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 43064 篇文献，本页显示第 8121 - 8140 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 8121 | 2025-12-30 |
A Survey of Deep Learning Methods and Tools for Protein Binding Site Prediction
2025, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-4662-5_5
PMID:40728609
|
综述 | 本文全面回顾了用于蛋白质结合位点预测的深度学习方法和工具 | 系统性地汇编和评估了最新的深度学习模型、数据资源和评估指标，为研究人员提供了全面的指南 | NA | 促进AI驱动的蛋白质结合位点预测研究 | 蛋白质结合位点 | 机器学习 | NA | 深度学习 | CNN, GNN | 蛋白质结构数据 | NA | NA | 卷积神经网络, 图神经网络 | NA | NA |
| 8122 | 2025-12-30 |
Annotating genomes with DeepGO protein function prediction tools
2025, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-4662-5_10
PMID:40728614
|
综述 | 本章探讨了DeepGO蛋白质功能预测工具套件的演变及其在基因组注释中的应用 | 介绍了DeepGO系列工具的关键进展，特别是最新模型DeepGO-SE在预测蛋白质功能方面的效率和准确性 | NA | 为研究人员提供使用深度学习功能预测方法增强基因组分析的指南 | 蛋白质功能预测工具及其在基因组注释中的应用 | 机器学习 | NA | 深度学习 | NA | 基因组数据 | NA | NA | DeepGO, DeepGO-SE | 效率, 准确性 | NA |
| 8123 | 2025-12-30 |
A Benchmarking Platform for Assessing Protein Language Models on Function-Related Prediction Tasks
2025, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-4662-5_14
PMID:40728618
|
研究论文 | 介绍了一个用于评估蛋白质语言模型在功能相关预测任务上性能的基准测试平台PROBE | 开发了首个综合性的蛋白质表示基准测试框架PROBE，支持评估包括多模态PLM在内的多种模型，并提供了用户友好的Web服务 | NA | 评估和比较不同蛋白质表示方法（包括经典方法和蛋白质语言模型）在功能预测任务上的性能 | 蛋白质序列、结构和功能 | 自然语言处理 | NA | 蛋白质语言模型 | PLM | 序列数据, 结构数据 | NA | NA | ESM2, ESM3, ProstT5, SaProt | NA | NA |
| 8124 | 2025-12-30 |
Intelligent glucose management in hospitalized patients: Short-term glucose and adverse events prediction
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0339360
PMID:41452855
|
研究论文 | 本研究提出了一种基于堆叠注意力门控循环单元（SA-GRU）的深度学习模型，用于预测住院患者的短期血糖水平和不良事件 | 首次将堆叠注意力门控循环单元（SA-GRU）网络应用于住院患者血糖管理和不良事件预测，实现了从回顾性干预到前瞻性预测的转变 | 研究仅针对2型糖尿病患者，样本量相对有限（196例），未涵盖其他类型糖尿病或更广泛的住院人群 | 开发智能血糖管理系统，帮助临床医生提前预测住院患者的血糖水平和潜在不良事件，以支持临床决策 | 住院的2型糖尿病患者 | 机器学习 | 糖尿病 | 连续血糖监测（CGM） | 深度学习, SA-GRU | 时间序列数据（血糖监测数据） | 196名住院2型糖尿病患者，另加一个公开可用的2型糖尿病数据集 | NA | 堆叠注意力门控循环单元（SA-GRU） | 均方根误差（RMSE）, 平均绝对相对差异（MARD）, 分类准确率 | NA |
| 8125 | 2025-12-28 |
Retraction: Can artificial intelligence and face recognition using deep learning detect emotions in children with autism?
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0340338
PMID:41452923
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8126 | 2025-12-28 |
Retraction: A deep learning-based ensemble for autism spectrum disorder diagnosis using facial images
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0340328
PMID:41452920
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8127 | 2024-10-09 |
Correction to: Growing ecosystem of deep learning methods for modeling protein-protein interactions
2024-Jan-29, Protein engineering, design & selection : PEDS
DOI:10.1093/protein/gzae016
PMID:39377372
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8128 | 2025-12-30 |
Deep Learning to Optimize Magnetic Resonance Imaging Prediction of Motor Outcomes After Hypoxic-Ischemic Encephalopathy
2023-12, Pediatric neurology
IF:3.2Q1
|
研究论文 | 本研究利用深度学习优化磁共振成像预测缺氧缺血性脑病后的运动结局 | 采用梯度提升深度学习模型，通过特征选择将预测模型从48个特征简化为仅3个关键特征，提高了预测准确性 | 样本量相对较小（117名婴儿），且研究仅针对足月或近足月婴儿，可能限制了结果的普适性 | 优化磁共振成像对缺氧缺血性脑病后运动不良结局的预测 | 孕周≥36周、接受治疗性低温治疗的中重度缺氧缺血性脑病婴儿 | 医学影像分析 | 缺氧缺血性脑病 | 磁共振成像（T1/T2/扩散加权成像） | 梯度提升深度学习 | 图像, 临床数据 | 117名婴儿 | NA | NA | 准确率, 受试者工作特征曲线下面积 | NA |
| 8129 | 2025-12-30 |
Attention-based deep clustering method for scRNA-seq cell type identification
2023-11, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1011641
PMID:37948464
|
研究论文 | 提出了一种名为AttentionAE-sc的新型单细胞RNA测序数据聚类方法，通过注意力机制融合两种不同的聚类策略，以解决数据稀疏性和高维度的挑战 | 首次结合了基于零膨胀负二项分布的方法和图自编码器方法，通过注意力机制迭代融合去噪和拓扑嵌入，自动学习聚类友好的细胞表示，无需指定聚类数量 | 未明确说明方法在超大规模数据集上的计算效率，也未讨论对特定生物背景或技术噪声的适应性 | 开发一种无监督的深度学习方法，用于单细胞RNA测序数据的细胞类型识别 | 单细胞RNA测序数据 | 机器学习 | 乳腺癌 | 单细胞RNA测序 | 自编码器, 图自编码器 | 基因表达数据 | 16个真实scRNA-seq数据集及一个乳腺癌单细胞图谱数据集 | NA | AttentionAE-sc（注意力融合自编码器） | 聚类性能, 稳定性, 鲁棒性 | NA |
| 8130 | 2025-12-30 |
A general hypergraph learning algorithm for drug multi-task predictions in micro-to-macro biomedical networks
2023-11, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1011597
PMID:37956212
|
研究论文 | 本研究提出了一种通用的超图学习框架HGDrug，用于药物多任务预测，通过构建微到宏的药物中心异质网络并整合药物-子结构关系，在多个基准任务上实现了高精度和鲁棒性预测 | 引入药物-子结构关系到分子相互作用网络中，构建微到宏的药物中心异质网络，并开发多分支超图学习模型HGDrug，以处理化学结构和高阶关系，这在当前生物医学网络中尚未充分解决 | 未明确说明模型在处理更大规模网络或更复杂任务时的可扩展性，以及在实际药物发现应用中的验证程度 | 加速药物发现过程，通过结合大规模药物相关相互作用网络和深度学习技术 | 药物及其相互作用，包括药物-药物、药物-靶点、药物-疾病和药物-副作用交互 | 机器学习 | NA | 超图学习 | 超图学习模型 | 网络数据 | NA | NA | HGDrug | 准确性, 鲁棒性 | NA |
| 8131 | 2025-12-30 |
FUN-PROSE: A deep learning approach to predict condition-specific gene expression in fungi
2023-11, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1011563
