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
61	2025-07-20	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	research paper	该研究提出了一种名为CATH-ddG的新方法，用于预测蛋白质-蛋白质相互作用中突变效应，通过结合蛋白质3D结构和CATH同源超家族信息来提高预测的鲁棒性	引入基于CATH同源超家族的新训练/测试分割以减少数据泄露，采用混合噪声策略进行数据增强，并提出几何编码器场景CATH-ddG来表示突变微环境差异	深度学习模型可能因潜在的数据泄露而高估性能，且在处理硬突变（最大TM-score<0.6）时仍存在挑战	开发更稳健的突变效应预测方法以支持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（CATH-ddG），ESM2微调	蛋白质3D结构数据，序列数据	419种人类表皮生长因子受体2（HER2）抗体变体和285种SARS-CoV-2受体结合域（RBD）变体
62	2025-07-20	GASTON-Mix: a unified model of spatial gradients and domains using spatial mixture-of-experts 2025-Jul-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf254 PMID:40662777	研究论文	介绍了一种名为GASTON-Mix的机器学习算法，用于从空间分辨转录组学数据中识别空间域和每个域内的空间梯度	将混合专家（MoE）深度学习框架扩展为空间MoE模型，结合聚类组件与神经场模型，能够表示组织中任何几何排列的空间域，并在每个域内定义基因表达的连续梯度	未明确提及具体限制，但暗示现有方法对空间域和空间梯度的几何假设限制较多，可能不适用于所有复杂组织	开发一种能够同时识别空间域和空间梯度的计算方法，以更准确地量化基因表达的空间变异	空间分辨转录组学（SRT）数据	机器学习	NA	空间分辨转录组学（SRT）	混合专家（MoE）深度学习框架，神经场模型	基因表达数据	NA
63	2025-07-20	Top-DTI: integrating topological deep learning and large language models for drug-target interaction prediction 2025-Jul-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf183 PMID:40662785	研究论文	提出了一种结合拓扑深度学习和大型语言模型的药物-靶点相互作用预测框架Top-DTI	整合拓扑数据分析和大型语言模型，利用持久同源性提取蛋白质接触图和药物分子图像的拓扑特征，同时通过LLM生成蛋白质序列和药物SMILES字符串的语义丰富嵌入	未提及具体局限性	提高药物-靶点相互作用预测的准确性和鲁棒性	药物和靶点蛋白质	机器学习	NA	拓扑数据分析(TDA)、大型语言模型(LLMs)	Top-DTI	蛋白质接触图、药物分子图像、蛋白质序列、药物SMILES字符串	公共BioSNAP和Human DTI基准数据集
64	2025-07-20	Understanding the sources of performance in deep drug response models reveals insights and improvements 2025-Jul-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf255 PMID:40662789	research paper	本文探讨了深度药物反应模型的性能来源，并提出了改进方法	揭示了药物反应预测模型中性能提升的真正来源，并提出了新的二进制药物反应预测模型BinaryET和BinaryCB	现有模型的性能很大程度上依赖于训练目标值，且药物特征在性能提升中未发挥作用	改进抗癌药物反应预测模型的性能	抗癌药物反应预测模型	machine learning	cancer	deep learning	transformer	omics profiles, chemical structures	NA
65	2025-07-20	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	提出了一种名为HIG-Syn的超图和交互感知多粒度网络模型，用于预测药物组合的协同作用	整合了粗粒度和细粒度模块，利用超图捕获全局特征，并通过交互感知注意力模拟生物过程	模型在实际应用中的准确性仍需提高，且部分方法可能忽略了模型的生物学意义	开发深度学习方法来预测药物协同组合	药物组合	机器学习	NA	深度学习	HIG-Syn (超图和交互感知多粒度网络)	药物组合数据	从DrugComb和GDSC2数据库中提取的验证数据集
66	2025-07-20	GRACKLE: an interpretable matrix factorization approach for biomedical representation learning 2025-Jul-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf213 PMID:40662804	研究论文	提出了一种名为GRACKLE的新型非负矩阵分解方法，用于生物医学表示学习，能够整合样本相似性和基因相似性矩阵	GRACKLE方法首次联合考虑了分子相互作用的先验知识和样本标签，增强了生物解释性并解决了小样本问题	未明确提及方法在更广泛疾病类型或更大规模数据集上的适用性	开发一种能够识别疾病特异性基因特征的生物医学表示学习方法	基因表达数据和样本数据	生物医学研究	乳腺癌,唐氏综合征	非负矩阵分解(NMF)	GRACKLE	基因表达数据	未明确提及具体样本数量
67	2025-07-20	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	research paper	提出了一种名为GPO-VAE的可解释变分自编码器，通过基因调控网络（GRN）对齐的参数优化来建模基因扰动响应	GPO-VAE通过优化与潜在扰动效应相关的可学习参数，使其与GRN对齐，从而提高了模型的可解释性和性能	未提及具体的数据集规模或实验条件的限制	预测细胞对基因扰动的响应，并提高模型的可解释性	基因调控网络（GRN）和基因扰动响应	machine learning	NA	VAE（变分自编码器）	GPO-VAE	基因表达数据	NA
68	2025-07-20	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	research paper	该研究探讨了基于序列的蛋白质-蛋白质相互作用（PPI）预测的深度学习模型性能，发现所有模型在准确率上均达到0.65的瓶颈	揭示了ESM-2蛋白嵌入对性能提升的关键作用，并发现模型无法隐式学习接触图作为中间层	序列基础模型在PPI预测上存在性能瓶颈，可能需要结合结构等其他输入类型以提高预测可靠性	评估和改进基于序列的蛋白质-蛋白质相互作用预测方法	蛋白质-蛋白质相互作用（PPI）	machine learning	NA	ESM-2蛋白嵌入	深度学习模型（未指定具体架构）	蛋白质序列数据	NA
69	2025-07-20	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	介绍了一种名为VenusREM的检索增强蛋白质语言模型，用于预测突变效应，并在酶工程中验证其性能	VenusREM模型能够在空间和时间尺度上捕捉局部氨基酸相互作用，并在ProteinGym基准测试中达到最先进性能	仅对30多个突变体进行了低通量事后分析，样本量相对较小	开发一种高性能的计算工具，用于预测突变效应并优化酶的性能	蛋白质序列、结构和功能之间的关系，特别是VHH抗体和DNA聚合酶的突变体	机器学习	NA	深度学习，湿实验验证	检索增强蛋白质语言模型	蛋白质序列数据	217个ProteinGym基准测试，30多个突变体，10个DNA聚合酶新突变体
70	2025-07-20	Soffritto: a deep learning model for predicting high-resolution replication timing 2025-Jul-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf231 PMID:40662815	研究论文	开发了一个名为Soffritto的深度学习模型，用于预测高分辨率的DNA复制时序	利用两分法RT数据、组蛋白ChIP-seq数据、GC含量和基因密度作为输入，预测高分辨率RT数据，解决了高分辨率Repli-Seq成本高且技术挑战大的问题	高分辨率Repli-Seq数据目前非常有限，可能影响模型的泛化能力	预测高分辨率的DNA复制时序，以更好地理解其在转录、分化和疾病中的作用	人类和小鼠的五个细胞系	机器学习	NA	Repli-Seq, ChIP-seq, DNA测序	LSTM, 全连接层	基因组数据	五个人类和小鼠细胞系
71	2025-07-20	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的深度学习模型TCR-epiDiff，用于生成特定于表位的TCR序列并预测TCR与表位的结合	结合ProtT5-XL嵌入表位信息，并利用去噪扩散概率模型生成序列，同时开发了TCR-表位结合预测器	未提及模型在更大规模数据集上的泛化能力或计算效率的具体限制	解决TCR生成和结合预测的双重挑战，以促进疫苗和免疫疗法的设计	T细胞受体（TCRs）及其与表位的结合	机器学习	NA	深度学习、扩散模型	去噪扩散概率模型、ProtT5-XL	序列数据	未明确提及具体样本量，但使用了外部验证数据集
72	2025-07-20	Accurate PROTAC-targeted degradation prediction with DegradeMaster 2025-Jul-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf191 PMID:40662822	研究论文	本文提出了一种名为DegradeMaster的半监督E(3)-等变图神经网络预测器，用于预测PROTACs的靶向降解能力	DegradeMaster利用E(3)-等变图编码器将3D几何约束纳入分子表示，并采用基于记忆的伪标签策略在训练过程中丰富标注数据，同时设计了互注意力池化模块以实现可解释的图表示	NA	开发更准确的计算方法来预测PROTACs的靶向蛋白降解能力，以加速药物发现	PROTACs（蛋白降解靶向嵌合体）	机器学习	NA	E(3)-等变图神经网络	GNN（图神经网络）	3D分子图数据	NA
73	2025-07-20	DivPro: diverse protein sequence design with direct structure recovery guidance 2025-Jul-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf258 PMID:40662823	研究论文	介绍了一种名为DivPro的模型，用于设计能够折叠成相似结构的多样化蛋白质序列	DivPro通过学习概率序列空间而非固定序列表示，提高了序列多样性，并结合蛋白质结构预测结果作为训练指导	在处理远程同源蛋白质时，现有方法的局限性更为明显	提高蛋白质序列设计的多样性，同时保持结构恢复的高准确性	蛋白质序列和结构	生物信息学	NA	深度学习，蛋白质结构预测	DivPro	蛋白质序列和结构数据	三个序列设计基准测试
74	2025-07-20	OrgNet: orientation-gnostic protein stability assessment using convolutional neural networks 2025-Jul-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf252 PMID:40662839	研究论文	介绍了一种名为OrgNet的新型深度学习模型，用于预测点突变对蛋白质热稳定性的影响	OrgNet通过3D卷积神经网络和空间变换技术，解决了现有模型中存在的方向偏差问题，实现了对蛋白质热稳定性变化的高精度预测	未提及具体的数据集大小限制或模型在其他类型蛋白质上的泛化能力	准确预测单点突变对蛋白质稳定性的影响，以阐明疾病的分子机制并推动蛋白质工程技术发展	蛋白质结构和点突变	机器学习	NA	3D卷积神经网络	CNN	蛋白质结构数据（体素网格）	在Ssym和S669等基准数据集上进行了评估
75	2025-07-20	Harnessing deep learning for proteome-scale detection of amyloid signaling motifs 2025-Jul-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf200 PMID:40662825	研究论文	本研究开发了基于双向LSTM和BERT的深度学习模型，用于检测淀粉样信号基序（ASMs）	开发了定制化的双向LSTM和BERT架构，用于建模ASMs，并在大规模数据集中检测ASMs，包括新发现的基序	ASMs的广泛多样性可能影响模型在未知家族中的检测效果	开发能够在大规模蛋白质数据库中检测淀粉样信号基序的判别模型	淀粉样信号基序（ASMs）	机器学习	NA	深度学习	双向LSTM, BERT	蛋白质序列数据	多样化的基序家族和全局负样本集
76	2025-07-20	Super-resolution CBCT on a new generation flat panel imager of a C-arm gantry linear accelerator 2025-Jul, Medical physics IF:3.2Q1 DOI:10.1002/mp.18000 PMID:40665524	研究论文	本研究评估了基于条件生成对抗网络（cGANs）的深度学习超分辨率（SR）模型在投影域增强CBCT图像分辨率的可行性	提出了一种在投影域而非图像域进行超分辨率处理的新方法，能有效恢复因探测器binning操作导致的分辨率损失	研究主要使用体模数据，尚未在真实患者数据上验证	提高C型臂直线加速器新型平板探测器获取的CBCT图像分辨率	Varian TrueBeam LINAC配备的RTI4343iL平板探测器获取的CBCT投影数据	医学影像处理	NA	深度学习超分辨率技术	cGANs（条件生成对抗网络）框架下的U-Net生成器	CBCT投影图像	576对CBCT投影数据（460对训练，116对验证）和144个动态胸部投影数据
77	2025-07-20	The impact of uncertainty estimation on radiomic segmentation reproducibility and scan-rescan repeatability in kidney MRI 2025-Jul, Medical physics IF:3.2Q1 DOI:10.1002/mp.17995 PMID:40665574	研究论文	本研究探讨了在肾脏MRI中，通过考虑分割不确定性来提高放射组学特征的再现性和重复性，并评估了基于不确定性信息的分割是否能改善健康与病理受试者的分类	首次将不确定性量化整合到基于深度学习的放射组学分割中，以提高特征的稳健性和分类性能	不同方法和受试者群体中，关于分割变异性的再现性改进并不一致	提高放射组学分析在分割和扫描-重扫描变异性中的稳健性，并改善病理与健康受试者的分类能力	慢性肾脏病（CKD）患者和健康对照（HC）的肾脏MRI数据	数字病理	慢性肾脏病	MRI	U-Net, Monte Carlo dropout (MCD), test-time augmentation (TTA)	图像	公开可用的肾脏MRI数据集，包含CKD患者和健康对照
78	2025-07-20	Joint enhancement of automatic chest x-ray diagnosis and radiological gaze prediction with multistage cooperative learning 2025-Jul, Medical physics IF:3.2Q1 DOI:10.1002/mp.17977 PMID:40665596	research paper	提出一种新型深度学习框架，用于联合胸部X光扫描的疾病诊断和放射科医生凝视显著性图预测	引入双编码器多任务UNet架构，结合DenseNet201和残差与Squeeze-and-Excitation块编码器，提出多阶段协作学习策略和对比学习特征编码预训练	未明确说明模型在多样化数据集上的泛化能力及临床部署的可行性	提升自动放射诊断质量并预测放射科医生凝视模式	胸部X光扫描图像及对应放射科医生眼动数据	digital pathology	lung cancer	deep learning	dual-encoder multitask UNet (DenseNet201 + Residual and Squeeze-and-Excitation blocks)	medical images (chest X-ray) + eye gaze tracking data	NA
79	2025-07-20	EUP: Enhanced cross-species prediction of ubiquitination sites via a conditional variational autoencoder network based on ESM2 2025-Jul, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1013268 PMID:40668800	research paper	该论文介绍了一个名为EUP的在线网络服务器，用于多物种泛素化位点预测和模型解释	利用预训练语言模型ESM2提取赖氨酸位点依赖特征，并通过条件变分推断降低特征维度，提高了跨物种泛素化位点预测的性能和解释性	未提及具体的数据集大小或模型在极端情况下的表现	提高跨物种泛素化位点预测的准确性和解释性	动物、植物和微生物中的泛素化位点	machine learning	NA	conditional variational autoencoder	ESM2	protein sequences	NA
80	2025-07-20	Prognostic Value of Deep Learning-Extracted Tumor-Infiltrating Lymphocytes in Esophageal Cancer: A Multicenter Retrospective Cohort Study 2025-Jul, Cancer medicine IF:2.9Q2 DOI:10.1002/cam4.71054 PMID:40673386	研究论文	本研究利用深度学习方法评估食管鳞状细胞癌（ESCC）中肿瘤浸润淋巴细胞（TILs）的预后价值	首次使用深度学习方法定量分析ESCC中TILs的分布，并确定其作为独立预后因素的价值	研究为回顾性设计，且未深入分析淋巴细胞亚群的空间信息	评估TILs在ESCC中的预后潜力	626例经病理确诊的ESCC患者	数字病理学	食管癌	全切片数字成像（WSI）和深度学习	DL（深度学习）	图像	626例ESCC患者的WSI和临床信息