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
601	2026-08-11	Improved deep learning prediction of antigen-antibody interactions 2024-10-08, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2410529121 PMID:39361651	研究论文	本文评估了深度学习在预测抗原-抗体相互作用中的性能，通过两个基准测试预测SARS-CoV-2刺突蛋白受体结合域的特异性抗体	采用了三种不同的输入序列比对策略来预测抗原-抗体复合物结构，并发现利用已知抗原结合序列的策略在预测精度上优于其他方法	召回率较低（仅25%），且测试集有限，预测准确性仍有提升空间	提高抗原-抗体相互作用的预测准确性，并探索与单B细胞测序结合的潜力	SARS-CoV-2刺突蛋白受体结合域及其特异性抗体	自然语言处理	新冠	NA	深度学习模型	序列数据	初始测试集包含已知实验结构，后续测试集约1000个抗体	NA	NA	精确度、召回率、成功率	NA
602	2026-08-11	Overcoming CRISPR-Cas9 off-target prediction hurdles: A novel approach with ESB rebalancing strategy and CRISPR-MCA model 2024-09, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1012340 PMID:39226304	研究论文	本研究提出了一种结合ESB类重平衡策略和CRISPR-MCA混合模型的新方法，用于克服CRISPR-Cas9脱靶预测中的挑战	首次提出专门针对仅含错配脱靶实例数据集的ESB类重平衡策略，并开发了基于多特征提取的CRISPR-MCA混合模型	研究主要针对错配仅脱靶数据集，对包含插入缺失的数据集适用性可能需要进一步验证	提高CRISPR-Cas9系统脱靶效应的预测准确性，解决数据集不平衡和模型复杂性挑战	CRISPR-Cas9系统中的脱靶效应	机器学习	NA	深度学习	混合神经网络模型	序列数据	四个不同的错配仅数据集和包含错配及插入缺失的数据集	NA	CRISPR-MCA	预测准确性	NA
603	2026-08-11	aiSEGcell: User-friendly deep learning-based segmentation of nuclei in transmitted light images 2024-08, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1012361 PMID:39178193	研究论文	本文介绍了aiSEGcell，一个用户友好的基于深度学习的软件，用于明场图像中细胞核和细胞的自动分割。	提供用户友好的CNN软件，无需荧光标记即可分割细胞核，且只需少量图像（32张）即可重新训练以适应新用例，并提供包含110万个细胞核和2万张图像的精选数据集。	未明确提及局限性，但可能包括对2D培养细胞图像的针对性，可能不适用于3D或组织结构。	开发并验证一个易用的深度学习工具，用于明场图像中细胞核的精确分割，减少对荧光标记和计算专家的依赖。	多种原代细胞类型的2D培养细胞，来自不同成像模态的明场图像。	计算机视觉，数字病理学	不适用	明场显微镜	卷积神经网络（CNN）	图像	20,000张图像，包含1.1百万个细胞核	不适用	不适用（可能是U-Net类，但未具体说明）	与手动分割结果的相似度（未具体列出指标）	不适用
604	2026-08-11	DeepEnzyme: a robust deep learning model for improved enzyme turnover number prediction by utilizing features of protein 3D-structures 2024-07-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae409 PMID:39162313	研究论文	本文介绍DeepEnzyme，一种结合Transformer和Graph Convolutional Network的深度学习模型，通过利用蛋白质3D结构特征提升酶转换数预测的准确性和鲁棒性	首次结合最新的Transformer和GCN，整合序列与3D结构特征，提高低序列相似性酶的预测鲁棒性，并支持评估点突变对催化活性的影响	未明确提及，可能依赖于高质量3D结构数据，对低序列相似性酶仍需进一步验证	改进酶转换数(kcat)预测的准确性和鲁棒性，特别是对低序列相似性酶，并探索点突变对酶催化活性的影响	酶的序列和3D结构数据，以及点突变效应	深度学习, 蛋白质结构预测	NA	蛋白质3D结构特征提取	Transformer, Graph Convolutional Network (GCN)	蛋白质序列和3D结构数据	未明确提及	未明确提及	Transformer, GCN	预测准确性和鲁棒性（未具体列出指标）	未明确提及