PMID:37971967
|
研究论文 | 本文提出了一种名为FUN-PROSE的深度学习模型，用于预测真菌在不同环境条件下的基因表达差异 | 该模型首次结合启动子序列和所有转录因子的表达水平来预测条件特异性基因表达，而非仅基于启动子序列预测平均表达水平 | 模型仅在三种真菌物种上进行了训练和测试，可能无法泛化到其他物种或更广泛的条件 | 研究旨在通过深度学习预测真菌在特定环境条件下的基因表达，以支持代谢工程和工业规模化生产 | 三种真菌物种的基因表达数据，包括启动子序列和转录因子表达水平 | 机器学习 | NA | 深度学习 | 深度学习模型 | 序列数据（启动子序列）和表达数据（转录因子表达水平） | 三种真菌物种的数据集 | NA | FUN-PROSE | 相关性（高达0.85） | NA |
| 8132 | 2025-12-30 |
Neural network models for sequence-based TCR and HLA association prediction
2023-11, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1011664
PMID:37983288
|
研究论文 | 本文提出了一种基于神经网络的深度学习方法DePTH，用于预测T细胞受体（TCR）与人类白细胞抗原（HLA）之间的关联，基于它们的氨基酸序列 | DePTH方法能够预测训练数据集中未出现的TCR和HLA之间的关联，并能量化HLA等位基因之间的功能相似性，这与癌症患者免疫检查点阻断治疗的生存结果相关 | 未在摘要中明确提及 | 预测TCR与HLA之间的关联，以挖掘TCR数据中的有用信息或生物标志物，用于免疫相关疾病或状况 | T细胞受体（TCR）和人类白细胞抗原（HLA）的氨基酸序列 | 机器学习 | 癌症 | 氨基酸序列分析 | 神经网络 | 序列数据（氨基酸序列） | NA | NA | NA | NA | NA |
| 8133 | 2025-12-30 |
Natural variability in bee brain size and symmetry revealed by micro-CT imaging and deep learning
2023-10, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1011529
PMID:37782674
|
研究论文 | 本研究利用显微CT成像和深度学习技术，对蜜蜂和大黄蜂的大脑进行自动化三维图像分析，揭示了脑部大小和对称性的自然变异 | 首次将显微CT成像与深度学习结合，实现蜜蜂大脑三维形态的自动化、高通量分析，克服了传统手动分析的限制 | 研究样本主要集中于蜜蜂和大黄蜂，尚未扩展到更广泛的动物范围 | 探究昆虫大脑形态的自然变异及其与行为、生态和进化的关系 | 蜜蜂和大黄蜂的大脑 | 计算机视觉 | NA | 显微CT成像 | 深度学习 | 三维图像 | 187个蜜蜂和大黄蜂大脑样本 | NA | NA | NA | NA |
| 8134 | 2025-12-30 |
Recognition and reconstruction of cell differentiation patterns with deep learning
2023-10, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1011582
PMID:37889897
|
研究论文 | 本文结合深度学习与数学模型，识别并重建小鼠胚胎干细胞类器官中的细胞命运模式 | 将数学模型生成的合成数据与空间汇总统计及深度学习算法结合，用于细胞命运模式的识别与重建，并开发了图神经网络和多层感知器来预测细胞命运 | 未明确提及实验验证的局限性或模型在更广泛生物系统中的泛化能力 | 研究细胞命运模式与潜在机制之间的联系 | 小鼠胚胎干细胞类器官中的细胞分化模式 | 机器学习 | NA | 数学模型、空间汇总统计 | 图神经网络、多层感知器 | 合成数据、体外数据 | NA | NA | 图神经网络、多层感知器 | 准确率 | NA |
| 8135 | 2025-12-30 |
Neural Network Models for Sequence-Based TCR and HLA Association Prediction
2023-May-26, bioRxiv : the preprint server for biology
DOI:10.1101/2023.05.25.542327
PMID:37293077
|
研究论文 | 本文提出了一种名为DePTH的神经网络方法，用于基于氨基酸序列预测T细胞受体与人类白细胞抗原的关联 | 开发了首个基于深度学习的TCR-HLA关联预测模型，并利用该模型量化HLA等位基因的功能相似性，揭示了其与癌症患者免疫检查点阻断治疗生存结局的关联 | 未明确提及模型在独立验证集上的泛化能力或数据偏差问题 | 预测T细胞受体与人类白细胞抗原之间的关联，以深入理解免疫识别机制 | T细胞受体的氨基酸序列和人类白细胞抗原的氨基酸序列 | 机器学习 | 癌症 | NA | 神经网络 | 序列数据（氨基酸序列） | NA | NA | NA | NA | NA |
| 8136 | 2025-12-30 |
Growing ecosystem of deep learning methods for modeling protein-protein interactions
2023-01-21, Protein engineering, design & selection : PEDS
DOI:10.1093/protein/gzad023
PMID:38102755
|
综述 | 本文综述了用于蛋白质-蛋白质相互作用建模的深度学习方法的生态系统，讨论了其多样性、权衡、最新成功案例以及未来挑战 | 系统性地梳理了生物物理知识驱动的深度学习模型在蛋白质相互作用建模中的多样化应用，并比较了不同方法的权衡 | NA | 综述深度学习在蛋白质-蛋白质相互作用建模领域的方法、应用与挑战 | 蛋白质-蛋白质相互作用 | 计算生物学 | NA | 深度学习 | 表示学习, 几何深度学习, 生成模型 | 实验数据, 蛋白质结构数据 | NA | NA | NA | NA | NA |
| 8137 | 2025-12-29 |
Effective transfer of tumor annotations from hematoxylin and eosin to fluorescence images of breast and lung tissues
2026-Jan, Journal of biomedical optics
IF:3.0Q2
DOI:10.1117/1.JBO.31.1.016501
PMID:41451238
|
研究论文 | 本文提出了一种半自动方法，将病理学家标注的H&E图像中的肿瘤注释有效转移到荧光图像中，以支持深度学习模型开发 | 开发了一种结合非刚性图像配准、轮廓提取与细化的半自动注释转移方法，用于从H&E到荧光图像的准确标注迁移 | 该方法不适用于术中实时使用，仅用于辅助创建标注数据集；样本量相对较小（35个组织样本） | 开发一种半自动方法，实现从H&E图像到荧光图像的肿瘤注释准确转移，以促进深度学习模型的训练数据生成 | 乳腺癌和肺癌组织样本的H&E图像与MUSE荧光图像对 | 数字病理学 | 乳腺癌,肺癌 | 显微镜紫外表面激发成像 | CNN | 图像 | 35个乳腺癌和肺癌组织样本 | NA | NA | Dice系数,基于CNN的特征相似度,归一化Hausdorff距离 | NA |
| 8138 | 2025-12-29 |
Global and local information-based prostate image registration of prostate-specific membrane antigen PET/CT and enhanced MRI
2026-Jan, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70232
PMID:41454834
|
研究论文 | 本研究提出了一种基于全局和局部信息的深度学习网络GLNet，用于融合PSMA PET/CT和增强MRI图像，以提高前列腺癌的诊断准确性 | 提出了GLNet网络，该网络结合了语义门控卷积模块和基于U形通道的卷积长短期记忆网络，以整合PSMA PET/CT的功能语义特征和MRI的高分辨率软组织细节，从而同时利用全局腺体信息和局部肿瘤区域信息进行图像配准 | 研究样本量相对较小（77例临床病例），且依赖于临床活检验证，可能限制了模型的泛化能力 | 提高前列腺癌病灶的诊断准确性，通过精确融合PSMA PET/CT和增强MRI这两种互补的影像数据 | 前列腺癌患者的PSMA PET/CT和对比增强MRI图像 | 数字病理 | 前列腺癌 | PSMA PET/CT，对比增强MRI | 深度学习网络 | 医学影像（PET/CT，MRI） | 77例临床病例（经两位经验丰富的医师通过临床活检验证），数据增强后用于训练和验证244例，测试64例 | NA | U-CLSTM，包含语义门控卷积模块 | Dice相似系数，HD95，平均对称表面距离，负雅可比比例，精确率，召回率，F1分数 | NA |
| 8139 | 2025-12-29 |
Application of Noise2Inverse and adaptation (Noise2Phase) to single-mask x-ray phase contrast micro-computed tomography
2025-Dec-27, Journal of microscopy
IF:1.5Q3
DOI:10.1111/jmi.70056
PMID:41454755
|
研究论文 | 本文探讨了将深度学习去噪技术Noise2Inverse及其改进版本Noise2Phase应用于单掩模X射线相位对比显微CT中，以降低曝光时间需求 | 提出了Noise2Phase方法，该方法利用成像系统特性，无需按投影分割CT数据集，从而优化了去噪流程 | 未明确说明方法在极端噪声水平下的具体性能限制或适用范围 | 旨在通过集成深度学习去噪技术，减少单掩模边缘照明XPCI显微CT的曝光时间，提高成像效率 | 弱衰减材料样本的3D成像 | 计算机视觉 | NA | 单掩模边缘照明X射线相位对比成像，显微CT | 深度学习 | 图像 | NA | NA | Noise2Inverse, Noise2Phase | NA | NA |
| 8140 | 2025-12-29 |
Deep Learning-Based denoising improves myocardial late enhancement imaging with spectral photon-counting CT
2025-Dec-26, Journal of cardiovascular computed tomography
IF:5.5Q1
DOI:10.1016/j.jcct.2025.12.002
PMID:41455687
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |