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
9121	2026-02-07	From traditional to AI-driven: The evolution of intelligent enzyme engineering for biocatalysis 2026 Mar-Apr, Biotechnology advances IF:12.1Q1 DOI:10.1016/j.biotechadv.2025.108788 PMID:41443357	综述	本文综述了酶工程从传统方法到AI驱动方法的演变，重点介绍了机器学习与深度学习在酶工程策略中的应用	总结了机器学习与深度学习在酶工程中的最新应用，并展望了未来多模态基础模型与标准化数据库的发展方向	存在力场精度限制、突变采样约束、实验通量限制以及上位效应等挑战	探讨酶工程的发展历程及其在生物催化中的应用，并分析AI技术如何提升酶工程效率	酶工程策略，包括定向进化、理性/半理性设计、残基共进化及从头设计	机器学习	NA	机器学习，深度学习	NA	序列数据，结构数据	NA	NA	NA	NA	NA
9122	2026-02-07	Geometric deep learning assists protein engineering. Opportunities and Challenges 2026 Mar-Apr, Biotechnology advances IF:12.1Q1 DOI:10.1016/j.biotechadv.2025.108790 PMID:41456696	综述	本文全面评述了几何深度学习在蛋白质工程中的应用、机遇与挑战	整合几何深度学习于蛋白质计算设计工作流，克服传统方法在序列空间探索和实验验证成本上的限制，强调其在可解释性和泛化性方面的增强	NA	为计算方法和实验蛋白质工程师提供指导，促进算法概念与实用设计考虑的结合	蛋白质工程	机器学习	NA	几何深度学习	NA	非欧几里得域数据（空间、拓扑、物理化学特征）	NA	NA	NA	NA	NA
9123	2026-02-07	Decoding polyphenol-protein interactions with deep learning: From molecular mechanisms to food applications 2026 Mar-Apr, Biotechnology advances IF:12.1Q1 DOI:10.1016/j.biotechadv.2026.108803 PMID:41544721	综述	本文探讨了深度学习如何重塑多酚-蛋白质相互作用的研究，从分子机制到食品应用	利用深度学习高效预测结合位点、相互作用亲和力和分子动力学，克服传统实验和计算方法的可扩展性、通量和可重复性限制	深度学习的有效性受限于数据可用性、质量和代表性，特别是在天然产物领域	研究深度学习在多酚-蛋白质相互作用分析中的应用，以加速营养科学和治疗开发	多酚和蛋白质及其相互作用	机器学习	NA	深度学习	NA	高维生物信息学和化学信息学数据	NA	NA	NA	NA	NA
9124	2026-02-07	A Comprehensive Survey on Evidential Deep Learning and its Applications 2026-Mar, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3625258 PMID:41134959	综述	本文全面综述了证据深度学习（EDL）的理论基础、最新进展及其在机器学习和下游任务中的广泛应用	提出了证据深度学习（EDL）这一新范式，能够在单次前向传播中以最小计算开销提供高质量的不确定性估计	NA	为读者提供对证据深度学习（EDL）领域的广泛介绍，无需先验知识	证据深度学习（EDL）的理论、方法及应用	机器学习	NA	NA	NA	NA	NA	NA	NA	NA	NA
9125	2026-02-07	HybridDeepSynergy: A hybrid deep learning model integrating CNN, LSTM, and attention mechanisms for cancer drug synergy prediction 2026-Feb-15, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2026.111471 PMID:41570613	研究论文	本文提出了一种名为HybridDeepSynergy的混合深度学习模型，通过整合CNN、LSTM和注意力机制来预测癌症药物协同作用	首次结合CNN、LSTM和Transformer注意力机制，构建混合深度学习模型用于药物协同预测，并引入多种协同评分模型进行综合评估	模型尚未在临床环境中验证，未来需要纳入更多癌症数据集以增强预测能力	优化癌症治疗策略，通过预测药物组合的协同作用来支持精准医疗	多种药物组合和癌细胞系	机器学习	癌症	NA	CNN, LSTM, Transformer	基因组数据集	包含大量药物组合的综合数据集	NA	CNN, LSTM, Transformer	RMSE, MAE, 决定系数, Pearson相关系数, Spearman相关系数	NA
