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
9941	2025-01-05	Bioprospecting of culturable marine biofilm bacteria for novel antimicrobial peptides 2024-Dec, iMeta IF:23.7Q1 DOI:10.1002/imt2.244 PMID:39742298	研究论文	本研究通过构建可培养的海洋生物膜细菌库，利用核糖体分析和深度学习预测抗菌肽（AMPs），扩展了抗菌肽化合物的范围	使用核糖体分析改进小开放阅读框（sORFs）的识别和验证，结合深度学习模型预测新型抗菌肽，发现了与之前未知产生抗菌肽的细菌群相关的抗菌肽	NA	发现新型抗菌肽，以对抗人类病原菌	可培养的海洋生物膜细菌	生物信息学	NA	核糖体分析，深度学习	深度学习模型	基因组数据	713株可培养的海洋生物膜细菌及其近乎完整的基因组
9942	2025-01-05	Protein engineering in the deep learning era 2024-Dec, mLife IF:4.5Q1 DOI:10.1002/mlf2.12157 PMID:39744096	综述	本文综述了深度学习在蛋白质工程中的应用，包括蛋白质序列和结构的表示方法、编码管道、蛋白质语言模型、几何深度学习技术以及多模态生物数据的学习方法	本文从深度学习的角度重新审视了蛋白质理解和工程中的常见问题，并总结了最新的蛋白质语言模型和几何深度学习技术，提出了多模态生物数据学习的组合方法	本文主要关注深度学习方法，可能未涵盖传统蛋白质工程技术的全面比较	探讨深度学习在蛋白质工程中的应用，以解决工业生产、医疗保健和环境可持续性中的挑战	蛋白质序列和结构	机器学习	NA	深度学习	蛋白质语言模型、几何深度学习模型	蛋白质序列和结构数据	NA
9943	2025-01-05	Artificial intelligence application in endodontics: A narrative review 2024-Dec, Imaging science in dentistry IF:1.7Q3 DOI:10.5624/isd.20240321 PMID:39744558	综述	本文综述了人工智能在牙髓病学领域的方法和应用，旨在为牙医提供必要的技术知识以理解AI带来的机遇	本文系统地回顾了1992年至2023年间关于AI在牙髓病学中应用的研究，涵盖了从根折识别到牙髓干细胞活力评估等多个方面	研究仅限于英文发表的文献，可能遗漏了其他语言的重要研究	探索人工智能在牙髓病学中的应用及其潜力	牙髓病学中的AI应用	自然语言处理	NA	NA	NA	NA	71项研究
9944	2025-01-05	Clinical Manifestations 2024-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz.089228 PMID:39750713	研究论文	本研究利用自然语言处理技术，通过电子健康记录中的临床笔记预测痴呆和轻度认知障碍	引入了基于Transformer的语言模型Universal Sentence Encoder (USE)，并提出了两种创新的NLP方法：随机采样和基于就诊的采样，以提高认知阶段分类的准确性	研究依赖于特定时间段（2017-2018年）的电子健康记录数据，可能无法完全代表其他时间段或不同医疗机构的数据	开发自动化且可靠的方法，用于大规模检测认知障碍	电子健康记录中的临床笔记	自然语言处理	老年疾病	自然语言处理 (NLP)	Universal Sentence Encoder (USE)	文本	531名正常认知者、153名轻度认知障碍者和229名痴呆患者
9945	2025-01-05	Basic Science and Pathogenesis 2024-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz.089911 PMID:39750739	研究论文	本文提出了一种基于物理信息的深度模型，通过数据几何的视角揭示大脑结构与功能之间的耦合机制	引入了一种几何深度模型，利用图谐波散射变换在黎曼流形上施加大脑全局几何约束，挑战了认知神经科学中关于神经活动局限于局部区域的普遍观点	NA	理解大脑解剖结构如何支持各种神经活动，并探索其在疾病早期诊断和模型泛化中的应用	人类大脑	神经科学	NA	神经影像数据	几何深度模型，MLP-Mixer架构	神经影像数据	NA
9946	2025-01-05	Basic Science and Pathogenesis 2024-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz.092617 PMID:39750891	研究论文	本研究通过多模态分析跨物种蛋白质相互作用网络和人类大脑功能基因组数据，识别神经退行性疾病的风险基因和药物靶点	提出了一个多视图拓扑深度学习框架TAG-X，用于识别跨物种相互作用网络中的疾病相关基因，并重建了人类、果蝇、蠕虫和酵母的综合蛋白质-蛋白质相互作用网络	未来需要对候选靶点和基因进行功能观察验证	识别神经退行性疾病（如阿尔茨海默病、帕金森病和肌萎缩侧索硬化症）的风险基因和药物靶点	人类、果蝇、蠕虫和酵母的蛋白质相互作用网络	生物信息学	神经退行性疾病	多模态分析、深度学习、基因组关联研究（GWAS）、定量性状位点（x-QTL）	深度学习框架TAG-X	基因组、转录组、蛋白质组、相互作用网络数据	涉及人类、果蝇、蠕虫和酵母的蛋白质相互作用网络
9947	2025-01-05	Basic Science and Pathogenesis 2024-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz.087057 PMID:39750950	研究论文	本研究提出了一种计算方法来从脑组织的批量转录组数据中提取细胞信号，以研究神经退行性疾病的细胞类型特异性转录组程序	将Cellformer深度学习模型从ATAC-seq数据适应到RNA-seq数据，用于解析批量RNA测序数据中的细胞类型特异性表达模式	核RNA测序仅捕获20-50%的细胞转录信息，限制了细胞转录组的全面理解	研究神经退行性疾病的细胞类型特异性转录组程序	小鼠脑组织	生物信息学	神经退行性疾病	RNA-seq, snRNA-seq	Cellformer	RNA测序数据	小鼠脑组织样本
9948	2025-01-05	Basic Science and Pathogenesis 2024-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz.089010 PMID:39751068	研究论文	本文提出了一种名为时间感知循环神经网络（TA-RNN）的新型深度学习架构，用于预测轻度认知障碍（MCI）向阿尔茨海默病（AD）的转化	TA-RNN通过时间嵌入层和基于注意力的RNN解决了电子健康记录（EHR）数据中的不规则时间间隔问题，并提供了模型的可解释性	模型仅在ADNI和NACC数据集上进行了评估，可能需要进一步验证其在不同数据集上的泛化能力	研究目的是开发一种能够预测MCI向AD转化的深度学习模型，并解决EHR数据中的不规则时间间隔问题	研究对象为阿尔茨海默病（AD）和轻度认知障碍（MCI）患者	机器学习	老年病	深度学习	RNN, TA-RNN	电子健康记录（EHR）、纵向认知和神经影像数据	ADNI和NACC数据集
9949	2025-01-05	Basic Science and Pathogenesis 2024-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz.089093 PMID:39751088	研究论文	本研究提出了一种基于深度学习的反卷积框架，用于从大规模批量RNA测序数据中推断人类大脑中阿尔茨海默病及相关痴呆症的细胞类型特异性表达数量性状位点（eQTLs）	使用深度学习框架从批量RNA测序数据中推断细胞类型特异性eQTLs，避免了高成本的单核RNA测序	需要进一步的功能验证候选eQTLs和相关基因	解析阿尔茨海默病及相关痴呆症的遗传变异对基因表达的影响	人类大脑中的细胞类型特异性eQTLs	生物信息学	阿尔茨海默病	RNA-seq, WGS, snRNA-seq	深度学习	RNA测序数据, 全基因组测序数据	1,092个样本
9950	2025-01-05	Basic Science and Pathogenesis 2024-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz.089241 PMID:39751131	研究论文	本研究利用多模态数据和机器学习、深度学习及集成方法，提高阿尔茨海默病（AD）进展预测的准确性	通过多模态数据集成和集成学习方法，显著提高了阿尔茨海默病进展预测的准确性，并减少了有害的假阴性	研究仅使用了OASIS-3纵向数据集，未来可探索更多数据模态和方法以提高预测准确性	提高阿尔茨海默病的早期检测和进展预测准确性	1,098名患者的多模态数据，包括MRI扫描、脑体积测量和临床数据	机器学习	阿尔茨海默病	机器学习（ML）、深度学习（DL）、集成方法	CNN（MobileNetV2, ResNet101, ResNet152, ResNet200）、随机森林、K近邻	MRI扫描、脑体积测量、临床数据	1,098名患者
9951	2025-01-05	Basic Science and Pathogenesis 2024-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz.088814 PMID:39751145	研究论文	本研究利用预训练的深度学习模型，通过中文语音数据自动检测阿尔茨海默病	使用预训练的Wav2vec2模型处理中文语音数据，探索其在跨语言检测中的潜力	数据不平衡问题通过随机选择样本进行均衡处理，可能影响模型的泛化能力	开发基于语音的自动化阿尔茨海默病检测方法	81名台湾本土中文使用者，包括34名正常对照和47名早期阿尔茨海默病患者	自然语言处理	阿尔茨海默病	深度学习	Wav2vec2	音频	81名参与者，生成2887个6秒音频片段
9952	2025-01-05	Basic Science and Pathogenesis 2024-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz.092140 PMID:39751223	研究论文	本研究旨在开发一种深度学习模型，利用MRI预测早期受影响区域的tau蛋白积累，以早期预测疾病进展和认知衰退	采用基于注意力机制的编码器-解码器模型，结合Transformer模型，通过优先策略提高预测准确性	研究依赖于ADNI数据集，可能存在样本选择偏差，且未考虑其他可能影响tau积累的因素	开发一种深度学习模型，利用MRI预测早期tau蛋白积累区域	阿尔茨海默病患者的MRI和PET影像数据	数字病理学	阿尔茨海默病	T1加权MRI和[18F] flortaucipir-PET成像	基于注意力机制的编码器-解码器模型，Transformer模型	影像数据	1010次扫描，112名测试参与者
9953	2025-01-05	Basic Science and Pathogenesis 2024-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz.085828 PMID:39751753	研究论文	本研究介绍了一种深度学习模型，用于预测阿尔茨海默病中淀粉样蛋白β的积累	通过将淀粉样蛋白β的扩散数学模型转化为深度学习框架，结合多层感知机（MLP）和图卷积神经网络（GCN），实现了对淀粉样蛋白β积累的高精度预测	模型参数是针对整个群体优化的，对某些个体的准确性有所差异，且需要进一步解释每个术语的全面含义	早期诊断阿尔茨海默病并延缓疾病进展	淀粉样蛋白β的积累	数字病理学	阿尔茨海默病	深度学习	MLP, GCN	神经影像数据（T1结构磁共振图像、18F-Florbetapir正电子发射断层扫描、扩散加权磁共振图像）	146名受试者的纵向数据，共436个数据点
9954	2025-01-05	Computational design of CDK1 inhibitors with enhanced target affinity and drug-likeness using deep-learning framework 2024-Nov-30, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2024.e40345 PMID:39748968	研究论文	本研究利用深度学习技术，特别是带有长短期记忆（LSTM）的循环神经网络，生成潜在的CDK1抑制剂，并通过分子对接、分子性质评估和分子动力学模拟来识别最有前景的候选药物	利用深度学习框架生成具有增强靶点亲和力和药物相似性的CDK1抑制剂，显著提高了结合亲和力和药物相似性	需要广泛的实验验证才能将这些生成的配体推进到药物开发的后续阶段	开发具有增强靶点亲和力和药物相似性的CDK1抑制剂	CDK1抑制剂	机器学习	癌症	深度学习、分子对接、分子动力学模拟	LSTM	分子数据	NA
9955	2025-01-05	Machine learning-enabled virtual screening indicates the anti-tuberculosis activity of aldoxorubicin and quarfloxin with verification by molecular docking, molecular dynamics simulations, and biological evaluations 2024-Nov-22, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae696 PMID:39737570	研究论文	本研究开发了一种结合机器学习和深度学习模型的虚拟筛选工作流程，用于筛选抗结核药物，并通过分子对接、分子动力学模拟和生物评估验证了aldoxorubicin和quarfloxin的抗结核活性	结合多种机器学习和深度学习模型进行虚拟筛选，成功重新定位两种药物（aldoxorubicin和quarfloxin）作为抗结核候选药物	研究中仅筛选了来自DrugBank数据库的11,576种化合物，可能未涵盖所有潜在药物	加速抗结核药物的发现，通过计算方法重新定位临床批准或研究中的药物用于结核病治疗	结核分枝杆菌（Mtb）	机器学习	结核病	虚拟筛选、分子对接、分子动力学模拟、表面等离子体共振实验	机器学习和深度学习模型	化合物数据	11,576种化合物，15种筛选出的潜在化合物
9956	2025-01-05	Impact of retraining and data partitions on the generalizability of a deep learning model in the task of COVID-19 classification on chest radiographs 2024-Nov, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.11.6.064503 PMID:39734609	研究论文	本研究探讨了不同模型重训练方案和数据划分对COVID-19胸部X光片分类任务中模型性能的影响，特别是在模型泛化性方面	通过四种不同的策略（重训练、微调、L2正则化和数据重新划分）来探索模型在不同数据集上的泛化性能，揭示了数据划分对模型性能的显著影响	研究仅基于同一机构的两组数据集，可能无法完全代表其他数据集或实际应用场景中的表现	研究目的是评估不同模型重训练方案和数据划分对COVID-19胸部X光片分类任务中模型泛化性的影响	胸部X光片（CXRs）	计算机视觉	COVID-19	深度学习（DL）	深度学习模型	图像	Set A（9860名患者）和Set B（5893名患者）
9957	2025-01-05	Deep learning-based multiclass segmentation in aneurysmal subarachnoid hemorrhage 2024, Frontiers in neurology IF:2.7Q3 DOI:10.3389/fneur.2024.1490216 PMID:39734625	研究论文	本研究旨在开发一种深度学习模型，用于自动多类分割与动脉瘤性蛛网膜下腔出血结果预测相关的结构和病理	利用深度学习技术实现动脉瘤性蛛网膜下腔出血相关病理的自动多类分割，性能接近人类评分者	样本量相对较小，仅包含73例非增强CT扫描	开发自动多类分割模型以改进动脉瘤性蛛网膜下腔出血的结果预测	动脉瘤性蛛网膜下腔出血患者的非增强CT扫描	数字病理学	心血管疾病	深度学习	nnU-Net	CT图像	73例非增强CT扫描（内部测试集20例，外部验证集104例）
9958	2025-01-05	Assessment of body composition and prediction of infectious pancreatic necrosis via non-contrast CT radiomics and deep learning 2024, Frontiers in microbiology IF:4.0Q2 DOI:10.3389/fmicb.2024.1509915 PMID:39735191	研究论文	本研究旨在通过深度学习算法从非对比CT图像中描绘L3-L5椎体水平的皮下脂肪组织（SAT）、内脏脂肪组织（VAT）、骶棘肌和所有腹部肌肉，并从这些分割图像中收集放射组学特征进行医学解释	使用nnU-Net架构进行图像分割，并通过Python脚本从分割的非对比CT图像中提取放射组学特征，首次将深度学习与放射组学结合用于预测感染性胰腺坏死（IPN）的风险因素	研究为回顾性分析，样本量有限（315名患者），且仅基于非对比CT图像，可能影响结果的普遍性	评估身体组成并通过非对比CT放射组学和深度学习预测感染性胰腺坏死（IPN）	315名诊断为急性坏死性胰腺炎（ANP）的患者	数字病理学	胰腺疾病	非对比CT成像、深度学习、放射组学分析	nnU-Net	CT图像	315名急性坏死性胰腺炎患者
9959	2025-01-05	A synthetic segmentation dataset generator using a 3D modeling framework and raycaster: a mining industry application 2024, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2024.1453931 PMID:39735233	研究论文	本文提出了一种使用3D建模框架和光线投射器的合成分割数据集生成器，应用于深层次采矿行业	提出了一种新的合成分割数据集生成方法，通过3D建模和光线投射技术生成高精度的分割数据集，减少了手动创建数据集的需求	虽然生成的合成数据集在特定应用中表现出高精度，但其在更广泛的应用场景中的通用性尚未验证	提高图像分割模型的训练效率，减少手动创建数据集的时间和成本	深层次采矿环境中的场景图像	计算机视觉	NA	3D建模和光线投射技术	NA	图像	NA
9960	2025-01-05	Predicting axillary lymph node metastasis in breast cancer using a multimodal radiomics and deep learning model 2024, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2024.1482020 PMID:39735531	研究论文	本研究探讨了结合放射组学和深度学习模型，基于乳腺X线摄影（MG）和磁共振成像（MRI）预测乳腺癌腋窝淋巴结转移（ALNM）的价值	结合放射组学和深度学习模型，使用多种机器学习算法进行预测，提供了术前预测ALNM的新方法	研究样本量较小（270例），且为单中心回顾性研究，可能存在选择偏倚	为乳腺癌患者制定个体化治疗方案、评估预后和规划术前干预提供指导	乳腺癌患者	数字病理学	乳腺癌	放射组学、深度学习	3D-Resnet18、LASSO回归、多层感知机（MLP）	图像	270例乳腺癌患者