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 49152 篇文献，本页显示第 10741 - 10760 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 10741 | 2026-04-18 |
Rapid Machine Learning-Driven Detection of Pesticides and Dyes Using Raman Spectroscopy
2026-Apr-13, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.6c00396
PMID:41843405
|
研究论文 | 本研究提出了一种基于深度学习的框架MLRaman，利用Raman光谱快速检测农药和合成染料 | 结合ResNet-18特征提取与XGBoost、SVM等分类器，开发了名为MLRaman的深度学习框架，并构建了用户友好的Streamlit应用进行实时预测 | NA | 开发一种快速、可靠的检测方法，用于监测食品和环境中的农药及合成染料残留 | 7种农药和3种染料，共10种分析物 | 机器学习 | NA | Raman光谱 | CNN, XGBoost, SVM | 光谱数据 | NA | NA | ResNet-18 | 准确率, AUC | NA |
| 10742 | 2026-04-18 |
Hybrid Graph-Machine Learning Framework for Accurate and Interpretable Band Gap Prediction
2026-Apr-13, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.6c00365
PMID:41855083
|
研究论文 | 本文提出了一种结合图深度学习嵌入与经典机器学习算法的混合人工智能框架，用于实现高精度、可解释且计算高效的带隙预测 | 提出了一种混合图-机器学习框架，通过整合多种图神经网络（CGCNN、MEGNet、SchNet）的嵌入与物理意义的晶体描述符，实现了比传统模型和单一图神经网络更高的预测精度和更好的泛化能力，同时计算资源需求更低 | 未明确提及具体局限性，但可能依赖于特定数据库（Materials Project）的数据质量和覆盖范围 | 加速半导体和能源材料的发现与设计，通过高精度预测电子带隙 | 晶体结构及其电子带隙 | 机器学习 | NA | NA | 图神经网络, 梯度提升, 神经网络 | 晶体结构数据 | 来自Materials Project数据库的136,000个晶体结构 | NA | CGCNN, MEGNet, SchNet | R², MAE, MSE | 未明确指定，但提及比ALIGNN模型所需计算资源更低 |
| 10743 | 2026-04-18 |
Physical Implausibility of Carbohydrate Ligands in Results of Deep Learning-Based Cofolding Methods
2026-Apr-13, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c03075
PMID:41866819
|
研究论文 | 本文分析了AlphaFold 3和Boltz-1x等深度学习共折叠方法在碳水化合物配体建模中的立体化学违规问题 | 首次系统量化了深度学习共折叠方法在碳水化合物配体建模中的立体化学错误率，并揭示了Boltz-1x在减少某些违规的同时可能引入新的结构配置问题 | 研究仅基于900个碳水化合物配体进行分析，可能未覆盖所有类型的碳水化合物结构；BondedAtomPairs协议在减少立体化学问题时丢失了还原端异头氧，表明方法仍需改进 | 评估深度学习共折叠方法在碳水化合物配体建模中的物理合理性 | 碳水化合物配体 | 计算生物学 | NA | 深度学习共折叠方法 | AlphaFold 3, Boltz-1x | 分子结构数据 | 900个碳水化合物配体 | NA | NA | 立体化学违规率、手性错误率、键转换率、平面环畸变率、芳香环形成率、不当结构配置率 | NA |
| 10744 | 2026-04-18 |
scMultiPreDICT: A single-cell predictive framework with transcriptomic and epigenetic signatures
2026-Apr-11, bioRxiv : the preprint server for biology
DOI:10.64898/2026.04.08.717080
PMID:41993521
|
研究论文 | 本文介绍了一个名为scMultiPreDICT的计算框架，用于基于单细胞多组学数据比较转录组和表观遗传特征对基因表达的预测性能 | 开发了一个系统性的比较预测框架，首次在基因层面和细胞背景下评估了转录特征与染色质可及性特征对基因表达的相对贡献，并发现多模态整合的益处是基因特异性和上下文依赖的 | 未明确提及研究的局限性 | 比较转录组和表观遗传特征在预测基因表达中的相对贡献，并识别不同调控层对基因表达的影响 | 单细胞多组学数据（同时分析基因表达和染色质可及性） | 机器学习 | NA | 单细胞多组学技术（转录组和表观基因组分析） | 回归模型, 基于树的模型, 深度学习模型 | 单细胞多组学数据（转录组和染色质可及性数据） | 使用了多个生物数据集，但未具体说明样本数量 | R | NA | 预测准确性 | NA |
| 10745 | 2026-04-18 |
Vis-NIR spectroscopy and deep learning for non-invasive in vivo detection of acute liver injury
2026-Apr-10, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
DOI:10.1016/j.saa.2026.127888
PMID:41990513
|
研究论文 | 本研究利用可见-近红外光谱结合深度学习，开发了一种非侵入性体内检测急性肝损伤的方法 | 采用嵌入式可解释深度学习框架进行端到端光谱特征选择，识别出与急性肝损伤相关的稳定波长簇而非孤立峰 | 样本量较小，光谱数据存在高维低样本量特性和有限信噪比 | 探索可见-近红外漫反射光谱在非侵入性检测急性肝损伤中的应用潜力 | 通过腹腔注射对乙酰氨基酚建立的急性肝损伤小鼠模型 | 机器学习 | 急性肝损伤 | 可见-近红外漫反射光谱 | 深度学习 | 光谱数据 | NA | NA | NA | 召回率, F1分数 | NA |
| 10746 | 2026-04-18 |
DrugBLIP: exploring the protein-molecule interaction mechanisms with a multi-task learning graph transformer
2026-Apr-07, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btag069
PMID:41967848
|
研究论文 | 本文提出了一种名为DrugBLIP的多任务图Transformer模型，用于统一学习蛋白质-分子相互作用，以改进虚拟筛选、对接和药物设计 | 基于SE(3)等变架构，通过结合对比学习、匹配任务和对接优化的多任务学习框架，利用混合图Transformer捕获三维空间关系，实现了在虚拟筛选和对接任务上的最先进性能 | 未明确提及模型在更广泛数据集或实际药物发现流程中的泛化能力限制 | 准确建模蛋白质-分子相互作用，以推动虚拟筛选、对接和药物设计的发展 | 蛋白质与分子之间的相互作用 | 机器学习 | NA | NA | Transformer, 图神经网络 | 三维空间结构数据 | NA | NA | 混合图Transformer, SE(3)-等变架构 | AUROC, BEDROC, 对接成功率, 目标垂钓准确率 | NA |
| 10747 | 2026-04-18 |
Genetic background shapes AI-predicted variant effects
2026-Apr-07, bioRxiv : the preprint server for biology
DOI:10.64898/2026.04.04.715328
PMID:41993283
|
研究论文 | 本文介绍了个性化变异效应预测器（pVEP）框架，用于量化全球多样化人群的遗传背景如何影响临床变异效应的计算预测 | 首次将个性化遗传背景纳入变异效应预测，揭示了同一变异在不同遗传背景下可能具有异质性致病效应 | 研究基于计算预测，需要进一步实验验证；样本多样性可能仍有限 | 预测遗传变异后果并评估遗传背景对变异效应的影响 | 人类基因组中的单核苷酸变异 | 机器学习 | NA | 深度学习 | 深度学习模型 | 基因组序列数据 | 数千个来自全球多样化人群的人类基因组 | NA | NA | NA | NA |
| 10748 | 2026-04-18 |
A Temperature-Pressure Dual-Mode Flexible Patch Sensor with Temperature Compensation and Pressure Decoupling Functions for Pulse Detection and Recognition
2026-Apr-02, ACS sensors
IF:8.2Q1
DOI:10.1021/acssensors.5c04432
PMID:41925006
|
研究论文 | 本文介绍了一种具有温度补偿和压力解耦功能的双模式柔性贴片传感器，用于脉搏检测与识别 | 采用独特的“罗盘状”结构设计，实现了压力与温度信号的有效解耦，并利用温度信号进行实时压力信号补偿 | 未明确说明传感器在极端环境或长期使用下的耐久性测试结果 | 开发一种抗干扰的双模式柔性传感器，用于准确、连续的脉搏波检测与识别 | 人体脉搏波信号 | 可穿戴电子与生物医学传感 | NA | 柔性传感技术 | CNN | 传感器信号数据 | NA | NA | ResNet | 准确率 | NA |
| 10749 | 2026-04-18 |
The Use of DeepQSAR Models for the Discovery of Peptides With Enhanced Antimicrobial and Antibiofilm Potential
2026-Apr, Molecular informatics
IF:2.8Q2
DOI:10.1002/minf.70029
PMID:41992792
|
研究论文 | 本研究利用基于循环神经网络的DeepQSAR模型预测广谱抗菌肽活性，并设计出具有增强抗菌和抗生物膜活性的新型肽 | 将传统的分子描述符与深度学习模型结合，开发了基于循环神经网络的DeepQSAR模型，用于高效预测和设计新型抗菌肽 | 未明确说明模型在其他类型肽或更大数据集上的泛化能力 | 利用深度学习技术加速具有广谱抗菌和抗生物膜活性的抗菌肽的发现与设计 | 抗菌肽（AMPs） | 机器学习 | 细菌感染 | 定量构效关系（QSAR） | RNN | 分子描述符数据 | 未明确说明训练数据量，但提及可用的AMP训练数据量在增加；设计并实验验证了98种新型肽 | 未明确说明 | 基于循环神经网络的QSAR模型 | 五折交叉验证准确率 | NA |
| 10750 | 2026-04-18 |
Automated Detection and Classification of Marine Species Vocalizations Using a YOLO-Based Deep Learning Framework
2026-Apr, Ecology and evolution
IF:2.3Q2
DOI:10.1002/ece3.73466
PMID:41993730
|
研究论文 | 本研究提出了一种基于YOLO架构的深度学习框架，用于自动检测和分类海洋物种的发声 | 通过构建合成监测数据集（结合单物种发声模拟重叠与非重叠场景）并使用CutMix等增强技术，提升了模型在复杂声学环境下的鲁棒性 | 缺乏连续、标注完整的多物种实地录音数据集 | 开发自动检测和分类海洋物种发声的有效方法，以理解人类活动对海洋环境的影响 | 海洋物种的发声信号 | 机器学习 | NA | 水下声学监测 | CNN | 音频 | 合成监测数据集（由单物种发声组合构建） | PyTorch | YOLO | 检测与分类性能 | NA |
| 10751 | 2026-04-01 |
Decoding chemical composition of urinary crystals from ultrasonic echo signals via deep learning
2026-Mar-31, Mikrochimica acta
DOI:10.1007/s00604-026-08019-1
PMID:41915224
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 10752 | 2026-04-18 |
IDPForge: Deep Learning of Proteins with Global and Local Regions of Disorder
2026-Mar-27, bioRxiv : the preprint server for biology
DOI:10.64898/2026.03.25.714313
PMID:41928976
|
研究论文 | 本文提出了一种名为IDPForge的新型机器学习方法，用于生成包含内在无序蛋白/区域的全原子结构集合 | 开发了一种基于Transformer蛋白质语言扩散模型的新方法，无需序列特异性训练、粗粒度表示反向转换或集合重加权，即可生成与实验数据吻合的无序蛋白结构集合 | 未明确说明模型在特定蛋白质类型或极端条件下的性能限制 | 改进对内在无序蛋白质和区域的结构预测，弥补现有方法（如AlphaFold和RoseTTAFold）在预测无序结构时的不足 | 内在无序蛋白质和内在无序区域 | 机器学习 | NA | 深度学习，扩散模型 | Transformer | 蛋白质序列数据，结构数据 | NA | NA | Transformer | 与溶液实验数据的一致性 | NA |
| 10753 | 2026-04-18 |
Directional alignment of different cell types organizes planar cell polarity
2026-Mar-20, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2026.114771
PMID:41994338
|
研究论文 | 本研究通过数学建模、深度学习与统计分析，探讨了细胞类型空间分布对平面细胞极性（PCP）维持的影响，并发现细胞类型定向排列是PCP稳健性的关键因素 | 揭示了细胞类型定向排列在维持平面细胞极性中的关键作用，尤其是在核心PCP蛋白水平不平衡的情况下，这一发现为理解多细胞类型组织中的PCP机制提供了新视角 | 研究主要基于数学模拟和深度学习分析，实验验证仅限于小鼠输卵管，未在其他组织或更广泛的生物系统中进行验证 | 探究在核心PCP蛋白水平不平衡的情况下，细胞类型空间分布如何影响平面细胞极性的维持 | 平面细胞极性（PCP）在多种细胞类型共存的组织中的维持机制 | 计算生物学 | NA | 数学建模, 深度学习, 统计分析 | 深度学习模型 | 模拟数据, 生物组织数据 | NA | NA | NA | NA | NA |
| 10754 | 2026-04-18 |
Analysis of Models to Estimate Morbidity Rates of Respiratory Diseases Through Deep Learning
2026-Mar-19, Tropical medicine & international health : TM & IH
IF:2.6Q2
DOI:10.1111/tmi.70126
PMID:41856921
|
研究论文 | 本研究比较了XGBoost与基于堆叠门控循环单元（GRU）的深度学习模型，利用呼吸系统疾病发病率数据及社会经济与环境外生变量，预测巴西地区的疾病发病率 | 通过结合社会经济与环境指标（如人均GDP、人口密度、城市化指数和温室气体排放）与疾病发病率数据，并使用时序分解和合成数据细化时间序列粒度，应用堆叠GRU模型捕捉健康数据中的时间依赖性，展示了深度学习在精准公共卫生预测中的潜力 | 研究结果显示出区域异质性，GRU模型在某些城市表现优异，而XGBoost模型在多数地区呈现负R值，表明模型性能可能受地区特定因素影响，且未详细讨论模型泛化能力或数据偏差问题 | 比较不同机器学习模型在估计呼吸系统疾病发病率方面的性能，以支持公共卫生资源分配和基于证据的政策制定 | 巴西地区的呼吸系统疾病发病率数据及相关社会经济与环境变量 | 机器学习 | 呼吸系统疾病 | 深度学习，时间序列分析 | XGBoost, GRU | 时间序列数据 | 1999年至2023年的疾病发病率及外生变量数据，覆盖多个巴西城市（如Porto Alegre, São Paulo, São Luís） | NA | 堆叠GRU | R值（相关系数） | NA |