9126	2026-02-07	A review of AI/ML approaches in wastewater surveillance advancement 2026-Feb-10, The Science of the total environment DOI:10.1016/j.scitotenv.2026.181364 PMID:41576591	综述	本文系统性地回顾了过去五年中人工智能和机器学习模型在废水流行病学中的应用，重点评估了其在病原体检测和疾病趋势预测方面的有效性	提出了一个基于预测目标、数据类型和时间依赖性的决策支持框架来指导模型选择，并强调了结合混合建模方法和环境元数据以增强废水监测系统的重要性	NA	评估人工智能和机器学习模型在废水流行病学中的有效性，并为其应用提供指导	废水流行病学中的病原体检测和疾病趋势预测	机器学习	传染病	废水监测	随机森林, 支持向量机, 人工神经网络, 长短期记忆网络, K-means聚类, 时间序列机器学习模型	时序数据	NA	NA	NA	R值, 均方根误差, 分类准确率, 均方误差, 平均绝对误差	NA
9127	2026-02-07	Nitrilotriacetic acid functionalized gold nanopillars enable stochastic detection and deep learning analysis of prolines and hydroxyprolines by surface enhanced Raman spectroscopy 2026-Feb-05, Nanoscale IF:5.8Q1 DOI:10.1039/d5nr04125b PMID:41524279	研究论文	本文开发了一种基于金纳米柱功能化的随机表面增强拉曼散射方法，结合深度学习分析，用于快速检测脯氨酸和羟脯氨酸	通过功能化金纳米柱形成NTA-Ni结构，实现脯氨酸和羟脯氨酸的可逆瞬态结合，将检测时间缩短至30分钟内，并首次结合一维卷积神经网络分析SERS时间序列数据	未明确说明方法在复杂生物流体中的实际应用限制或可能存在的干扰因素	开发一种快速、高灵敏度的脯氨酸和羟脯氨酸检测方法，用于疾病监测和生物医学分析	脯氨酸和羟脯氨酸分子	机器学习	胶原代谢相关疾病	表面增强拉曼散射	CNN	光谱时间序列数据	NA	NA	一维卷积神经网络	准确率	NA
9128	2026-02-07	Accelerating OLED development with machine learning: advances and prospects 2026-Feb-05, Chemical communications (Cambridge, England) DOI:10.1039/d5cc06175j PMID:41537217	综述	本文全面探讨了机器学习在加速有机发光二极管（OLED）技术发展中的作用，包括材料性能预测、结构-性质关系构建及器件优化	系统性地将机器学习作为数据驱动范式应用于OLED创新，整合了通用ML模型与深度学习在OLED材料与器件研究中的案例评估	未详细讨论实验数据质量对模型性能的影响，且未来研究方向仅提供前瞻性建议而非具体实施方案	加速OLED材料与器件的研发进程，通过机器学习提升研究效率与可扩展性	OLED发光材料、器件结构及相关光电技术	机器学习	NA	机器学习、深度学习	通用ML模型、深度学习模型	材料性质数据、结构数据、器件性能数据	NA	NA	NA	NA	NA
9129	2026-02-07	Fairness Correction in COVID-19 Predictive Models Using Demographic Optimization: Algorithm Development and Validation Study 2026-Feb-03, Online journal of public health informatics DOI:10.2196/78235 PMID:41632023	研究论文	本文提出了一种名为DemOpts的公平性校正方法，用于改进COVID-19预测模型在不同种族和民族群体间的公平性	提出了一种新颖的去偏方法DemOpts，通过人口统计学优化来减少预测误差在不同种族和民族群体间的差异，相比现有方法能更好地实现误差均等	研究主要关注聚合地理层面的预测，可能未考虑个体层面的偏差；且依赖于潜在有偏的数据集，如移动性或社会人口数据	开发并验证一种公平性校正方法，以提高COVID-19预测模型在不同种族和民族群体间的公平性	COVID-19病例预测模型，特别是针对不同种族和民族群体的预测公平性	机器学习	COVID-19	深度学习	深度学习模型	多模态数据（包括移动性数据、社会人口数据）	NA	NA	NA	误差均等性、平均预测误差	NA
