛋白质相互作用预测中深度学习方法的表现，发现所有模型在准确率0.65处达到平台期 | 首次系统证明ESM-2蛋白质嵌入是性能提升的关键因素，与模型架构无关，并揭示序列模型无法隐式学习接触图谱 | 研究仅基于序列信息，未整合结构数据，且模型性能存在明显上限 | 评估基于序列的蛋白质-蛋白质相互作用预测方法的真实性能 | 蛋白质-蛋白质相互作用预测 | 生物信息学 | NA | 蛋白质序列嵌入 | 深度学习 | 蛋白质序列数据 | NA | PyTorch | 基于ESM-2嵌入的各种注意力机制模型 | 准确率 | NA |
| 5618 | 2025-10-06 |
From high-throughput evaluation to wet-lab studies: advancing mutation effect prediction with a retrieval-enhanced model
2025-Jul-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf189
PMID:40662802
|
研究论文 | 提出一种检索增强的蛋白质语言模型VenusREM，用于预测突变效应并推进酶工程应用 | 开发了能够捕捉氨基酸局部时空相互作用的检索增强蛋白质语言模型，并通过湿实验验证了其在实际酶工程中的有效性 | 仅对30多个突变体进行了低通量分析，样本规模相对有限 | 提高突变效应预测的准确性，推进酶工程技术发展 | 蛋白质突变体，包括VHH抗体和DNA聚合酶 | 机器学习 | NA | 深度学习，蛋白质语言模型，湿实验验证 | 蛋白质语言模型 | 蛋白质序列数据 | 217个ProteinGym基准测试，30多个突变体，10个DNA聚合酶新型突变体 | NA | 检索增强蛋白质语言模型 | NA | NA |
| 5619 | 2025-10-06 |
TCR-epiDiff: solving dual challenges of TCR generation and binding prediction
2025-Jul-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf202
PMID:40662810
|
研究论文 | 提出了一种基于扩散模型的深度学习框架TCR-epiDiff，用于生成表位特异性T细胞受体并预测TCR-表位结合 | 首次将扩散概率模型应用于TCR序列生成，同时整合表位信息进行特异性生成和结合预测 | NA | 解决TCR生成和结合预测的双重挑战，为疫苗和免疫疗法设计提供支持 | T细胞受体(TCRs)和表位 | 机器学习 | NA | 深度学习 | 扩散模型 | 序列数据 | NA | PyTorch | 去噪扩散概率模型, ProtT5-XL | NA | NA |
| 5620 | 2025-10-06 |
Accurate PROTAC-targeted degradation prediction with DegradeMaster
2025-Jul-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf191
PMID:40662822
|
研究论文 | 本研究开发了DegradeMaster，一种基于E(3)-等变图神经网络的半监督预测器，用于准确预测PROTACs的靶向降解能力 | 首次将E(3)-等变图编码器引入PROTAC降解预测，结合基于记忆的伪标签策略和互注意力池化模块，充分利用3D几何约束和未标记数据 | 未明确说明模型在更大规模数据集上的泛化能力以及计算复杂度分析 | 开发更准确的PROTAC靶向蛋白降解预测计算方法 | 蛋白水解靶向嵌合体(PROTACs)分子 | 机器学习 | NA | 深度学习，图神经网络 | 图神经网络(GNN) | 3D分子图数据 | NA | PyTorch | E(3)-等变图神经网络 | AUROC, 准确率 | NA |