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
81	2026-04-01	Social compatibility in opposite-sex prairie vole pairs is modulated by early-life sleep experience 2026-Mar-27, PLoS biology IF:7.8Q1 DOI:10.1371/journal.pbio.3003434 PMID:41894400	研究论文	本研究利用深度学习工具分析草原田鼠异性配对的社会互动，探究早期睡眠经历如何影响社会相容性	首次在非人类动物模型中量化验证了神经类型匹配现象对社交亲和力的影响，并建立了早期睡眠干扰与后期社会行为的因果关系模型	研究仅针对草原田鼠单一物种，且神经类型模拟仅通过早期睡眠干扰实现，未涵盖其他神经发育影响因素	探究早期睡眠经历对后期社会行为的影响机制，验证神经类型匹配现象在动物模型中的普适性	草原田鼠（Microtus ochrogaster）异性配对	机器学习	NA	早期睡眠干扰（ELSD）	深度学习	视频行为数据	未明确说明样本数量，涉及控制组与ELSD处理组的草原田鼠配对	未明确说明	未明确说明	未明确说明	未明确说明
82	2026-04-01	Multimodal and Hyperspectral Dataset for Segmentation of Bulky Waste using VIS, IR, NIR, and Terahertz Imaging 2026-Mar-27, Scientific data IF:5.8Q1 DOI:10.1038/s41597-026-07053-1 PMID:41896252	研究论文	本研究提出了一个多传感器、多模态和高光谱数据集，用于支持基于深度学习的笨重废物分类与分割	结合了可见光、近红外高光谱、热红外和太赫兹成像四种互补传感器模态，并提供了像素级对齐的多模态数据融合	NA	开发一个多模态数据集以支持废物分类中的深度学习应用	笨重废物（如木材和非木材材料）	计算机视觉	NA	可见光成像、近红外高光谱成像、热红外成像、太赫兹成像	CNN	图像	56个注册多传感器场景，划分为22,659个标注补丁	NA	NA	NA	NA
83	2026-04-01	Progress and new challenges in image-based profiling 2026-Mar-27, Molecular systems biology IF:8.5Q1 DOI:10.1038/s44320-026-00197-7 PMID:41896452	综述	本文回顾了基于图像的细胞表型分析在计算领域的发展，重点介绍了从特征提取到归一化和批次校正的生物信息学过程，以及深度学习对该领域的重塑	深入探讨了深度学习如何从根本上重塑基于图像的细胞表型分析领域，并强调了单细胞分析、稳健相似性度量以及新模态（如光学池筛选、时间成像和3D类器官分析）扩展等关键方法学进展	该领域仍面临重大挑战，特别是在开发新兴时间和3D数据模态的方法、建立稳健的质量控制标准和工作流程以及解释处理后的特征方面	为研究人员提供导航基于图像的细胞表型分析领域进展和新挑战的路线图	基于图像的细胞表型分析的计算方法和应用	数字病理学	NA	显微镜成像、光学池筛选、时间成像、3D类器官分析	深度学习	图像	NA	NA	NA	NA	NA
84	2026-04-01	A dataset of insect sounds from 459 species for bioacoustic machine learning 2026-Mar-27, Scientific data IF:5.8Q1 DOI:10.1038/s41597-026-07123-4 PMID:41896561	研究论文	本文介绍了一个名为InsectSet459的大规模昆虫声音数据集，包含来自459个物种的26298个音频文件，旨在支持生物声学机器学习研究	首次提供了一个适用于深度学习的大规模昆虫声音数据集，覆盖了广泛的频率范围和物种多样性	数据集主要限于Orthoptera和Cicadidae两个科的物种，且音频录制使用了不同的采样率，可能带来处理挑战	开发自动识别昆虫声音的方法，以监测全球生物多样性变化	昆虫声音，特别是Orthoptera（310种）和Cicadidae（149种）的音频数据	生物声学机器学习	NA	音频录制	深度学习分类器	音频文件	26298个音频文件（226.6小时），来自459个物种	NA	NA	NA	NA
