深度学习在生物医药领域中的应用

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
7061	2025-02-08	Inference of the Mass Composition of Cosmic Rays with Energies from 10^{18.5} to 10^{20} eV Using the Pierre Auger Observatory and Deep Learning 2025-Jan-17, Physical review letters IF:8.1Q1 DOI:10.1103/PhysRevLett.134.021001 PMID:39913843	研究论文	本文利用Pierre Auger Observatory的表面探测器和深度学习技术，首次在事件级别上推断出宇宙射线的大气深度最大值X_{max}，并扩展了X_{max}分布的测量范围至100 EeV，揭示了极端能量下宇宙射线的质量组成	首次在事件级别上推断X_{max}，并利用深度学习技术扩展了测量范围至100 EeV，提供了极端能量下宇宙射线质量组成的新见解	NA	研究极端能量下宇宙射线的质量组成	宇宙射线	机器学习	NA	深度学习	NA	探测器数据	NA
7062	2025-02-08	Computational Resources for lncRNA Functions and Targetome 2025, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-4290-0_13 PMID:39702714	综述	本章节全面回顾了长链非编码RNA（lncRNA）领域的数据库和预测工具，包括lncRNA数据库、基于机器学习的算法以及利用不同技术预测lncRNA的工具	提供了lncRNA资源的全面概述，特别是针对人类、小鼠、植物和其他模式生物开发的资源，并讨论了使用深度学习、支持向量机（SVM）和随机森林（RF）等算法进行lncRNA的计算识别	本章节主要集中于已有资源的综述，未涉及新的实验数据或方法开发	总结和评估现有的lncRNA计算资源，以帮助生物学家选择最适合其研究需求的工具	长链非编码RNA（lncRNA）及其在不同生物体中的功能和靶标组	生物信息学	NA	深度学习、支持向量机（SVM）、随机森林（RF）	NA	文本、数据库信息	NA
7063	2025-02-08	Structure-Based Prediction of lncRNA-Protein Interactions by Deep Learning 2025, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-4290-0_16 PMID:39702717	研究论文	本章介绍了基于三维结构信息预测长非编码RNA（lncRNA）与蛋白质相互作用的基本框架	利用深度学习方法自动表示和学习lncRNA与蛋白质的三维结构信息，提出几何深度学习方法在lncRNA-蛋白质相互作用预测中的应用	未提及具体的数据集或实验验证结果，可能缺乏实际应用验证	预测lncRNA与蛋白质的相互作用并解析其机制	长非编码RNA（lncRNA）和蛋白质	机器学习	NA	深度学习方法	神经网络	三维结构数据	NA
7064	2025-02-08	Surface defect detection on industrial drum rollers: Using enhanced YOLOv8n and structured light for accurate inspection 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0316569 PMID:39908278	研究论文	本文设计了一种基于线条纹结构光的图像采集系统，并提出了一种基于YOLOv8n的改进深度学习网络模型，以实现对滚筒表面缺陷的高效检测	使用线条纹结构光作为系统光源，改进了YOLOv8n算法，包括使用可变形卷积增强特征提取能力、提出新的特征融合模块以及应用Wise-IoU替换CIoU损失函数	模型的标准矩形边界框可能限制了对细长缺陷的精确检测，未来工作可以探索旋转边界框和更广泛的数据集多样性以增强在实际应用中的泛化能力	提高滚筒表面缺陷检测的效率和准确性	工业滚筒的表面缺陷	计算机视觉	NA	线条纹结构光	YOLOv8n	图像	NA
7065	2025-02-08	Application of human-in-the-loop hybrid augmented intelligence approach in security inspection system 2025, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2025.1518850 PMID:39911181	研究论文	本文提出了一种人机协作的混合增强智能方法，用于提升安全检查系统的安全性和可靠性	提出了一种结合人类和机器智能的混合决策方法，采用“拒绝优先”和“放行优先”两种策略，以提升决策过程的整体性能	未提及具体的技术实现细节和潜在的局限性	提升安全检查系统的安全性和可靠性	安全检查系统	机器学习和人机协作	NA	深度学习	NA	安全检查数据	来自特定安全检查站点的数据集
7066	2025-02-08	AlphaFold 2, but not AlphaFold 3, predicts confident but unrealistic β-solenoid structures for repeat proteins 2025, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2025.01.016 PMID:39911842	研究论文	本文评估了AlphaFold 2在预测由完美重复序列组成的蛋白质结构时的表现，发现其经常预测出高置信度但不现实的β-螺旋结构	揭示了AlphaFold 2在预测完美重复序列时倾向于生成高置信度但不现实的β-螺旋结构，而其他深度学习方法则预测出不同的结构或低置信度的β-螺旋结构	研究主要关注完美重复序列，未全面评估AlphaFold 2在其他类型蛋白质上的表现	评估AlphaFold 2在预测完美重复序列蛋白质结构时的表现	由完美重复序列组成的蛋白质	蛋白质结构预测	NA	分子动力学	AlphaFold 2	蛋白质序列	不同长度的随机序列组成的完美重复序列
7067	2025-02-08	Physics-guided multistage neural network: A physically guided network for step initial values and dispersive shock wave phenomena 2024-Dec, Physical review. E DOI:10.1103/PhysRevE.110.065307 PMID:39916289	研究论文	本文提出了一种物理引导的多阶段神经网络（PgMSNN）模型，用于模拟复杂的色散冲击波现象	通过集成残差学习范式并在现有PINN方法中引入色散因子，显著增强了物理信息神经网络（PINNs）描述复杂色散现象的能力，并提出了一种高度自适应的深度Runge-Kutta方法	NA	提高物理信息神经网络（PINNs）在色散冲击波现象中的数值模拟精度和稳定性	色散冲击波现象	机器学习	NA	物理引导的多阶段神经网络（PgMSNN）	物理引导的多阶段神经网络（PgMSNN）	数值数据	NA
7068	2025-02-08	DeepPFP: a multi-task-aware architecture for protein function prediction 2024-Nov-22, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae579 PMID:39905954	研究论文	本文提出了一种名为DeepPFP的多任务感知架构，用于蛋白质功能预测，旨在解决序列与功能之间复杂关系的挑战	结合模型无关的元学习（Model-Agnostic Meta-Learning）和蛋白质语言模型（Evolutionary Scale Modeling），提出了一种能够捕捉多样化序列-功能映射任务共享特征的架构	模型在跨领域迁移学习时可能仍面临挑战，因为蛋白质功能高度依赖于结构特征而非单纯的序列信息	解决蛋白质功能预测中的泛化问题，提升跨任务和跨领域的预测性能	蛋白质序列及其功能	机器学习	NA	深度突变扫描（DMS）	Model-Agnostic Meta-Learning, 蛋白质语言模型	蛋白质序列数据	5个外域DMS数据集，以及SARS-CoV-2的DMS数据集中的500个样本
7069	2025-02-08	Role of artificial intelligence in brain tumour imaging 2024-Jul, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2024.111509 PMID:38788610	综述	本文综述了人工智能在脑肿瘤影像学中的应用，重点讨论了机器学习和深度学习技术	探讨了AI在脑肿瘤影像学中的多种应用，包括病变检测、鉴别诊断、解剖分割、分子标志物识别、预后评估和假性进展评估，并涵盖了非胶质瘤脑肿瘤的AI应用	讨论了AI在放射学中实施的挑战和局限性，如数据质量、标准化和整合问题	探讨人工智能在脑肿瘤影像学中的应用，以改善脑肿瘤的诊断和治疗	脑肿瘤影像学	医学影像	脑肿瘤	机器学习（ML）和深度学习（DL）	NA	影像数据	NA
7070	2025-02-08	Single-cell multi-omics analysis reveals cooperative transcription factors for gene regulation in oligodendrocytes 2024-Jun-21, bioRxiv : the preprint server for biology DOI:10.1101/2024.06.19.599799 PMID:38948852	研究论文	本文通过单细胞多组学分析揭示了少突胶质细胞中转录因子的协同作用对基因调控的影响	整合了scRNA-seq和scATAC-seq数据，使用深度学习模型预测目标基因表达，并计算了TF重要性和TF-TF相互作用分数	研究主要基于计算模型预测，部分结果需要实验验证	探究少突胶质细胞中转录因子如何协同调控基因表达	少突胶质细胞	生物信息学	脑部疾病	scRNA-seq, scATAC-seq, 深度学习模型, ChIP-seq	深度学习模型	单细胞RNA测序数据, 单细胞ATAC测序数据	NA