605	2026-08-11	HTINet2: herb-target prediction via knowledge graph embedding and residual-like graph neural network 2024-07-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae414 PMID:39175133	研究论文	提出了一种名为HTINet2的深度学习框架，用于预测草药靶点，整合知识图谱嵌入和残差图神经网络	设计了三个关键模块：知识图谱嵌入、残差图表示学习和监督目标预测，其中知识图谱嵌入模块融合了中医属性和临床治疗知识，残差图卷积网络用于捕捉草药与靶点间的深度交互	文中未明确提及，但摘要暗示其依赖知识库的完整性，可能存在知识图谱不完整带来的挑战	解决草药靶点预测中数据不完整和无监督模型局限性的问题，提高预测准确性	草药（例如青蒿、黄连）及其靶点	机器学习	不适用	知识图谱嵌入	图神经网络	知识图谱	未提及具体数量，但构建了大型知识图谱	未提及具体框架	残差图卷积网络	HR@10, NDCG@10	未提及
606	2026-08-11	BertTCR: a Bert-based deep learning framework for predicting cancer-related immune status based on T cell receptor repertoire 2024-07-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae420 PMID:39177262	研究论文	提出了一种基于Bert的深度学习框架BertTCR，用于基于T细胞受体库预测癌症相关免疫状态。	结合预训练蛋白质大语言模型与深度学习架构，提取TCR的深层上下文信息，并考虑序列内和序列间的相互作用，显著提高了预测性能。	未提及具体局限性。	开发一种基于TCR序列预测癌症相关免疫状态的深度学习框架。	T细胞受体（TCRs）序列及其在癌症免疫状态预测中的应用。	机器学习	多种癌症	NGS（TCR库测序）	Bert	序列数据（TCR库）	超过2000个公开TCR库，涵盖17种癌症和健康样本	NA	Bert, 深度学习架构	AUC	NA
607	2026-08-11	PLM_Sol: predicting protein solubility by benchmarking multiple protein language models with the updated Escherichia coli protein solubility dataset 2024-07-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae404 PMID:39179250	研究论文	本研究通过更新大肠杆菌蛋白质溶解度数据集，结合多种蛋白质语言模型与分类层，开发了蛋白质溶解度预测模型PLM_Sol，并在独立测试集和实验集上表现出优于现有模型的性能。	首次将多种蛋白质语言模型结合分类层用于蛋白质溶解度预测，并构建了更新的大肠杆菌溶解度数据集UESolDS，模型性能显著提升。	研究可能受限于数据集来源的单一性（仅大肠杆菌）以及实验验证资源的特定性，未见其他物种或条件泛化验证。	提高蛋白质溶解度预测的准确性，支持大规模功能酶研究。	大肠杆菌蛋白质序列及其溶解度数据。	机器学习	不适用	蛋白质语言模型、结构数据库分析	蛋白质语言模型（PLMs）和分类层	蛋白质序列数据	独立测试集和内部合成的多种酶蛋白资源，具体数量未提供	独立程序，未指明特定框架	多种蛋白质语言模型组合，未指定具体架构	准确率、F1分数、马修斯相关系数	未指明
608	2026-08-11	CycPeptMP: enhancing membrane permeability prediction of cyclic peptides with multi-level molecular features and data augmentation 2024-07-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae417 PMID:39210505	研究论文	本研究提出CycPeptMP，一种利用多层次分子特征和数据增强技术准确预测环肽膜通透性的深度学习方法	设计原子、单体和肽三个层次的特征并融合成深度学习模型，同时应用数据增强技术提升训练效率	未明确提及，可能受限于实验数据的可用性	提高环肽膜通透性预测的准确性和效率，以支持口服生物利用度和细胞内靶向治疗	环肽分子的膜通透性	机器学习	NA	深度学习	融合模型（深度学习）	分子特征数据	NA	NA	融合模型（多层特征集成）	平均绝对误差, 相关系数	NA
609	2026-08-11	ReadCurrent: a VDCNN-based tool for fast and accurate nanopore selective sequencing 2024-07-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae435 PMID:39226890	研究论文	本文介绍了一个名为ReadCurrent的深度学习工具，用于纳米孔选择性测序，该工具以电流为输入，采用改进的非常深的卷积神经网络架构，实现了快速且准确的DNA分类。	ReadCurrent采用改进的VDCNN架构，显著降低了训练计算成本并加速推理，同时与四种其他基于深度学习的选择性测序方法相比，达到了98.57%的平均准确率，并在实验验证中实现了更高的富集比率。	文献中未明确提及局限性。	开发一种基于深度学习的高精度、高速工具，用于纳米孔选择性测序中的靶标和非靶标DNA分类。	包含人类、酵母、细菌和病毒的10个纳米孔测序数据集。	深度学习	NA	纳米孔测序	卷积神经网络	电流信号	10个纳米孔测序数据集，涵盖人类、酵母、细菌和病毒。	NA	VDCNN	准确率、富集比率	NA
610	2026-08-11	A genome-scale deep learning model to predict gene expression changes of genetic perturbations from multiplex biological networks 2024-07-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae433 PMID:39226889	研究论文	本文介绍了TranscriptionNet，一种基于多重生物网络的深度学习模型，用于系统预测基因扰动引起的基因表达变化	首次整合多种生物网络来预测三种遗传扰动的转录组图谱，并扩展覆盖到全基因组范围	未在文中明确提及	系统预测遗传扰动对基因表达的影响，以支持基因功能研究和药物开发	L1000项目中由RNA干扰、CRISPR和过表达引起的转录组图谱	机器学习	不适用	RNA干扰、CRISPR、过表达	深度学习模型	转录组数据	L1000项目中的数千个扰动实验，覆盖26945个基因	不适用	不适用	预测准确性（优于现有方法）	不适用
611	2026-08-11	DeepIRES: a hybrid deep learning model for accurate identification of internal ribosome entry sites in cellular and viral mRNAs 2024-07-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae439 PMID:39234953	研究论文	本文介绍了一种名为DeepIRES的混合深度学习模型，用于在细胞和病毒mRNA序列中准确识别内部核糖体进入位点（IRES）元素。	首次将膨胀一维卷积神经网络块、双向门控循环单元和自注意力模块相结合，构建混合深度学习模型用于IRES预测，并利用深度学习可解释性分析发现与IRES活性相关的潜在共识基序。	摘要未明确提及局限性，但可能包括数据依赖性和模型泛化能力的潜在限制。	开发一种精确且稳健的深度学习工具，用于自动识别mRNA序列中的IRES元素，以替代耗时费力的实验方法，并揭示IRES的机制。	细胞和病毒mRNA序列中的内部核糖体进入位点（IRES）元素。	机器学习	NA	NA	混合深度学习模型（膨胀一维CNN、双向GRU、自注意力）	mRNA序列数据	摘要中未明确样本数量。	NA	膨胀一维卷积神经网络块，双向门控循环单元（GRU），自注意力模块	准确率，交叉验证结果，预测能力（具体指标如AUC等未在摘要中详细列出）	NA
612	2026-08-11	Deep learning approaches for non-coding genetic variant effect prediction: current progress and future prospects 2024-07-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae446 PMID:39276327	综述	基于深度学习方法预测非编码遗传变异效应的进展与未来展望的全面综述	整合了基于批量测序和单细胞测序数据的非编码变异模型发展，并探讨了模型解释和下游任务	当前变异效应预测方法存在局限性，但未具体指明	提供非编码变异效应预测的深度学习方法的全面概述，并指出未来改进机会	非编码遗传变异及其效应预测	机器学习	NA	高通量测序	深度学习模型	基因数据	NA	NA	NA	NA	NA