85	2026-04-01	Integrating Molecular Dynamics and Deep Learning to Elucidate Conformational Plasticity Underlying the Reduced Activity of Glycocin F 2026-Mar-26, The journal of physical chemistry. B DOI:10.1021/acs.jpcb.6c00056 PMID:41885711	研究论文	本研究结合分子动力学模拟与深度学习，揭示了Glycocin F中α-甲基化如何通过改变构象可塑性导致其抗菌活性大幅降低	首次利用变分自编码器引导的分子动力学框架，量化了Glycocin F中细微化学修饰（α-甲基化）对其构象动力学和功能的深远影响	研究主要基于计算模拟，缺乏直接的实验验证；且仅聚焦于单一修饰位点（Ser18），未全面考察其他潜在修饰的影响	探究Glycocin F中α-甲基化修饰如何通过改变构象动力学导致其抗菌活性丧失，以理解肽类抗生素的功能调控机制	Glycocin F（一种糖基化细菌素）及其α-甲基化修饰变体	计算生物学	细菌感染	分子动力学模拟，深度学习	变分自编码器（VAE）	分子构象轨迹数据	NA	NA	变分自编码器	NA	NA
86	2026-04-01	What does it take to learn the rules of RNA base pairing? A lot less than you may think 2026-Mar-26, Communications biology IF:5.2Q1 DOI:10.1038/s42003-026-09921-3 PMID:41888287	研究论文	本文探讨了使用少量参数和序列数据，通过概率模型和深度学习技术，重新发现RNA碱基配对规则的可能性	提出了一种无需结构或比对信息、仅需少量参数和序列数据即可学习RNA碱基配对规则的方法	模型仅包含21个参数，可能无法捕捉更复杂的RNA结构或相互作用	研究RNA碱基配对规则的最小学习需求	RNA序列及其碱基配对规则	自然语言处理	NA	深度学习, 自动微分, 随机梯度下降	随机上下文无关文法	RNA序列	至少50个RNA序列，测试集包含1094个序列来自22个RNA家族	自动微分框架	随机上下文无关文法	NA	NA
87	2026-04-01	Cellular and subcellular specialization enables biology-constrained deep learning 2026-Mar-26, Cell reports IF:7.5Q1 DOI:10.1016/j.celrep.2026.117159 PMID:41894388	研究论文	本文提出了一种基于生物学约束的深度学习模型，通过模拟神经元细胞类型特化和树突区室化信号传导，实现了图像分类任务	引入了一种完全生物学兼容的深度学习算法——树突目标传播，结合兴奋性和抑制性细胞类型分离以及神经元树突区室化结构，突破了传统人工神经网络与神经科学基本原则的不兼容性	模型虽基于实验证据构建，但具体生物学机制的验证仍需进一步实验测试，且可能未涵盖所有神经可塑性细节	探索生物学习机制如何通过神经元细胞类型特化和树突区室化信号传导实现，并开发与之兼容的深度学习算法	人工神经网络模型，特别是模拟生物神经元结构和信号传导的多层网络	机器学习	NA	深度学习算法	人工神经网络	图像	NA	NA	多层人工神经网络，包含分离的兴奋性和抑制性细胞类型以及树突区室化神经元单元	分类准确度	NA
88	2026-04-01	Overcoming extrapolation challenges of deep learning by incorporating physics in protein sequence-function modeling 2026-Mar-25, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1013728 PMID:41880461	研究论文	本文提出了一种结合生物物理建模的深度学习方法，以改进蛋白质序列-功能关系建模中的外推性能	将蛋白质相互作用和动力学的物理能量效应直接整合到卷积和图卷积神经网络中，以克服训练数据未见位置或突变类型的外推挑战	未明确说明模型在更广泛蛋白质类型或复杂突变场景中的泛化能力，以及计算资源需求可能较高	改进蛋白质序列到功能关系的建模，特别是在外推预测方面的准确性	蛋白质序列及其功能关系，重点关注突变的功能效应	机器学习	NA	深度突变扫描数据	CNN, 图卷积神经网络	序列数据, 结构数据	NA	NA	卷积神经网络, 图卷积神经网络	位置外推性能, 突变外推性能	NA
