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 42805 篇文献，本页显示第 661 - 680 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 661 | 2026-03-28 |
A Deep Learning Pathomic Signature Predicts Survival and Recurrence in Pancreatic Ductal Adenocarcinoma Independent of CA19-9
2026-Mar-24, Cancer letters
IF:9.1Q1
DOI:10.1016/j.canlet.2026.218452
PMID:41887395
|
研究论文 | 本研究开发了一种基于深度学习的病理组学特征（PCPS），用于预测胰腺导管腺癌（PDAC）患者的生存和复发风险，其预测能力独立于血清标志物CA19-9 | 首次开发了基于常规H&E染色全切片图像的深度学习病理组学特征，能够有效对CA19-9阴性患者进行风险分层，并揭示了与免疫抑制微环境和基底样上皮细胞状态相关的生物学机制 | 研究样本量相对有限（内部队列252例，外部验证队列183例），且为回顾性研究，需要前瞻性多中心验证 | 开发一种独立于CA19-9的预后生物标志物，以改善胰腺导管腺癌的风险分层和治疗指导 | 胰腺导管腺癌（PDAC）患者 | 数字病理学 | 胰腺癌 | 苏木精-伊红（H&E）染色全切片图像分析 | 深度学习模型 | 病理图像 | 内部队列252例患者，外部验证队列183例患者（来自TCGA） | NA | NA | C-index, 风险比（HR）, P值 | NA |
| 662 | 2026-03-28 |
Automated estimation of perivascular space and brain morphometry from deep learning-reconstructed three-dimensional T1-weighted MRI: comparison with the conventional technique
2026-Mar-24, Journal of neuroradiology = Journal de neuroradiologie
DOI:10.1016/j.neurad.2026.101550
PMID:41887462
|
研究论文 | 本研究评估了基于深度学习的重建三维T1加权成像在自动估计脑形态测量和血管周围空间方面的效用，并与传统技术进行了比较 | 首次将深度学习重建的三维T1加权成像应用于脑形态测量和血管周围空间的自动估计，并展示了其在减少测量变异性和提高与解剖预期值一致性方面的优势 | 研究为回顾性队列研究，可能存在选择偏倚；未详细说明深度学习模型的具体架构和训练细节 | 评估深度学习重建的三维T1加权成像在改善脑部精细结构描绘和自动估计脑形态测量及血管周围空间方面的性能 | 接受T1加权成像的参与者，包括正常组和疾病组，以及根据血管周围空间严重程度分组的参与者 | 医学影像分析 | 脑部疾病 | 三维T1加权成像，深度学习重建 | 深度学习模型 | 三维T1加权磁共振图像 | 240名参与者（正常组144人，疾病组96人），外加外部数据集63人 | NA | NA | 皮质厚度，脑体积，血管周围空间体积，变异性 | NA |
| 663 | 2026-03-28 |
Integrating Multiview Information for Enhanced Deep Learning-Based Acute Dermal Toxicity Prediction
2026-Mar-23, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c02959
PMID:41789561
|
研究论文 | 本文提出了一种名为MVIToxNet的新型深度学习模型，通过整合分子指纹和SMILES序列的多视图特征来增强急性皮肤毒性预测 | 引入了多视图特征整合方法，结合字符级和原子级特征，并利用字节对编码分词捕获分子亚结构细节，同时提出加权模型平均策略以提升小样本不平衡数据集的泛化能力 | 研究数据集较小且不平衡，可能影响模型在更广泛场景下的适用性 | 开发一种深度学习模型以准确预测急性皮肤毒性，替代昂贵且存在伦理问题的动物实验 | 分子化合物 | 机器学习 | NA | SMILES序列分析，分子指纹技术 | 深度学习模型 | 分子数据（指纹和序列） | 小规模且不平衡的数据集 | NA | MVIToxNet | NA | NA |
| 664 | 2026-03-28 |
Ameliorative effect of Rhus verniciflua Stokes on high-fat diet-induced obesity and advanced analysis with machine learning and deep learning-based network pharmacology
2026-Mar-23, Life sciences
IF:5.2Q1
DOI:10.1016/j.lfs.2026.124337
PMID:41881279
|
研究论文 | 本研究通过体内实验和人工智能方法评估了漆树提取物对高脂饮食诱导的肥胖和代谢功能障碍相关脂肪肝病的改善作用及其机制 | 结合多层人工智能/机器学习流程（包括分子对接、分子动力学、深度学习药物-靶点相互作用建模和强化学习）来优先筛选漆树提取物中的生物活性成分 | 研究仅使用雄性ICR小鼠模型，未涉及雌性或其他物种，且AI预测结果需进一步实验验证 | 评估漆树提取物的抗肥胖功效并阐明其作用机制 | 雄性ICR小鼠及24种经NMR验证的漆树提取物成分 | 机器学习 | 肥胖 | 分子对接、分子动力学、深度学习药物-靶点相互作用建模、强化学习、转录组学分析 | 深度学习 | 生物化学数据、分子结构数据、基因表达数据 | 雄性ICR小鼠（具体数量未明确），24种漆树提取物成分 | NA | NA | 体重变化百分比、血清LDL降低百分比、肝脏甘油三酯降低百分比、NAS评分降低百分比 | NA |
| 665 | 2026-03-28 |
ProMol_Func: A Structure-Free Deep Learning Model for Virtual Screening
2026-Mar-23, JACS Au
IF:8.5Q1
DOI:10.1021/jacsau.6c00173
PMID:41889774
|
研究论文 | 提出了一种名为ProMol_Func的无结构深度学习框架，用于虚拟筛选，通过整合小分子的图编码和仅从氨基酸序列衍生的蛋白质功能嵌入，克服了传统结构依赖方法的限制 | 开发了一种不依赖蛋白质结构的深度学习模型，结合了图编码和蛋白质功能嵌入，并利用实验验证的非活性化合物和随机诱饵增强训练数据，提高了筛选能力和泛化性 | 未明确提及模型在处理极大规模数据集或特定蛋白质家族时的具体限制 | 旨在开发一种高效且可扩展的虚拟筛选方法，以替代传统计算密集型且依赖蛋白质结构的药物设计模型 | 小分子化合物和蛋白质（特别是DnaK蛋白伴侣） | 机器学习 | NA | 深度学习，虚拟筛选 | 深度学习模型 | 小分子图编码，蛋白质氨基酸序列 | 使用LIT-PCBA基准数据集进行训练和评估，具体样本数量未明确说明 | NA | NA | 富集因子（EF1%） | NA |
| 666 | 2026-03-28 |
SkinCast: an AI-driven mechanistically interpretable model for predicting skin sensitization of environmentally released consumer product ingredients
2026-Mar-22, Environment international
IF:10.3Q1
DOI:10.1016/j.envint.2026.110209
PMID:41886929
|
研究论文 | 开发了一种名为SkinCast的AI驱动、机制可解释模型，用于预测环境释放的消费品成分引起的皮肤致敏性 | 通过整合皮肤致敏途径中的四个关键事件，并采用图卷积网络进行结构表示，结合生物加权评分函数实现机制可解释的预测 | 未明确说明模型在特定化学类别或复杂混合物中的泛化能力限制 | 预测环境释放的消费品成分的皮肤致敏性，以识别潜在致敏原 | 消费品成分，特别是香料成分 | 机器学习 | 皮肤过敏 | 定量构效关系 | 图卷积网络, 机器学习, 深度学习 | 化学结构数据 | 验证化合物未明确数量，但应用于3,415种香料成分 | NA | 图卷积网络 | AUC | NA |
| 667 | 2026-03-28 |
Uncertainty-Aware Explainable AI for Pancreatic Cysts: Identifying Deep Learning Vulnerabilities and Ensuring Safe Clinical Triage in IPMN Management
2026-Mar-22, Research square
DOI:10.21203/rs.3.rs-9096790/v1
PMID:41890858
|
研究论文 | 本研究首次将可解释AI与不确定性量化相结合，评估胰腺囊肿特征对深度学习模型在IPMN恶性风险预测中性能的影响 | 首次在多中心研究中系统分析囊肿类型、大小和位置对深度学习模型行为的影响，并整合SHAP、LIME、Grad-CAM和不确定性量化进行全面的可解释性分析 | 回顾性研究设计，样本量相对有限（170例IPMNs），模型整体准确率仅为67.1% | 评估深度学习模型在IPMN恶性风险分层中的性能，并识别模型在复杂高风险病例中的脆弱性 | 来自七个医疗中心的170例胰腺导管内乳头状黏液性肿瘤（IPMNs） | 数字病理学 | 胰腺癌 | 放射组学-深度学习融合模型 | 深度学习 | 医学影像 | 170例IPMNs | NA | NA | 准确率 | NA |
| 668 | 2026-03-28 |
Opioid Overdose Death Prediction with Graph Neural Networks
2026-Mar-22, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.03.18.26348454
PMID:41890993
|
研究论文 | 本文提出了一种时空图神经网络框架，用于预测美国俄亥俄州县级阿片类药物过量死亡人数 | 结合图神经网络捕捉县级空间关系和LSTM网络建模时间动态，并采用基于分类的策略改进小县预测 | 研究仅针对俄亥俄州88个县，模型在其他地区的泛化能力未经验证 | 提高县级阿片类药物过量死亡的预测准确性，以支持及时的公共卫生干预 | 俄亥俄州88个县的阿片类药物过量死亡数据 | 机器学习 | 药物过量 | 时空数据分析 | GNN, LSTM | 时间序列数据，空间数据 | 88个县从2017年第一季度至2023年第二季度的季度数据 | 未明确指定 | 时空图神经网络 | 未明确指定 | NA |
| 669 | 2026-03-28 |
Rapid assessment of pesticide toxicity in aquatic ecosystems using deep learning-based automatic duckweed counting method
2026-Mar-21, Aquatic toxicology (Amsterdam, Netherlands)
DOI:10.1016/j.aquatox.2026.107791
PMID:41887020
|
研究论文 | 本研究应用基于StarDist技术的自动化浮萍计数工具，评估了28种常用农药对水生植物浮萍生长的毒性 | 开发了一种基于深度学习的自动化浮萍计数方法，用于快速评估农药对水生生态系统的毒性，实现了高通量毒性测试 | 研究仅测试了28种农药，且毒性评估基于实验室条件，可能无法完全反映自然水生环境中的复杂情况 | 评估农药对水生植物的毒性，为农药环境风险评估提供快速有效的方法 | 浮萍（Wolffia globosa）作为水生植物模型 | 计算机视觉 | NA | StarDist技术 | 深度学习 | 图像 | 28种农药（包括除草剂、杀菌剂和杀虫剂）对浮萍生长的测试 | NA | StarDist | IC值（抑制浓度） | NA |
| 670 | 2026-03-28 |
Ancestral state reconstruction with discrete characters using deep learning
2026-Mar-21, bioRxiv : the preprint server for biology
DOI:10.64898/2026.03.19.712918
PMID:41890074
|
研究论文 | 本研究利用深度学习软件phyddle进行祖先状态重建，评估其在各种方法和模型条件下的性能，并与贝叶斯推断进行比较 | 将深度学习应用于系统发育学中的祖先状态重建，特别是针对似然函数难以处理的复杂模型，提供了一种替代传统基于似然推断的新方法 | 在树规模增大时性能下降，且对于复杂模型（如物种形成和灭绝模型），其估计与贝叶斯推断的差异更大 | 开发并评估深度学习在系统发育学中祖先状态重建的应用，以处理似然函数难以计算的模型 | 离散字符模型下的祖先状态重建，包括简单马尔可夫模型和更复杂的生物现实模型 | 机器学习 | NA | 深度学习 | 深度学习模型 | 离散字符数据 | NA | phyddle | NA | NA | NA |
| 671 | 2026-03-28 |
Protocol for non-invasive tumor monitoring and diagnosis based on interpretable deep learning
2026-Mar-20, STAR protocols
IF:1.3Q4
DOI:10.1016/j.xpro.2026.104358
PMID:41653437
|
研究论文 | 本文介绍了一种基于可解释深度学习框架Oncoder的非侵入性肿瘤监测和诊断协议 | 利用可解释深度学习框架Oncoder，通过追踪患者血浆cfDNA中肿瘤特异性DNA甲基化信号的动态变化来监测治疗反应 | NA | 开发非侵入性肿瘤监测和诊断协议 | 血浆细胞游离DNA中的肿瘤特异性DNA甲基化 | 机器学习 | 肿瘤 | DNA甲基化分析 | 深度学习 | 甲基化数据 | NA | NA | Oncoder | NA | NA |
| 672 | 2026-03-28 |