7071	2025-02-08	Demographic bias in misdiagnosis by computational pathology models 2024-Apr, Nature medicine IF:58.7Q1 DOI:10.1038/s41591-024-02885-z PMID:38641744	研究论文	本文探讨了基于深度学习的计算病理学系统在诊断过程中忽视人口统计学因素影响的问题，并展示了这些系统在不同人口群体中的性能差异	揭示了计算病理学模型在不同人口群体中的性能差异，并展示了自监督视觉基础模型在减少这些差异方面的潜力	自监督视觉基础模型未能完全消除性能差异，表明在计算病理学中仍需进一步努力进行偏差缓解	研究计算病理学模型在不同人口群体中的性能差异及其影响因素	乳腺癌和肺癌的亚型分类以及胶质瘤中IDH1突变的预测	数字病理学	肺癌, 乳腺癌, 胶质瘤	自监督视觉基础模型	深度学习模型	全切片图像	来自The Cancer Genome Atlas和EBRAINS脑肿瘤图谱的公开数据以及内部患者数据
7072	2025-02-08	Deep learning to decode sites of RNA translation in normal and cancerous tissues 2024-Mar-25, bioRxiv : the preprint server for biology DOI:10.1101/2024.03.21.586110 PMID:38585907	研究论文	本文开发了基于Transformer模型的RiboTIE方法，用于全局RNA翻译的映射，并在正常脑组织和髓母细胞瘤样本中应用，揭示了疾病对RNA翻译的调控	开发了RiboTIE这一基于Transformer模型的新方法，提供了前所未有的精确度和灵敏度来解析RNA翻译	NA	解析RNA翻译在正常和癌变组织中的变化	正常脑组织和髓母细胞瘤样本	自然语言处理	髓母细胞瘤	核糖体分析数据	Transformer	RNA翻译数据	正常脑组织和髓母细胞瘤样本
7073	2025-02-08	Classification of Schizophrenia, Bipolar Disorder and Major Depressive Disorder with Comorbid Traits and Deep Learning Algorithms 2024-Mar-07, Research square DOI:10.21203/rs.3.rs-4001384/v1 PMID:38496574	研究论文	本研究利用多基因风险评分（PRSs）和深度神经网络（DNN）架构，对精神分裂症（SCZ）、双相情感障碍（BIP）和重度抑郁症（MDD）进行分类和区分	研究发现，仅使用35种共病特征的PRSs即可对SCZ进行分类，且不包含目标SCZ和直接相关特征，准确率达到0.760 ± 0.007，AUC为0.843 ± 0.005	研究中未明确提及模型的泛化能力和在实际临床环境中的应用效果	探索共病特征的共享遗传责任是否可用于精神分裂症、双相情感障碍和重度抑郁症的分类和区分	精神分裂症（SCZ）、双相情感障碍（BIP）和重度抑郁症（MDD）患者及健康对照组	机器学习	精神疾病	多基因风险评分（PRSs）和深度神经网络（DNN）	DNN	基因数据	SCZ病例6,317例，对照7,240例；BIP病例2,634例，对照4,425例；MDD病例1,704例，对照3,357例
7074	2025-02-08	3D Convolutional Deep Learning for Nonlinear Estimation of Body Composition from Whole-Body Morphology 2024-Feb-13, Research square DOI:10.21203/rs.3.rs-3935042/v1 PMID:38410459	研究论文	本文探讨了使用非线性参数化和回归模型替代线性模型，以提高从3D光学扫描中估计全身和区域体成分的精度和准确性	首次将深度3D卷积图网络应用于人体成分建模，使用图卷积3D自编码器（3DAE）替代线性PCA，并采用非线性高斯过程回归（GPR）进行预测	深度形状特征仅提高了男性体成分的准确性，而对女性的准确性提升不明显	提高从3D光学扫描中估计全身和区域体成分的精度和准确性	人体体成分	计算机视觉	NA	3D光学扫描，双能X射线吸收法（DXA）	图卷积3D自编码器（3DAE），高斯过程回归（GPR）	3D光学扫描数据	4286个拓扑标准化的3D光学扫描，来自四个不同的人体形状数据库（DFAUST, CAESAR, Shape Up! Adults, Shape Up! Kids），测试集包含424个随机保留的测试网格
7075	2025-02-08	Robust single-shot 3D fluorescence imaging in scattering media with a simulator-trained neural network 2024-Feb-12, Optics express IF:3.2Q2 DOI:10.1364/OE.514072 PMID:38439332	研究论文	本文开发了一种基于模拟器训练的深度神经网络，用于在散射介质中进行单次3D荧光成像	提出了一种新的散射模拟器，并训练了一个仅使用合成数据的深度神经网络，用于从单次光场测量中去除散射并重建3D体积	深度学习模型对真实实验数据的泛化能力受到网络设计因素和分布外数据的影响	解决散射介质中的3D荧光成像问题，提高成像深度和信号背景比	散射介质中的荧光成像	计算机视觉	NA	光场系统	深度神经网络	图像	不同散射条件下的散射体模