9130	2026-02-07	Analysis and prediction of schizophrenia patients based on high-order graph attention generative adversarial networks 2026-Feb-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-15602-8 PMID:41629367	研究论文	提出了一种基于高阶图注意力生成对抗网络的模型，用于分析和预测精神分裂症患者	首次将高阶图注意力生成对抗网络应用于EEG数据，以捕捉持续性图像的高阶拓扑特征，用于精神分裂症的早期诊断和预测	未明确说明样本量、计算资源细节以及模型在其他频段的泛化能力	研究高阶脑功能网络对精神分裂症患者的影响，并开发早期诊断和预测模型	精神分裂症患者的EEG数据	机器学习	精神分裂症	EEG	GAN, GAT, LSTM	图像（持续性图像）、EEG信号	NA	NA	高阶图注意力生成对抗网络（结合图注意力网络和长短期记忆网络）	AUC, MAP, 准确率	NA
9131	2026-02-07	Multi-AOP: a lightweight multi-view deep learning framework for antioxidant peptide discovery 2026-Feb-02, Bioresources and bioprocessing IF:4.3Q1 DOI:10.1186/s40643-025-01004-1 PMID:41627618	研究论文	本研究提出了一种轻量级多视图深度学习框架Multi-AOP，用于高效发现抗氧化肽	开发了一个参数轻量化的多视图深度学习框架，通过融合序列学习和图学习来增强抗氧化肽的发现能力	未在摘要中明确说明	提高抗氧化肽发现的效率和准确性	抗氧化肽	自然语言处理, 机器学习	NA	深度学习	xLSTM, MPNN	序列数据, 分子图数据	基于AnOxPePred、AnOxPP和AOPP三个基准数据集	未在摘要中明确说明	Extended Long Short-Term Memory, Message Passing Neural Network	准确率	未在摘要中明确说明
9132	2026-02-07	An integrative deep learning model based on dual-mode ultrasound for diagnosing gallbladder polyps 2026-Feb-02, Insights into imaging IF:4.1Q1 DOI:10.1186/s13244-026-02213-8 PMID:41627678	研究论文	本研究开发了一种基于双模式超声的融合深度学习模型，用于自动分割胆囊病灶并诊断胆囊息肉的性质	提出了一种基于双模式超声（灰阶超声和彩色多普勒血流成像）的融合深度学习模型，能够同时实现胆囊病灶的自动分割以及息肉性质（非肿瘤性/肿瘤性、良性/恶性）的鉴别诊断	研究为回顾性设计，样本量相对有限（339例患者），且仅来自两家医院，可能存在选择偏倚	开发人工智能模型以自动区分胆囊息肉的性质，辅助临床诊断并减少不必要的胆囊切除术	接受胆囊切除术的胆囊息肉患者	数字病理学	胆囊息肉	常规超声（灰阶超声和彩色多普勒血流成像）	深度学习模型	超声图像	339例患者（平均年龄53.17±15.89岁，女性182例）	NA	U-Net, EfficientNet-B4	Dice系数, IoU, AUC	NA
9133	2026-02-07	SaccpaNet: A Separable Atrous Convolution- Based Cascade Pyramid Attention Network to Estimate Body Landmarks Using Cross-Modal Knowledge Transfer for Under-Blanket Sleep Posture Classification 2026-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3432195 PMID:39042546	研究论文	本文开发了一种基于深度相机的睡眠姿势监测与分类系统，用于家庭或社区环境，并设计了一个深度学习模型以应对毯子干扰	提出了SaccpaNet，一种结合可分离空洞卷积的金字塔注意力网络，通过跨模态知识转移（从RGB图像预训练到深度图像）和创新的数据增强技术（如类内混合和覆盖翻转切割）来提高模型在毯子干扰下的鲁棒性	研究仅在150名参与者的数据集上进行，样本量相对有限，且毯子条件可能未覆盖所有现实场景	开发一个能够抵抗毯子干扰的深度相机睡眠姿势分类系统，用于家庭或社区环境中的睡眠监测	睡眠姿势分类，特别是针对毯子覆盖条件下的身体关键点估计和姿势识别	计算机视觉	NA	深度相机成像	CNN	深度图像	150名参与者，执行七种睡眠姿势，覆盖四种毯子条件	NA	SaccpaNet（基于可分离空洞卷积的级联金字塔注意力网络），可能包含残差网络作为骨干	PCK@0.1, F1-score, 准确率	NA
9134	2026-02-07	Neuro-BERT: Rethinking Masked Autoencoding for Self-Supervised Neurological Pretraining 2026-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3415959 PMID:38889028	研究论文	本文提出了一种基于傅里叶域掩码自编码的自监督预训练框架Neuro-BERT，用于神经信号处理	引入了傅里叶反演预测（FIP）预训练任务，利用傅里叶域中的频率和相位分布来揭示复杂的神经活动，无需依赖精心设计的数据增强或孪生结构	未明确说明预训练数据的具体规模或多样性限制，以及模型在更广泛神经信号任务中的泛化能力	解决神经信号处理中标注数据稀缺的问题，通过自监督预训练提升下游任务的性能	神经信号（如脑电图等生理信号）	机器学习	NA	傅里叶变换、掩码自编码	Transformer	神经信号（时序数据）	NA	NA	Transformer编码器	NA	NA
9135	2026-02-07	MRGCDDI: Multi-Relation Graph Contrastive Learning Without Data Augmentation for Drug-Drug Interaction Events Prediction 2026-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3483812 PMID:39437275	研究论文	本文提出了一种名为MRGCDDI的新方法，用于药物-药物相互作用事件预测，该方法结合了多关系图对比学习，无需数据增强	引入了一种无需数据增强的多关系图对比学习方法，避免了额外噪声，并通过简单的对比学习策略在编码器扰动中保持图数据语义，无需手动试错或昂贵领域知识来选择增强	NA	预测药物-药物相互作用事件，以减少潜在不良反应并提高治疗安全性	药物分子图和多关系药物-药物相互作用网络	机器学习	NA	图神经网络，对比学习	GNN	图数据（药物分子图和DDI网络）	NA	NA	NA	准确率, Macro-F1, Macro-Recall, Macro-Precision	NA
9136	2026-02-07	A Semantic Conditional Diffusion Model for Enhanced Personal Privacy Preservation in Medical Images 2026-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3511583 PMID:40030430	研究论文	本文提出了一种基于语义条件扩散模型的医学图像生成框架，旨在通过合成与原始数据分布一致的图像来增强个人隐私保护	提出了医学语义扩散模型（MSDM），通过自适应批量归一化（AdaBN）将语义信息编码到高维潜在空间，并直接嵌入去噪神经网络中，从而在提升图像质量和语义准确性的同时确保合成图像与原始图像同分布；此外，引入了Spread算法来自动生成语义掩码，减少了对人工标注的依赖	未明确说明模型在处理极端或罕见病例图像时的泛化能力，以及合成图像在临床诊断中的实际可用性验证可能不足	开发一种能够合成医学图像以保护患者隐私的深度学习框架，同时保持图像质量和语义准确性	医学图像，特别是包含个人可识别信息（如面部特征、独特解剖结构、罕见病变或特定纹理模式）的图像	计算机视觉	NA	扩散模型	扩散模型	图像	使用了BraTS 2021、MSD Lung、DSB18和FIVES数据集，具体样本数量未明确说明	NA	医学语义扩散模型（MSDM），包含自适应批量归一化（AdaBN）和Spread算法	Dice分数	NA
9137	2026-02-07	BSN With Explicit Noise-Aware Constraint for Self-Supervised Low-Dose CT Denoising 2026-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3587639 PMID:40638344	研究论文	本文提出了一种名为噪声感知盲点网络的新型自监督学习方法，用于高质量低剂量CT图像去噪	通过引入显式的噪声感知约束机制，在自监督学习过程中无需参考干净数据，并突破了现有方法对相邻噪声独立性假设的依赖	未明确说明方法在极端低剂量或特定病理条件下的性能表现	开发一种不依赖配对训练数据的自监督深度学习方法来处理低剂量CT图像中的空间相关噪声	低剂量CT图像	计算机视觉	NA	低剂量CT成像	CNN	图像	多种临床数据集（未指定具体数量）	NA	盲点网络	NA	NA
9138	2026-02-07	ChemFixer: Correcting Invalid Molecules to Unlock Previously Unseen Chemical Space 2026-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3593825 PMID:40748798	研究论文	本文提出了一种名为ChemFixer的框架，旨在将深度学习分子生成模型产生的无效分子修正为有效分子，以扩展可用的化学空间	开发了基于Transformer架构的ChemFixer框架，通过预训练和微调大规模有效/无效分子对数据集，能够修正无效分子并保持其化学与生物学分布特性	未明确提及框架在极端复杂无效分子上的修正能力限制或计算效率的具体分析	解决深度学习分子生成模型产生无效分子的问题，扩展可用的化学空间并提升药物发现效率	深度学习生成的无效化学分子	机器学习	NA	深度学习分子生成	Transformer	分子结构数据	大规模有效/无效分子对数据集（具体数量未提供）	未明确提及	Transformer	分子有效性、化学与生物学分布特性保持度、药物-靶点相互作用预测性能	未明确提及
9139	2026-02-07	Leveraging Large Language Models for Personalized Parkinson's Disease Treatment 2026-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3594014 PMID:40748804	研究论文	本研究提出了一种利用大语言模型（LLMs）设计个性化帕金森病治疗策略的新框架，整合患者自然语言信息和外部文本知识源	首次将大语言模型（LLMs）与蒙特卡洛树搜索（MCTS）、检索增强生成（RAG）和思维链（CoT）推理结合，用于帕金森病的个性化治疗策略设计，提高了可解释性和动态调整能力	方法依赖于自然语言形式的患者信息和外部文本知识源，可能受数据质量和完整性的限制；实验基于特定数据集（PPMI），泛化能力需进一步验证	开发一个个性化帕金森病治疗策略设计框架，以克服症状异质性和传统方法的局限性	帕金森病患者	自然语言处理	帕金森病	大语言模型（LLMs），蒙特卡洛树搜索（MCTS），检索增强生成（RAG），思维链（CoT）推理	大语言模型（LLMs）	文本（自然语言形式的患者信息和外部文本知识源）	使用帕金森病进展标记倡议（PPMI）数据集，具体样本数量未明确说明	NA	NA	修订统一帕金森病评定量表第三部分（MDS-UPDRS-III）分数降低值	NA
9140	2026-02-07	CINeMA: Conditional Implicit Neural Multi-Modal Atlas for a Spatio-Temporal Representation of the Perinatal Brain 2026-Feb, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3605194 PMID:40902057	研究论文	提出了一种名为CINeMA的新型框架，用于创建高分辨率、时空多模态的围产期大脑图谱，适用于数据稀缺的场景	在潜在空间中操作，避免了计算密集的图像配准，将图谱构建时间从数天缩短至数分钟，并支持基于解剖特征的灵活条件生成	未明确提及具体的数据稀缺程度或模型在极端数据不足情况下的性能边界	开发适用于低数据环境的围产期大脑高分辨率时空多模态图谱构建方法	胎儿和新生儿大脑的磁共振成像数据	医学图像分析	围产期脑发育异常（如胼胝体发育不全、脑室扩大）	磁共振成像	条件隐式神经表示模型	多模态医学图像	NA	PyTorch（基于代码仓库推断）	条件隐式神经表示网络	准确性、效率、多功能性（文中提及超越现有方法，但未列具体指标）	NA