89	2026-04-01	Artificial intelligence for detection, grading, and prognostication in prostate cancer pathology: A scoping review 2026-Mar-25, Histology and histopathology IF:2.5Q2 DOI:10.14670/HH-25-059 PMID:41808601	综述	本文对人工智能在前列腺癌病理学中用于检测、分级和预后预测的应用进行了范围综述	综述了AI在病理学中的最新进展，包括基于深度学习的Gleason分级、预后标志物量化、分子改变预测以及多模态模型整合，并指出了新兴的自监督预训练、基于Transformer的图像模型和语言-视觉系统等未来方向	大多数研究为回顾性，终点异质性大；模型在新站点测试时性能常因患者群体和切片制备差异而下降；缺乏大型、高质量标注数据集，技术变异影响可重复性	综述人工智能在前列腺癌病理学领域的应用现状、进展与挑战	前列腺癌的病理学图像、临床数据及相关AI研究	数字病理学	前列腺癌	机器学习，深度学习	CNN, 大语言模型	组织学图像，临床文本	NA	NA	卷积神经网络，Transformer	准确率	NA
90	2026-04-01	Evaluation of protein-RNA Docking Web Servers for Template-Free Docking and Comparison with the AlphaFold Server 2026-Mar-25, Journal of chemical theory and computation IF:5.7Q1 DOI:10.1021/acs.jctc.5c01990 PMID:41882507	研究论文	本研究系统评估了五种无模板蛋白质-RNA对接网络服务器以及AlphaFold Server在预测蛋白质-RNA复合物结构方面的性能	构建了一个包含235个蛋白质-RNA复合物的综合基准数据集，并对当前主流的对接服务器与AlphaFold 3进行了首次系统性比较	AlphaFold 3对于其训练集之外的蛋白质-RNA复合物预测成功率较低，且在某些情况下表现不如对接方法	评估和比较无模板蛋白质-RNA对接工具与深度学习结构预测方法在预测蛋白质-RNA复合物结构方面的准确性和效率	蛋白质-RNA复合物	计算生物学	NA	蛋白质-RNA对接，深度学习结构预测	深度学习模型	蛋白质结构数据	235个蛋白质-RNA复合物	NA	AlphaFold 3	CAPRI指标，成功率	NA
91	2026-04-01	Nonparametric estimation of conditional survival function with time-varying covariates using DeepONet 2026-Mar-24, Lifetime data analysis IF:1.2Q2 DOI:10.1007/s10985-026-09700-6 PMID:41874787	研究论文	本文提出了一种基于DeepONet的非参数条件生存函数估计方法，用于处理含时变协变量的生存数据	利用DeepONet架构建模时变协变量的非线性长期效应，放宽了传统生存模型（如比例风险假设）的限制	未明确讨论计算复杂度或模型在大规模数据集上的可扩展性	开发一种灵活的非参数生存分析方法，以捕捉时变协变量的复杂效应	含时变协变量的生存数据	机器学习	NA	深度学习	DeepONet	生存数据	NA	NA	DeepONet	集成Brier分数	NA
92	2026-04-01	Imaging-Based Prediction of Key Breast Cancer Biomarkers Using Deep Learning on Digital Breast Tomosynthesis 2026-Mar-24, European journal of breast health IF:1.3Q4 DOI:10.4274/ejbh.galenos.2026.2025-9-14 PMID:41874202	研究论文	本研究评估了使用深度学习模型在数字乳腺断层合成（DBT）图像上非侵入性预测乳腺癌关键生物标志物的可行性	首次将深度学习模型应用于DBT图像，用于非侵入性预测多种乳腺癌生物标志物，包括ER、PR、HER2、Ki-67和TNBC	样本量较小（43例），为回顾性单中心研究，需要更大规模、多中心的前瞻性研究进行验证	评估深度学习模型在DBT图像上预测乳腺癌生物标志物的可行性，以作为虚拟活检辅助病理诊断和治疗规划	经组织病理学确诊的浸润性乳腺癌患者	数字病理学	乳腺癌	数字乳腺断层合成（DBT）成像，免疫组织化学评估	CNN	图像	43名匿名女性患者	NA	VGG19, ResNet50	准确率, AUC, F1分数, 马修斯相关系数	NA
93	2026-04-01	Deep learning using electroencephalogram (EEG) data for diagnosing and predicting SSRI response in major depressive disorder 2026-Mar-23, Communications medicine IF:5.4Q1 DOI:10.1038/s43856-026-01394-z PMID:41872325	研究论文	本研究利用深度学习算法分析脑电图数据，用于诊断重度抑郁症并预测患者对SSRI药物的治疗反应	首次将深度学习应用于多个独立脑电图数据集，结合Grad-CAM技术解释分类特征，并模拟临床决策场景评估模型对治疗选择的改善效果	样本量相对有限（健康对照146例，患者203例），模型准确率仍有提升空间，且结果需在更广泛人群中验证	开发基于脑电图和深度学习的客观诊断工具，实现重度抑郁症的精准诊断和个性化治疗预测	重度抑郁症患者和健康对照者的脑电图数据	机器学习	重度抑郁症	脑电图	深度学习模型	脑电图信号	健康对照146例，患者203例，总计349例	NA	NA	准确率	NA
94	2026-04-01	Integration of alternative fragmentation techniques into standard LC-MS workflows using a single deep learning model enhances proteome coverage 2026-Mar-23, Nature methods IF:36.1Q1 DOI:10.1038/s41592-026-03042-9 PMID:41872372	研究论文	本文开发了一个集成质谱平台，通过深度学习模型整合多种碎片化技术，以增强蛋白质组覆盖范围	开发了一个统一的Prosit深度学习模型，能够预测所有解离方法的谱图，并集成到FragPipe的MSBooster模块中，平均提高蛋白质鉴定率超过10%	未明确说明模型在处理特定复杂样本或极端条件下的局限性	增强蛋白质组学中碎片化技术的整合与应用，提高蛋白质鉴定效率和覆盖范围	蛋白质组学中的肽段序列和蛋白质鉴定	质谱分析, 深度学习	NA	碰撞诱导解离(CID), 电子诱导解离, 紫外光解离, 质谱技术	深度学习模型	质谱数据	NA	NA	Prosit	蛋白质鉴定率, 序列覆盖范围	NA
95	2026-04-01	Quantification via gaussian latent space representations 2026-Mar-22, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2026.108886 PMID:41911650	研究论文	本文提出了一种基于高斯潜在空间表示的端到端神经网络方法，用于直接优化量化（即类别流行度估计）任务	通过高斯分布在潜在空间中获取样本袋的不变表示，避免了依赖中间分类器的传统方法，将量化问题转化为直接优化问题	未在摘要中明确说明	开发一种端到端的深度学习量化方法，以直接估计样本袋中各类别的流行度	样本袋（bags of examples）及其类别分布	机器学习	NA	NA	神经网络	NA	NA	NA	GMNet（基于高斯潜在空间表示的端到端神经网络）	NA	NA
96	2026-04-01	Leveraging Residual Graph Convolutional Networks with Cross-Attention Mechanisms for High-Accuracy Protein Function Prediction 2026-Mar-20, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00101 PMID:41861353	研究论文	本文提出了一种名为RCHGO的新型深度学习框架，利用残差图卷积网络和交叉注意力机制，直接从蛋白质序列预测基因本体注释	RCHGO框架结合了残差图卷积网络和交叉注意力机制，能够分别利用互补的手工特征和蛋白质语言模型特征表示，并在决策层面有效融合，从而学习丰富的蛋白质和残基级表示并与GO语义对齐	NA	通过深度学习框架提高蛋白质功能预测的准确性	蛋白质序列及其基因本体注释	机器学习	NA	深度学习	RGCN, 交叉注意力机制	蛋白质序列	1,493个非冗余蛋白质	NA	残差图卷积网络	NA	NA
97	2026-04-01	Deep learning-guided dual-fitness evolution of T7 RNA polymerase for enhanced stability and activity 2026-Mar-19, Nucleic acids research IF:16.6Q1 DOI:10.1093/nar/gkag259 PMID:41873756	研究论文	本研究提出了一种结合深度学习与湿实验多目标筛选的数据驱动进化策略，用于同时提升T7 RNA聚合酶的稳定性和高温活性	开发了耦合深度学习与多目标筛选的进化策略，通过独立模型微调处理不同性状，有效探索适应度景观以识别有益突变组合	未明确说明深度学习模型的可解释性、实验验证的样本规模限制以及策略在其他蛋白质体系中的普适性	实现蛋白质工程中多个适应度属性的同步优化	T7 RNA聚合酶（T7 RNAP）	机器学习	NA	深度学习引导的进化策略、湿实验多目标筛选	深度学习模型	序列数据、实验测量数据（热稳定性、活性等）	经过五轮迭代进化获得的T7 RNAP突变体	NA	NA	熔解温度（Tm）提升值、高温活性增强倍数、副产物含量降低百分比	NA
98	2026-04-01	Quantifying Epistemic Uncertainty in Multimodal Long-Tailed Classification: A Belief Entropy-Based Evidential Fusion Framework 2026-Mar-19, Entropy (Basel, Switzerland) DOI:10.3390/e28030343 PMID:41899995	研究论文	本文提出了一种基于证据推理的深度多模态学习框架，用于解决长尾分布下的分类问题，通过量化模态不确定性并增强尾部类别的公平性来提升性能	提出UMuLT框架，首次将证据推理与多模态长尾分类结合，包含不确定性门控证据融合模块、EMA公平性正则器和两阶段跨模态一致性正则器，能自适应抑制不可靠模态并动态增强尾部类别梯度	仅在三个长尾多模态基准数据集上验证，未在更广泛的实际场景或更多模态组合中进行测试，且未讨论计算复杂度对实时应用的影响	解决多模态长尾分类中尾部类别性能下降、模态不确定性量化不足以及类别级公平性缺失的问题	多模态数据（视觉、语言、音频模态）在长尾分布下的分类任务	机器学习	NA	深度多模态学习、证据推理、指数移动平均（EMA）、两阶段优化	深度学习框架	多模态数据（图像、文本、音频）	三个长尾基准数据集（具体样本数量未在摘要中说明）	PyTorch（推断，因涉及EMA和端到端微调）	自定义证据融合框架（含轻量适配器）	整体指标、校准性能、尾部子集性能、统计显著性检验	NA
99	2026-04-01	Deep Learning Echocardiographic Trajectories of Heart Failure With Preserved Ejection Fraction: A Retrospective Cohort Study 2026-Mar-18, JACC. Advances DOI:10.1016/j.jacadv.2026.102659 PMID:41855744	研究论文	本研究利用深度学习和机器学习纵向聚类方法，通过超声心动图数据识别了射血分数保留型心力衰竭（HFpEF）患者的心脏结构和功能轨迹，并分析了这些轨迹与临床结局的关系	首次应用纵向表型映射分析，结合机器学习和深度学习聚类技术，从超声心动图数据中识别出HFpEF的不同疾病轨迹，揭示了其动态变化特征及与临床预后的关联	研究为单中心回顾性队列设计，可能存在选择偏倚；仅基于超声心动图变量，未纳入其他影像学或分子标志物；随访时间可能不足以捕捉长期轨迹变化	探究HFpEF患者心脏结构和功能的纵向轨迹，并评估这些轨迹与临床结局（如全因死亡率）的关系	射血分数保留型心力衰竭（HFpEF）患者	机器学习	心血管疾病	超声心动图	深度学习, 机器学习	超声心动图变量（心脏几何和功能指标）	1,626例HFpEF患者	NA	NA	P值（统计显著性）	NA
100	2026-04-01	Deep Learning-Predicted RNFL Loss and Incident Glaucoma in the Canadian Longitudinal Study on Aging 2026-Mar-18, Ophthalmology. Glaucoma DOI:10.1016/j.ogla.2026.03.006 PMID:41862096	研究论文	本研究利用深度学习模型从眼底照片预测视网膜神经纤维层厚度变化，并分析其与青光眼发病风险的关联	首次在基于人群的大型前瞻性队列研究中，使用经过光学相干断层扫描训练的机器对机器深度学习模型，通过眼底照片预测RNFL厚度变化，并验证其与青光眼发病的关联	青光眼诊断基于自我报告，可能引入误报或漏报；模型预测的RNFL厚度变化是基于眼底照片的间接估计，而非直接OCT测量	评估深度学习预测的RNFL变薄在人群中的特征，并研究其与青光眼发病风险的关系	加拿大老龄化纵向研究中45-86岁的参与者（18,247人，30,202只眼）	数字病理学	青光眼	光学相干断层扫描，眼底照相	深度学习模型	图像	18,247名参与者（30,202只眼）的基线及3年随访数据	NA	机器对机器模型	风险比，置信区间，P值	NA