| 10755 | 2026-03-10 |
Automatic estimation of single-tooth width from standardized two-dimensional occlusal photographs using deep learning
2026-Mar-09, Head & face medicine
IF:2.4Q2
DOI:10.1186/s13005-026-00605-1
PMID:41796356
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 10756 | 2026-03-09 |
Deep learning approaches for time series prediction of renal recovery in medical critically Ill patients with acute kidney injury: LSTM, GRU, and transformer models
2026-Mar-07, Critical care (London, England)
DOI:10.1186/s13054-026-05942-w
PMID:41794739
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 10757 | 2026-04-18 |
Automated measurement of hallux valgus angles using a deep learning model: validation and comparison with surgeons of varying expertise
2026-Mar-06, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42100-2
PMID:41792184
|
研究论文 | 本文开发了一种基于深度学习的模型，用于自动测量足部负重X光片中的拇外翻角和跖骨间角，并与不同经验水平的外科医生进行比较验证 | 采用UNet++与MobileNetV2结合的架构进行骨轴分割，并引入线性回归模块预测角度，且首次系统比较了模型与不同经验水平外科医生的测量结果 | 研究仅基于单一队列数据，外部验证尚未进行，模型在控制组HVA的ICC相对较低（0.821） | 开发自动化测量拇外翻相关角度的深度学习模型，以提升测量效率和一致性 | 足部负重X光片中的拇外翻角和跖骨间角 | 计算机视觉 | 足部疾病 | X光成像 | CNN | 图像 | 2,468张负重X光片（来自2,124名参与者，包括1,920张HV病例和548张对照） | NA | UNet++, MobileNetV2 | 平均绝对误差, 均方根误差, 组内相关系数, 异常值率 | NA |
| 10758 | 2026-04-18 |
Integrated deep learning-driven multi-stage steam forecasting and scheduling optimization for converter energy systems
2026-Mar-05, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42104-y
PMID:41786838
|
研究论文 | 本文提出了一种集成两阶段多时间尺度预测框架，用于转炉蒸汽的规划与生产阶段预测，以支持蒸汽调度优化 | 首次将长时程规划预测与短时程滚动预测相结合，并采用超参数优化的SVM模型和DSC-Transformer模型分别处理不同阶段的预测任务 | 未讨论模型在非稳态生产条件下的泛化能力，且实验数据仅限于特定工业转炉 | 提高转炉蒸汽的回收利用率，降低能源成本 | 转炉蒸汽数据，包括规划信息和生产过程信号 | 机器学习 | NA | 时间序列预测 | SVM, Transformer | 时间序列数据 | 工业转炉数据（具体数量未说明） | NA | IBKA-SVM, DSC-Transformer | 预测性能百分比（IBKA-SVM: 92.3%, DSC-Transformer: 98.7%） | NA |
| 10759 | 2026-03-07 |
A comprehensive evaluation of lightweight deep learning models for tomato disease classification on edge computing environments
2026-Mar-05, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42439-6
PMID:41786837
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 10760 | 2026-03-07 |
A dual limb attention based deep learning network for multipath classification of millimetre wave signals in intelligent transportation system
2026-Mar-05, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-39131-0
PMID:41786870
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |