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
41	2026-06-09	Physics-informed DynUNet for brain metastasis segmentation 2026-Aug-15, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2026.109457 PMID:42172695	研究论文	将物理信息肿瘤生长模型整合到分割架构中，构建PI-DynUNet用于脑转移瘤分割，并在BraTS-METS 2023数据集上评估其性能	首次将物理信息肿瘤生长模型与DynUNet分割架构集成，通过物理正则化权重优化小体积转移病灶的分割性能	研究仅基于单一数据集且未采用数据增强，外部验证仅在一个机构队列（斯坦福BrainMetShare）上进行，物理正则化权重的选择依赖于病变类型和大小	探究将物理信息肿瘤生长模型整合到分割架构中是否能克服现有深度学习算法在小体积脑转移病灶检测与分割上的局限性	脑转移瘤病灶，特别是小体积转移病灶	计算机视觉	脑转移瘤	NA	DynUNet	图像（MRI）	BraTS-METS 2023数据集和斯坦福BrainMetShare队列（105例样本）	PyTorch	DynUNet	Dice系数, IoU, HD95, 场景加权Dice系数	NA
42	2026-06-09	Astragalin alleviates ulcerative colitis via FPR1 inhibition and restores Microbiota-Metabolite Homeostasis: A mechanism revealed by deep learning 2026-Aug, Biochemical pharmacology IF:5.3Q1 DOI:10.1016/j.bcp.2026.118022 PMID:42066856	研究论文	利用深度学习平台预测并验证山奈酚通过抑制FPR1及恢复肠道菌群-代谢物稳态缓解溃疡性结肠炎的机制	首次通过整合多种神经架构的深度学习平台预测山奈酚的高置信度靶点FPR1，并揭示其通过蛋白酶体依赖途径降解FPR1、抑制NF-κB激活，同时恢复肠道微生物生态和代谢平衡的多靶点治疗机制	研究基于小鼠模型，结果向临床转化尚需验证；深度学习预测的泛化性依赖于训练数据质量	阐明山奈酚缓解溃疡性结肠炎的多靶点作用机制	山奈酚（一种天然黄酮类化合物）及其对溃疡性结肠炎的治疗作用	机器学习	溃疡性结肠炎	16S rRNA测序、非靶向代谢组学、药理学实验	多种神经架构组合的深度学习模型	基因组序列数据、代谢组学数据、图像（如组织切片）	使用DSS诱导的鼠结肠炎模型进行验证，具体样本数量未提及	NA	多种神经架构（具体类型未明确）	NA（未在标题和摘要中明确性能指标）	NA
43	2026-06-09	TIMEL: Deep learning-statistical integration reveals spatial stromal and immune signatures of aggressive colon cancer 2026-Aug, Journal of pathology informatics DOI:10.1016/j.jpi.2026.100672 PMID:42255201	研究论文	提出TIMEL框架，用深度学习分割组织结构并通过统计描述符从全切片图像中提取微环境特征，用于结肠癌预后生物标志物发现	首次将深度学习组织分割与空间统计描述符结合，从全切片图像中量化肿瘤微环境异质性，发现可预测生存和转移的微观结构空间特征	未明确提及	开发计算框架表征结肠癌肿瘤免疫微环境，发现预后生物标志物	结肠癌全切片病理图像中的肿瘤、基质和免疫区域	数字病理学	结肠癌	全切片成像	CNN, Vision Transformer	图像	发现队列TCGA-COAD 411例，验证队列Dartmouth 108例	PyTorch， TensorFlow（因Inception V3属于TensorFlow/Keras生态）	Inception V3, DenseNet-121, ViT-base, UNI, Prov-GigaPath, Virchow	AUC， Spearman相关系数R，风险比HR，比值比OR	GPU
44	2026-06-09	Deep learning analysis of reflectance confocal microscopy for basal cell carcinoma diagnosis 2026-Aug, JAAD international DOI:10.1016/j.jdin.2026.04.010 PMID:42256604	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
45	2026-06-09	Asymmetric Drug-Drug Interaction Prediction Based on Generative Adversarial Networks and Knowledge Graph 2026-Jul, Journal of computational biology : a journal of computational molecular cell biology IF:1.4Q2 DOI:10.1177/15578666261443345 PMID:42206523	研究论文	提出了一种基于知识图谱和生成对抗网络的非对称药物-药物相互作用预测方法KGGAN-DDI	首次考虑DDI的非对称性，通过知识图谱嵌入模块捕获药物对间的非对称关联，并采用双生成器GAN生成真实样本以提升预测精度	未明确提及局限性	预测潜在的药物-药物相互作用	药物对及其相互作用	机器学习	NA	NA	生成对抗网络	结构化数据	NA	NA	GAN	与现有最优方法比较的性能	NA
46	2026-06-09	Automated Triage for New Keratoconus Referrals Using Multimodal Deep Learning 2026-Jul, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2026.101208 PMID:42256004	研究论文	利用多模态深度学习模型，基于多模态成像和临床数据预测圆锥角膜进展风险，实现风险分层的患者监测	首次开发多模态融合架构（整合前段OCT、Placido地形图和表格数据）预测圆锥角膜两年进展风险，并通过长短期记忆网络纳入时序就诊数据，显著提升预测性能	NA	开发并验证用于预测圆锥角膜进展风险的深度学习模型，实现风险分层的患者监测路径	圆锥角膜患者	机器学习	圆锥角膜	前段光学相干断层扫描、Placido角膜地形图	深度学习模型（多模态融合架构、循环神经网络、长短期记忆网络）	图像、表格数据	内部数据集：3893名患者的7396只眼睛；外部验证数据集：519名患者的963只眼睛	NA	多模态融合架构、长短期记忆网络	AUROC、灵敏度、特异度、预测值	NA
47	2026-06-09	Hemispheric Asymmetry of Outer Retinal Structure and Function in Retinitis Pigmentosa 2026-Jul, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2026.101205 PMID:42256003	研究论文	利用深度学习管道自动化分割OCT图像中的椭圆体区，研究视网膜色素变性患者外层视网膜结构和功能的垂直半球不对称性	首次揭示RP患者存在一致的外部视网膜结构垂直半球不对称性，即上结构主导且下视野主导的保留模式，并证实此模式与基因型和年龄相关	NA	评估RP患者外层视网膜的垂直半球不对称性及其与基因型和年龄的关系	患有晚期视网膜色素变性的患者	计算机视觉	视网膜色素变性	谱域OCT, Goldmann视野计	深度学习	图像	496名患者的928只眼睛	NA	NA	椭圆体区面积(mm²), Goldmann视野角(°), 上/下比率, 年损失率(%)	NA
48	2026-06-09	Conditional Diffusion Model-Based Method for Annotation of Antibiotic Resistance Gene Properties 2026-Jun-08, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00042 PMID:42149807	研究论文	提出一种基于条件扩散模型的抗生素抗性基因特性注释方法	首次将条件扩散模型应用于抗生素抗性基因序列数据，通过领域知识注入引导生成高质量潜在表示，并设计交叉注意力机制以缓解信息冗余问题	未明确说明，可能涉及模型对大规模数据的泛化能力和计算开销	提高抗生素抗性基因序列数据中潜在表示的质量，实现对抗性基因特性的精准注释	抗生素抗性基因的序列数据和其关键特性	机器学习	细菌抗生素耐药性相关疾病	基因序列分析	条件扩散模型	序列数据	公开数据集（具体规模未说明）	PyTorch	扩散模型与交叉注意力机制	预测性能指标（如准确率、F1分数等，具体未提及）	未说明
49	2026-06-09	Reliability-Aware Deep Learning Framework for Chemical Genotoxicity Prediction with Uncertainty Quantification 2026-Jun-08, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00885 PMID:42160670	研究论文	提出一种可靠性感知的深度学习框架，用于化合物遗传毒性预测，并量化预测不确定性	将实验数据可靠性分级与分层学习策略结合，并集成保形预测以量化预测不确定性，提升模型可靠性和透明度	仅使用了分子指纹和消息传递神经网络，未探索更复杂的图神经网络架构；保形预测的覆盖率和效率可能需要更多调优	开发一种融合数据可靠性和不确定性量化的计算模型，用于化学遗传毒性预测	8300多种化合物及其遗传毒性数据，标注有实验可靠性等级	机器学习	NA	分子指纹、消息传递神经网络	消息传递神经网络、随机森林、支持向量机、逻辑回归	分子结构数据（SMILES或分子图）	8389种化合物	Scikit-learn, PyTorch	消息传递神经网络、随机森林、支持向量机（RBF核）、逻辑回归	AUC, Brier得分, 经验覆盖率	NA
50	2026-06-09	The Tsetlin Machine: A "Third Way" in QSAR Modeling 2026-Jun-08, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c03109 PMID:42208944	研究论文	提出Tsetlin Machine作为QSAR建模中的新范式，结合规则方法、迭代学习和内在可解释性	将有限状态自动机与强化学习结合的TM方法应用于QSAR，提供分子属性图和WAC分数的可解释性工具	TM-QSAR的二元性质限制了对离散化连续描述符的性能表现	开发兼具准确性、计算效率和可解释性的QSAR方法，作为虚拟筛选中的标准方法	化合物结构与生物活性关系，包括MOR和CYP2A4等生物靶标	机器学习	不适用	ECFP4描述符	Tsetlin Machine	分子描述符数据	不适用	不适用	Tsetlin Machine	ROC-AUC, PRC-AUC, PPV	不适用
51	2026-06-09	A comprehensive review of deep learning applications in the segmentation and classification of skin cancer 2026-Jun-08, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae74d6 PMID:42214390	综述	系统综述2014至2024年间深度学习在皮肤癌分割与分类中的应用	整合2014-2024年77项研究，进行偏倚风险评估，揭示类别不平衡和数据泄露问题，并指出从单一CNN向混合框架及多源特征融合策略的范式转变	类别不平衡、数据集多样性有限、临床验证不足	探讨深度学习技术在皮肤病变分割与分类中的应用	皮肤癌（黑色素瘤和非黑色素瘤）	计算机视觉	皮肤癌	NA	卷积神经网络(CNN)、U-Net及其变体、混合框架、集成框架	图像	77项实验研究（来自540篇文献）	NA	CNN、U-Net、混合模型、集成模型	准确率	NA
52	2026-06-09	A Multistage Virtual Screening Strategy Integrating Molecular Similarity, Deep Learning Scoring, and Molecular Docking toward the Discovery of Novel LRRK2 Inhibitors 2026-Jun-08, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00241 PMID:42187161	研究论文	提出一种整合分子相似性、深度学习评分和分子对接的多阶段虚拟筛选策略，用于发现新型LRRK2抑制剂	首次将Ouroboros分子表征模型（整合构象和药效团特征）与深度学习评分、分子对接相结合，形成多阶段虚拟筛选流程，并成功鉴定出化合物C-298为高活性LRRK2抑制剂	未提及体内药效验证及更广泛的化合物库筛选；IC50值在纳摩尔级别，但与传统抑制剂相比具体优势尚需进一步比较研究	发现新型且有效的LRRK2抑制剂，加速帕金森病药物发现	LRRK2蛋白（野生型和G2019S突变型）及其抑制剂	计算机辅助药物设计, 机器学习	帕金森病	虚拟筛选, 分子相似性搜索, 深度学习评分, 分子对接, 分子动力学模拟, 酶活性测定, 细胞活力测定, 活性氧检测, 磷酸化检测	Ouroboros分子表征模型（深度学习模型）	分子结构数据, 生物活性数据, 分子对接数据	15个候选化合物用于酶学评估，鉴定出4个新型LRRK2抑制剂	NA	Ouroboros	IC50值, 细胞毒性, 活性氧水平, 磷酸化抑制率	NA
53	2026-06-09	Adaptive Disorder as the Hallmark of Nanobodies Antigen-Binding Loops 2026-Jun-08, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00716 PMID:42170950	研究论文	该论文通过深度学习和能量分解方法，揭示纳米抗体互补决定区（CDRs）的适应性无序是其核心特征	首次结合序列级深度学习模型与结构级能量分解方法，证实纳米抗体CDRs的序列与结构无序具有适应性，并提出无序作为CDRs标志性特征的新观点	NA	推进对纳米抗体抗原结合区域设计规则的认知，为下一代免疫诊断和治疗铺平道路	纳米抗体的互补决定区（CDRs）序列与结构特征	机器学习	NA	NA	深度学习模型	纳米抗体初级序列数据	NA	NA	NA	NA	NA
54	2026-06-09	Are We Underestimating Overfitting? 2026-Jun-08, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00518 PMID:42206593	评论文章	讨论在定量构效关系中过拟合与过参数化的理解及其对预测能力的影响	挑战传统观点，提出过参数化机器学习模型可能提高外部数据预测准确性，并给出信息论论证和示例	未具体说明实验验证或数据规模限制，可能缺乏定量分析	探讨过拟合和过参数化在定量构效关系建模中的含义	过参数化机器学习模型在合成和真实数据上的预测性能	机器学习	NA	NA	机器学习模型	合成和真实数据	NA	NA	NA	预测准确率	NA
55	2026-06-09	Scan-wise generalized PET denoising with contrastive adversarial learning 2026-Jun-08, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ae7231 PMID:42173146	研究论文	提出了一种基于对比对抗学习的逐扫描泛化PET图像去噪方法	首次从域泛化角度解决跨扫描去噪性能下降问题，并提出有序对比对抗学习框架，利用纵向扫描作为伪正样本	未提及具体局限性	实现低计数PET图像的无偏去噪，应对扫描间分布变化	低计数PET图像去噪任务中的扫描间域泛化	计算机视觉	阿尔茨海默病	PET成像	生成对抗网络 (GAN)	图像（PET扫描）	80名受试者的192次纵向扫描，1920组噪声实现	PyTorch	对比对抗网络（CADG）	峰值信噪比（PSNR）、结构相似性指数（SSIM）、偏差、标准差	NA