Protocol to perform cell-type-specific transcriptome-wide association study using scPrediXcan framework
2026-Mar-20, STAR protocols
IF:1.3Q4
DOI:10.1016/j.xpro.2025.104306
PMID:41689808
|
研究论文 | 本文介绍了一个名为scPrediXcan的框架协议，用于执行细胞类型特异性转录组范围关联研究 | 通过整合基于深度学习的基因表达预测与表观遗传特征，实现了细胞类型特异性的转录组范围关联研究，并提供了可扩展的模型训练与关联测试协议 | 协议依赖于GWAS汇总统计数据，可能受限于原始GWAS研究的样本量和统计效力 | 开发并详细描述一个用于细胞类型特异性转录组范围关联研究的计算框架协议 | 基因表达预测模型、GWAS汇总统计数据、细胞类型特异性转录组关联 | 机器学习 | NA | 深度学习、表观遗传特征分析、GWAS汇总统计 | 深度学习模型 | DNA序列数据、表观遗传特征数据、GWAS汇总统计数据 | NA | NA | NA | NA | 最小计算负担 |
| 673 | 2026-03-21 |
Corrigendum to 'Multi-Task Deep Learning for Sex and Age Estimation from Panoramic Radiographs in a Brazilian Young Population': [International Dental Journal Volume 76, Issue 2, April 2026, 109381]
2026-Mar-18, International dental journal
IF:3.2Q1
DOI:10.1016/j.identj.2026.109504
PMID:41855705
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 674 | 2026-03-28 |
HISNET-FF: Hierarchical identification of species using a network with fused cranial and dental features
2026-Mar-18, Zoological research
IF:4.0Q1
|
研究论文 | 本文提出了一种名为HISNET-FF的双流深度学习框架，用于基于哺乳动物颅骨和牙齿特征的物种分类 | 开发了融合全局颅骨形态和局部牙齿及听泡诊断信号的双流架构，并采用从属到种的层次分类流程，显著提升了物种识别准确率 | NA | 加速基于形态学的物种鉴定，实现自动化的分类学分类 | 鼹鼠科（Talpidae）的51个物种，涵盖18个属 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 包含51个物种（18个属）的广泛图像数据集 | NA | HISNET-FF, YOLO | 准确率, 召回率, 精确率, 平均精度均值（mAP@[.50:.95]） | NA |
| 675 | 2026-03-28 |
Temporal Integration of Serum Proteomics, Metabolomics and MRI Tumor Volumetrics via Deep Learning Identifies Systemic Mediators of Glioblastoma Response to Chemoradiotherapy
2026-Mar-18, Research square
DOI:10.21203/rs.3.rs-9085743/v1
PMID:41890862
|
研究论文 | 本研究通过深度学习整合血清蛋白质组学、代谢组学与MRI肿瘤体积数据，识别了胶质母细胞瘤对放化疗反应的系统性介质 | 首次将AI分割的MRI体积变化与血清多组学数据结合，揭示了胶质母细胞瘤放化疗后肿瘤体积变化与特定代谢通路之间的关联 | 样本量较小（55例患者），且为单中心研究，需要更大规模、多中心的验证 | 整合临床、分子和影像数据，识别与胶质母细胞瘤放化疗反应相关的系统性生物标志物和通路 | 胶质母细胞瘤患者 | 数字病理学 | 胶质母细胞瘤 | SomaScan蛋白质组学平台，SECIM代谢组学检测，AI分割 | 深度学习 | 血清蛋白质组学数据，血清代谢组学数据，MRI影像 | 55例临床注释的胶质母细胞瘤患者，提供放化疗前后的血清样本 | NA | NA | p值 | NA |
| 676 | 2026-03-28 |
Comparison of Patient Reviews for Submental Liposuction and Kybella Using Deep Learning and Natural Language Processing: Is There a Superior Intervention for Submental Adiposity?
2026-Mar-17, Aesthetic surgery journal
IF:3.0Q1
DOI:10.1093/asj/sjaf129
PMID:40577594
|
研究论文 | 本研究使用深度学习与自然语言处理技术，比较了患者对颏下吸脂术与Kybella注射的在线评价，以评估两种治疗颏下脂肪堆积方法的患者满意度 | 首次应用基于Transformer的深度学习NLP模型（RoBERTa）分析医美领域患者自述的在线评论，系统比较两种颏下脂肪治疗方法的患者情感体验 | 数据来源仅限于RealSelf平台的英文评论（2014-2024年），未包含其他语言或平台数据；样本量相对有限（共1338条评论）；无法控制患者基线特征的差异 | 通过分析患者在线评论，比较Kybella注射与颏下吸脂术在治疗颏下脂肪堆积方面的患者满意度与情感体验 | RealSelf平台上关于Kybella注射和颏下吸脂术的患者在线评论 | 自然语言处理 | 颏下脂肪堆积（美容医学适应症） | 自然语言处理 | Transformer | 文本 | 1338条患者在线评论（颏下吸脂术753条，Kybella注射585条） | NA | RoBERTa | 情感分类准确率（二分类：正面/负面），七种情感（恐惧、悲伤、愤怒、厌恶、中性、惊讶、喜悦）的概率评分 | NA |
| 677 | 2026-03-28 |
HGT-PepPI: A Heterogeneous Graph-Based Framework Leveraging Pragmatic Analysis for Peptide-Protein Interaction Prediction
2026-Mar-17, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c03139
PMID:41841204
|
研究论文 | 本研究提出了一种基于异质图神经网络的框架HGT-PepPI，用于预测肽-蛋白质相互作用 | 通过构建整合序列语义信息、进化保守谱和实验验证相互作用的多关系边异质图，并利用消息传递机制捕获局部序列特征和全局复杂上下文依赖，实现了对相互作用语义的全面建模 | 模型性能受限于RCSB蛋白质数据库中有标记的蛋白质-肽复合物数据量 | 开发一种能够准确预测肽-蛋白质相互作用的计算模型 | 肽和蛋白质序列 | 生物信息学 | NA | 深度学习 | 异质图神经网络 | 序列数据 | NA | PyTorch | HGT | 预测性能、鲁棒性 | NA |
| 678 | 2026-03-28 |
Rapid Machine Learning-Driven Detection of Pesticides and Dyes Using Raman Spectroscopy
2026-Mar-17, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.6c00396
PMID:41843405
|
研究论文 | 提出了一种基于深度学习的框架MLRaman，用于利用拉曼光谱快速检测农药和染料 | 结合ResNet-18特征提取与XGBoost、SVM等分类器，开发了CNN-XGBoost和CNN-SVM混合模型，并构建了用户友好的实时预测Streamlit应用 | 未明确说明模型在更广泛或更复杂真实场景下的性能限制 | 开发快速可靠的机器学习方法，用于检测食品和环境中的农药和合成染料残留 | 7种农药和3种染料，共10种分析物 | 机器学习 | NA | 拉曼光谱 | CNN, XGBoost, SVM | 光谱数据 | 未明确说明具体样本数量，涉及10种分析物的拉曼光谱 | 未明确指定，可能涉及PyTorch/TensorFlow（用于ResNet）及Scikit-learn（用于SVM/XGBoost） | ResNet-18 | 准确率, AUC | NA |
| 679 | 2026-03-28 |
SurfSol: A Multimodal Surface-Based Deep Learning Framework for Protein Solubility Prediction
2026-Mar-17, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.6c00124
PMID:41841780
|
研究论文 | 提出一种名为SurfSol的多模态表面深度学习框架，用于预测蛋白质溶解度 | 首次将显式表面表示（几何与理化性质）与序列、结构特征结合，通过E(3)-等变图神经网络进行多模态融合，为溶解度预测提供了新范式 | 仅基于eSOL数据集进行评估，未在其他独立数据集上验证泛化能力；未讨论计算复杂度对实际应用的影响 | 开发高精度的蛋白质溶解度预测方法，以支持生物技术和制药领域重组蛋白的应用 | 重组蛋白质 | 计算生物学 | NA | 深度学习 | 图神经网络,Transformer | 蛋白质序列,结构表面特征 | 经处理的eSOL数据集（具体数量未说明） | PyTorch Geometric（推断） | E(3)-等变图神经网络,TransformerConv,ESM-2 | 相关系数,AUC | NA |
| 680 | 2026-03-28 |
A novel framework for expanding RNNs with biophysical detail to solve cognitive tasks
2026-Mar-17, bioRxiv : the preprint server for biology
DOI:10.64898/2026.03.13.711746
PMID:41889922
|
研究论文 | 本文提出了一种结合生物物理细节的储备池计算框架，用于解决认知任务 | 开发了生物物理细节储备池计算框架，将多室生物物理活性树突等细胞级特性整合到任务训练的循环神经网络中，以提取机制性见解 | 将生物物理特性整合到RNN中使其偏离了已验证的高效训练机制，面临构建和训练复杂非线性真实神经元网络的重大挑战 | 提取生物物理神经模型的机制性见解，并指导特定类别认知任务的模型选择 | 具有突触耦合的兴奋性和抑制性细胞的生物物理细节神经网络 | 机器学习 | NA | 储备池计算 | RNN | 模拟数据 | NA | NA | BRC | 任务解决能力 | NA |