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
1101	2026-06-05	The impact of stability considerations on genetic fine-mapping 2026-03-16, eLife IF:6.4Q1 DOI:10.7554/eLife.88039 PMID:41838038	研究论文	提出一种基于稳定性的遗传精细定位方法，不依赖于残差化，通过跨遗传背景或环境的一致性变异识别，提升因果变异发现能力	首次提出稳定性引导的精细定位框架，无需预残差化处理；通过对比一致性变异与不一致变异的功能注释富集，揭示稳定性方法对传统方法的互补增强作用	稳定性方法不优于或不劣于残差化，但各自识别出显著不同的变异；在部分情况下两种方法报告不同变异时，稳定性方法识别变异的功能注释富集程度相近	开发一种不依赖残差化的稳定性引导精细定位方法，以识别在不同遗传背景或环境中一致精细定位的变异，并增强传统方法对功能影响变异的识别能力	GEUVADIS数据中的eQTLs以及378种不同的人类基因组功能注释（包括基于深度学习的Enformer注释）	机器学习	NA	遗传精细定位、功能注释分析	Enformer（深度学习）	遗传变异数据、基因表达数据、功能注释数据	GEUVADIS数据集中378种功能注释	NA	NA	因果变异恢复率、功能注释富集度	NA
1102	2026-06-05	MolVE: An Open-Source Web Platform for Visualizing and Evaluating AI-Designed Molecules to Aid in Prioritization 2026-Mar-09, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02412 PMID:41667067	研究论文	MolVE是一个开源网络平台，用于可视化和评估AI设计的分子，以辅助优先级排序	MolVE结合了安全用户认证、数据集管理和交互式2D/3D可视化，实现异步、分布式、协作式的分子评估，并提供了支持编程语言集成的API和Python服务来运行机器学习与深度学习模型	NA	开发一个开源网络平台，使化学家和药理学家能够高效地策展、注释和评估AI生成的分子结构	AI设计的分子结构	计算机视觉、自然语言处理、机器学习	NA	NA	深度学习生成模型	分子结构数据	NA	React, Node.js, Express, PostgreSQL, Docker	NA	NA	Docker容器化部署，支持学术和工业环境
1103	2026-06-05	Micro- and nanoplastics (MNPs) in liquid food: From occurrence, health risks and migration mechanisms to AI-enabled analytical and circular solutions 2026-Mar-01, Food research international (Ottawa, Ont.) DOI:10.1016/j.foodres.2025.118160 PMID:41652739	综述	综述了液态食品中微塑料和纳米塑料的存在、健康风险、迁移机制及人工智能辅助的分析与循环解决方案	提出了迁移不仅由机械磨损和聚合物降解引起，还由食品-包装界面的物理化学分配（能斯特分配定律）驱动，并评估了机器学习和深度学习在检测、分类及回收优化中的潜力	机器学习/深度学习在液态食品检测中的应用仍处于概念阶段，在回收优化和预测迁移建模中的潜力尚未实现	总结液态食品中微塑料和纳米塑料的存在、迁移机制和暴露影响，并评估人工智能在分析检测和循环解决方案中的作用	液态食品（包括饮用水、牛奶、饮料和调味品）中的微塑料和纳米塑料	机器学习	NA	NA	CNN, LSTM, 生成对抗网络	图像	NA	NA	NA	NA	NA
1104	2026-06-05	Computational advances in RNA-small molecule binding site prediction 2026-Mar, Progress in biophysics and molecular biology DOI:10.1016/j.pbiomolbio.2026.02.003 PMID:41654089	综述	综述RNA-小分子结合位点预测的计算方法进展，从传统统计模型到深度学习和大型语言模型的演变	系统总结了RNA-配体结合位点预测方法从手工特征统计模型到多模态深度学习模型的演化，特别强调了大型语言模型在捕获长程序列依赖性和上下文模式方面的创新应用	RNA内在的结构灵活性、瞬时性和环境依赖的结合口袋、高分辨率复合结构数据有限，以及准确、可泛化和可解释预测的持续挑战	加速RNA靶向药物发现，通过提供准确、可泛化和可解释的RNA-配体结合位点预测方法	RNA-小分子结合位点	机器学习, 自然语言处理	NA	计算预测方法	大型语言模型, 深度学习模型	序列数据, 结构数据, 拓扑数据	NA	NA	NA	NA	NA
1105	2026-06-05	Emergent Language Symbolic Autoencoder (ELSA) with weak supervision to model hierarchical brain networks 2026-Mar, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2026.111533 PMID:41655479	研究论文	提出一种名为涌现语言符号自编码器（ELSA）的新型架构，利用弱监督和涌现语言框架对分层脑网络进行建模	引入一组层次感知损失函数（渐进损失、严格损失和包含偏置损失），结合独立成分分析排序的弱监督信息，隐式地强制涌现语言形成由粗到细的层次结构，无需大量人工标注	在低阶独立成分分析排序时层次一致性仅达43.5%，且模型目前仅在静息态功能磁共振成像数据上验证，泛化性待评估	构建可解释的分层脑网络表示模型，将脑网络编码为层次化的符号化句子，同时保持数据重建能力	静息态功能磁共振成像中的分层脑网络	机器学习	NA	静息态功能磁共振成像	符号自编码器	功能磁共振图像	来自1000功能连接组计划的公开数据集	NA	涌现语言符号自编码器（ELSA）	层次一致性	NA