7076	2025-02-08	Automated karyogram analysis for early detection of genetic and neurodegenerative disorders: a hybrid machine learning approach 2024, Frontiers in computational neuroscience IF:2.1Q3 DOI:10.3389/fncom.2024.1525895 PMID:39911161	研究论文	本文提出了一种结合无监督和监督学习的混合机器学习方法，用于自动化核型分析，以早期检测遗传和神经退行性疾病	提出了一种新的混合方法，结合了无监督和监督学习技术，以克服染色体分析中标记数据有限和可扩展性的挑战	缺乏异常数据集，限制了深度学习模型的泛化能力	开发自动化核型分析模型，以早期检测和诊断染色体相关疾病	染色体图像	数字病理学	遗传疾病和神经退行性疾病	Autoencoder和CNN	混合模型（Autoencoder + CNN）	图像	234,259张染色体图像
7077	2025-02-08	Proximity-based solutions for optimizing autism spectrum disorder treatment: integrating clinical and process data for personalized care 2024, Frontiers in psychiatry IF:3.2Q2 DOI:10.3389/fpsyt.2024.1512818 PMID:39911557	研究论文	本文探讨了利用人工智能（AI），特别是机器学习和深度学习，来改善自闭症谱系障碍（ASD）的诊断和治疗	通过集成临床和过程数据，创建了一个中央数据枢纽（MDP），利用AI算法识别ASD风险因素、个性化治疗计划，并预测潜在复发，同时引入患者面向的聊天机器人提供信息和支持	未提及具体的数据集大小或实验验证结果，可能缺乏对算法性能的详细评估	改善自闭症谱系障碍的诊断和治疗，优化整个护理过程	自闭症谱系障碍患者	机器学习	自闭症谱系障碍	机器学习和深度学习	NA	临床和过程数据	NA
7078	2025-02-08	Accurate LAI estimation of soybean plants in the field using deep learning and clustering algorithms 2024, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2024.1501612 PMID:39911650	研究论文	本文提出了一种基于深度学习和聚类算法的高通量3D点云数据处理流程，用于分割田间大豆植株并估算其叶面积指数（LAI）	结合PointNet++模型和Watershed算法，提高了大豆植株分割的准确性，并利用机器学习方法估算LAI，显著提升了高通量植物表型数据的提取效率	研究仅针对大豆植株，未涉及其他作物或复杂环境下的应用验证	开发一种高效、非破坏性的方法来估算田间大豆植株的叶面积指数（LAI）	田间大豆植株	计算机视觉	NA	LiDAR、PointNet++、Watershed算法、k-means聚类、SVM、RF、XGBoost	PointNet++、SVM、RF、XGBoost	3D点云数据	未明确说明样本数量，但研究基于田间大豆植株
7079	2025-02-08	YOLOv8s-Longan: a lightweight detection method for the longan fruit-picking UAV 2024, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2024.1518294 PMID:39911656	研究论文	本文提出了一种名为YOLOv8s-Longan的轻量级深度学习算法，用于提高果实采摘无人机的检测精度并减少模型参数数量	设计了Average和Max pooling attention (AMA)注意力模块，并将其集成到DenseAMA和C2f-Faster-AMA模块中，以提高网络的轻量化和泛化性能；设计了跨阶段局部网络结构VOVGSCSPC模块，通过多尺度特征融合提高模型的感知和表达能力；提出了新的Inner-SIoU损失函数作为目标边界框的损失函数	NA	设计一种快速准确的检测算法，以满足果实采摘无人机在复杂背景下的高精度和快速检测需求	龙眼果实	计算机视觉	NA	深度学习	YOLOv8s-Longan	图像	NA
7080	2025-02-07	FedPD: Defending federated prototype learning against backdoor attacks 2025-Apr, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2024.107016 PMID:39708704	研究论文	本文提出了一种名为FedPD的框架，旨在防御联邦学习中的后门攻击	FedPD框架通过交换原型而非模型参数，有效防止恶意客户端在联邦学习训练中植入后门通道，显著减少通信开销	现有防御方法在训练或测试阶段需要大量计算和通信开销，限制了其在资源受限场景中的实用性，且不适用于一般联邦学习场景中的非独立同分布数据	防御联邦学习中的后门攻击	联邦学习中的客户端和服务器	机器学习	NA	联邦学习	深度学习模型	NA	NA