613	2026-08-11	PGBind: pocket-guided explicit attention learning for protein-ligand docking 2024-07-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae455 PMID:39293803	研究论文	提出了一种口袋引导的显式注意力学习方法PGBind，用于增强蛋白质-配体盲对接的性能。	引入口袋引导策略，通过估计潜在口袋区域并利用口袋引导注意力机制增强蛋白质特征，可即插即用地集成到现有深度学习方法中。	未明确提及局限性。	改进蛋白质-配体盲对接方法，提升对接精度，无需预先知道口袋信息。	蛋白质-配体复合物，涉及靶蛋白和配体分子。	机器学习, 药物发现	不适用	深度学习方法	注意力机制辅助的深度学习模型	蛋白质结构数据	未明确提供样本数量	未明确提供	可用于EquiBind和FABind的即插即用模块	对接性能指标（如成功率等，具体未列明）	未明确提供
614	2026-08-11	Designing interpretable deep learning applications for functional genomics: a quantitative analysis 2024-07-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae449 PMID:39293804	综述	对功能基因组学中可解释深度学习应用的设计挑战进行定量分析	通过预设标准对当前领域状态进行量化，识别最常用解决方案、突出例外并发现未开发机会	未在摘要中明确提及	探讨功能基因组学中可解释深度学习解决方案的设计挑战，包括数据特征、网络架构和解释策略的选择	功能基因组学中的深度学习应用及相关解释性策略	机器学习，功能基因组学	NA	深度学习	神经网络	组学数据	NA	NA	NA	NA	NA
615	2026-08-11	Automated blood volume estimation in surgical drains for clinical decision support 2024-06, European review for medical and pharmacological sciences DOI:10.26355/eurrev_202406_36375 PMID:38884505	研究论文	提出一种利用深度学习技术自动估计外科引流管中血液体积的系统，通过移动端图像分割实现非接触式监测并支持临床决策。	首次采用语义分割技术对手机拍摄的引流管图像进行血液体积估计，实现非接触式自动化监测，减少感染风险并提高效率。	未提及具体局限性，如模型对不同类型引流管的泛化能力、实时处理性能等。	自动化外科引流管血液体积的监测和记录，以辅助临床决策。	Jackson Pratt和Hemovac引流管中的血液体积。	计算机视觉	术后并发症	移动摄影	语义分割模型	图像	1,004张引流管图像	NA	语义分割网络	平均误差率	NA
616	2026-08-11	Assistive tools for classifying neurological disorders using fMRI and deep learning: A guide and example 2024-06, Brain and behavior IF:2.6Q3 DOI:10.1002/brb3.3554 PMID:38841732	研究论文	本研究提供了一个关于使用功能磁共振成像和深度学习技术对神经疾病进行分类的辅助工具指南，并展示了如何使用这些工具（如Optuna、GIFT和ABIDE预处理存储库）构建一个自闭症谱系障碍分类模型的示例。	该研究的创新点在于为跨学科研究人员提供了一个简化的fMRI和深度学习管道，降低了进入门槛，并通过具体示例展示了如何结合辅助工具进行神经疾病分类。	该研究的局限性包括未提及具体的计算资源信息，以及可能未涵盖所有辅助工具的细节，且模型仅针对ASD分类，可能不具备广泛适用性。	本研究的目的是提供关于使用fMRI和深度学习进行神经疾病分类的辅助工具的入门指南，并创建一个示例模型以演示简化的管道。	研究对象包括辅助工具、fMRI数据和深度学习模型，特别是针对自闭症谱系障碍的分类模型。	机器学习	自闭症谱系障碍	功能磁共振成像（fMRI）	卷积神经网络（CNN）	图像	未提及具体样本量	未提及	卷积神经网络	未提及	未提及
617	2026-08-11	Artificial intelligence for ultrasound scanning in regional anaesthesia: a scoping review of the evidence from multiple disciplines 2024-05, British journal of anaesthesia IF:9.1Q1 DOI:10.1016/j.bja.2024.01.036 PMID:38448269	综述	本综述旨在识别和整理跨学科领域关于区域麻醉超声扫描中人工智能系统的准确性和实用性的现有文献，并指出评估方法的不足。	首次从多学科视角系统梳理了区域麻醉超声扫描中AI应用的文献，并发现2016-17年间深度学习技术的显著转变。	缺乏标准化评估框架，导致模型间比较困难；临床疗效和安全性数据有限。	绘制区域麻醉超声扫描中AI系统的准确性和实用性相关文献，以支持后续评估标准化和临床采纳。	区域麻醉超声扫描中的人工智能系统。	医学影像分析, 机器学习	麻醉相关疾病	深度学习（主要技术）	NA	文献数据	13,014个来源，116篇全文审查	NA	NA	NA	NA
618	2026-08-11	Prediction of Golgi Polarity in Collectively Migrating Epithelial Cells Using Graph Neural Network 2024, Cells, tissues, organs DOI:10.1159/000528354 PMID:36455516	研究论文	本文构建了一个基于图神经网络的深度学习模型，用于预测集体迁移上皮细胞中高尔基体的极性，并分析了其与几何和物理因素的相关性。	首次使用图神经网络系统分析影响高尔基体极性的多种因素，并揭示其与最大主应力方向的相关性，突出了物理线索在细胞内组织中的新角色。	模型预测准确率为75%，且未探讨其他潜在影响因素，可能限制了因果关系推断。	探究影响集体迁移上皮细胞中高尔基体极性的几何和物理因素，并评估图神经网络在预测和解释该极性方面的能力。	集体迁移的上皮细胞单层，特别是其中高尔基体的位置及其极性。	机器学习	NA	NA	图神经网络	几何和物理因素数据（如应力场），可能包括图像或模拟数据	未明确指定具体样本数量，涉及多种几何和物理条件。	NA	图神经网络（具体架构未指明）	准确率（75%）	NA
619	2026-08-10	AI in Neuro-Ophthalmology: Current Practice and Future Opportunities 2024-09-01, Journal of neuro-ophthalmology : the official journal of the North American Neuro-Ophthalmology Society IF:2.0Q2 DOI:10.1097/WNO.0000000000002205 PMID:38965655	综述	本文综述了人工智能在神经眼科领域的应用现状和未来机遇，涵盖多种AI技术及其在诊断、预测模型和临床实践中的潜力	首次全面探讨生成式AI在神经眼科教育和临床实践中的整合，并强调其改善稀缺专科资源获取的潜力	未具体说明局限性，但综述可能受限于现有文献的覆盖范围和搜索策略	提供AI在神经眼科中应用的全面概述，评估其当前实践和未来机会，以及整合面临的挑战	神经眼科疾病及其诊断相关的影像数据（如OCT、眼底照片）和AI技术应用	计算机视觉、机器学习、自然语言处理	神经眼科疾病	光学相干断层扫描（OCT）、眼底摄影	机器学习算法、深度学习	图像数据、文本数据	不适用	不适用	不适用	不适用	不适用
620	2026-08-10	Deep autoencoder-based behavioral pattern recognition outperforms standard statistical methods in high-dimensional zebrafish studies 2024-09, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1012423 PMID:39255309	研究论文	本文训练半监督深度自编码器以识别斑马鱼幼体的正常行为，并检测化学物质暴露引起的异常行为变化，其性能优于传统统计方法。	首次将半监督深度自编码器应用于高维斑马鱼行为数据，可识别出传统方法（如仅基于距离移动）遗漏的、多种化学物质浓度组合下的异常行为。	文中未明确提及局限性。	开发一种基于深度自编码器的行为模式识别模型，以改进斑马鱼行为数据的分析，识别化学物质暴露引起的异常行为，并促进机制研究。	未暴露的斑马鱼幼体（用于训练）及暴露于不同有毒物质（包括纳米材料、芳香族化合物、全氟和多氟烷基物质等）的斑马鱼幼体（用于评估）。	机器学习	NA	行为学分析技术（包括高维行为数据采集）	深度自编码器（半监督）	行为学数据（高维、时空）	未明确说明具体样本数量，但涉及未暴露和暴露的斑马鱼幼体。	NA	自编码器	NA（但提到传统统计框架作为比较基准）	NA