56	2026-06-09	Deep learning-enhanced X-space reconstruction for magnetic particle imaging: a physics-consistent approach 2026-Jun-08, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae737d PMID:42202833	研究论文	提出一种物理一致的深度学习框架X-Space-PC-Restore，用于改善磁粒子成像X空间重建质量，减少点扩散函数模糊	首次将混合U-Net编码器-解码器架构与Transformer注意力机制及PSF引导损失函数结合，实现物理一致的MPI重建	仅在合成数据集上评估，未在真实MPI数据上验证；训练数据集规模有限（1600样本）	提高磁粒子成像X空间重建的保真度、空间分辨率和鲁棒性	磁粒子成像系统X空间重建中的图像退化问题	数字病理学	不适用	磁粒子成像	混合U-Net编码器-解码器、Transformer	合成图像（线、圆、椭圆、十字四种模体）	1600个合成样本，涵盖4种模体类型、李萨如轨迹和5-15 dB信噪比	PyTorch	U-Net、Transformer	峰值信噪比（PSNR）、归一化均方根误差（NRMSE）、半高全宽	GPU（具体型号未说明）
57	2026-06-09	Quantitative RNA spatial profiling using single-molecule RNA FISH on plant tissue cryosections 2026-Jun-08, Plant communications IF:9.4Q1 DOI:10.1016/j.xplc.2026.101943 PMID:42252663	研究论文	提出了一种优化的单分子RNA荧光原位杂交（cryo-smFISH）方案，用于植物组织冷冻切片中单mRNA分子的可视化和定量分析	开发了适应植物组织冷冻切片的简化且稳健的smFISH方法，并整合了基于深度学习的图像分析算法，实现了核质区室中的RNA丰度精确定量，以及与免疫荧光的稳健联合应用	NA	建立一种简单、稳健的植物组织切片smFISH方法，实现细胞和亚细胞分辨率下的定量转录分析	植物组织冷冻切片中的单mRNA分子	数字病理	NA	smFISH, 冷冻切片, 免疫荧光, scRNA-seq	深度学习模型	图像	NA	NA	NA	灵敏度	NA
58	2026-06-09	Developing an Advanced Deep Learning-based MR Image Framework for Brain Stroke Segmentation and Classification with Novel Activation Function 2026-Jun-08, The International journal of neuroscience DOI:10.1080/00207454.2026.2685181 PMID:42252862	研究论文	提出了一种基于深度学习的MRI图像框架，用于脑卒中分割和分类，并引入新型激活函数	提出区域掩码注意力多扩张Inception Unet++（RMA-MIUnet++）用于精确分割卒中区域，以及采用新型激活函数的高效InceptionV3（EIV3-NAF）进行分类	未提及与传统模型相比的具体局限性，但传统模型存在手动特征工程和泛化能力不足的问题	开发基于深度学习的卒中预测框架，利用MRI提供专业且灵活的诊断指导	脑卒中患者	计算机视觉	脑卒中	MRI	CNN	图像	NA	NA	RMA-MIUnet++, Efficient InceptionV3	分类性能指标	NA
59	2026-06-09	A Large-Scale Nanocrystal Database with Aligned Synthesis and Properties, Enabling Generative Inverse Design 2026-Jun-08, ACS nano IF:15.8Q1 DOI:10.1021/acsnano.6c03070 PMID:42253088	研究论文	开发了纳米晶体提取器和设计器，构建大规模合成-性质数据库，实现生成式逆设计	首次利用大语言模型从非结构文献中提取纳米晶体合成路线与其性质对齐的高质量数据集，并实现生成式逆合成设计	未给出明确局限性，可能依赖文献质量，数据增强策略可能引入噪声	加速纳米晶体发现，实现数据驱动的逆合成设计	纳米晶体合成路线与理化性质	机器学习	NA	大语言模型，数据增强	大语言模型	文本	近160,000条对齐条目	NA	NanoExtractor, NanoDesigner	加权平均分，F1分数	NA
60	2026-06-09	iDeepLC: Chemical Structure Information Yields Improved Retention Time Prediction of Peptides with Unseen Modifications 2026-Jun-08, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c08017 PMID:42253128	研究论文	提出iDeepLC模型，基于化学结构信息改进肽段保留时间预测，尤其对训练中未见修饰的肽段表现更优	利用化学结构信息（SMILES）替代仅化学组成，显著提升对未见修饰肽段保留时间的预测准确性	未提及模型对不同液相色谱系统或非标准条件的泛化能力评估	改进深度学习模型对含化学修饰肽段的保留时间预测能力	液相色谱-质谱（LC-MS）数据中的肽段保留时间	机器学习	不适用	液相色谱-质谱（LC-MS）	深度学习模型（基于DeepLC改进）	肽段保留时间与化学结构数据（SMILES表示）	未明确说明（基于公共或内部LC-MS数据集）	PyTorch	基于DeepLC的改进架构（具体未明确提及）	预测精度、泛化性能	未明确说明