1106	2026-06-05	VSSI2p-Net: Physics-guided deep unfolding with L2p-norm and variation sparsity for EEG source imaging 2026-Mar, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2026.121793 PMID:41655611	研究论文	提出一种基于深度展开的变分稀疏源成像网络（VSSI-Net），用于脑电图源成像	首次将变化稀疏性和ℓ范数（0<p<1）正则化引入脑电图源成像问题，并通过深度展开将交替方向乘子法的迭代过程映射为神经网络，实现包括关键参数p在内的端到端优化，融合了传统方法的可解释性和深度学习的数据驱动优势	需要合理大小的训练集，且网络结构的深度取决于迭代步数，可能增加计算复杂度	提高脑电图源成像的准确性和效率，解决传统方法参数调整困难和深度学习方法可解释性差的问题	脑电图源成像问题中的源定位和空间范围估计	机器学习	NA	脑电图	深度展开网络（基于交替方向乘子法迭代映射）	脑电图信号	合成数据集和真实数据集（具体数量未在摘要中说明）	PyTorch（推断）	VSSI-Net（自定义深度展开架构）	源定位精度, 空间范围估计, 成像速度	NA
1107	2026-06-05	Periodontal bone loss analysis via keypoint detection with heuristic post-processing 2026-Mar, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2026.111515 PMID:41666656	研究论文	提出基于关键点检测与启发式后处理的深度学习框架，用于自动识别牙周骨丧失标志物并进行疾病分期	提出阶段无关的标注方法及启发式后处理模块，通过辅助实例分割模型将预测关键点对齐至牙齿边界，并设计牙科影像专用评估指标PRCK	后处理在提升细粒度定位的同时降低了粗粒度性能，且根分叉病变和牙周膜间隙增宽任务因阳性样本稀缺仍具挑战性，后处理模块偶发严重失败	实现临床可解释的牙周骨丧失自动评估，减少诊断差异性和临床医生工作量	根尖周X光片中的牙周骨丧失关键点、相关病变及疾病分期	计算机视觉	牙周病	X光成像	关键点检测模型	图像（根尖周X光片）	192张根尖周X光片	PyTorch	多人姿态估计模型（经微调适配关键点检测）	PRCK0.05、PRCK0.25、PRCK0.5、Dice系数	NA
1108	2026-02-22	Corrigendum to "Deep learning enhanced ALPS reveals genetic and environmental factors of brain glymphatic function" [eBioMedicine 124 (2026) 106133] DOI: 10.1016/j.ebiom.2026.106133 2026-Mar, EBioMedicine IF:9.7Q1 DOI:10.1016/j.ebiom.2026.106180 PMID:41719794	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1109	2026-06-05	Mechanism of Ag+-Induced Folding of a Bacterial Peptide from Replica-Exchange Molecular Simulations 2026-Feb-26, The journal of physical chemistry letters IF:4.8Q1 DOI:10.1021/acs.jpclett.6c00044 PMID:41666260	研究论文	通过副本交换分子模拟研究银离子诱导细菌肽折叠的机制	结合质谱、核磁共振、密度泛函理论参数化、副本交换模拟和深度学习，首次揭示了银离子通过降低无序态熵和稳定折叠态来促进B1肽折叠的分子机制	未提及	阐明银离子诱导细菌肽折叠的分子机制，为理解金属诱导蛋白质折叠和细菌银抗性机制提供计算基础	来自细菌SilE蛋白的B1肽片段及其与银离子的复合物	机器学习	NA	质谱，核磁共振，密度泛函理论，副本交换分子模拟	深度学习	分子动力学模拟轨迹	NA	NA	NA	NA	NA
1110	2026-06-05	Redefining Tumor Vascular Permeability through Deep Learning-Guided Microneedle Delivery 2026-Feb-24, ACS nano IF:15.8Q1 DOI:10.1021/acsnano.5c16558 PMID:41660810	研究论文	提出一种深度学习引导的微针递送平台，通过局部调控肿瘤血管通透性增强纳米颗粒外渗，并结合定量分析揭示了不同肿瘤类型和颗粒尺寸下的血管重塑与转运机制	首次将深度学习指导的微针递送系统与升级版单血管分析框架（nano-ISML 1.1）结合，实现肿瘤血管的局部时空精准调控，并通过VE-钙粘蛋白介导的机制选择性扩大内皮连接，将低通透性肿瘤重编程为高通透性表型，建立了大小依赖的渗透窗口	研究主要基于小鼠肿瘤模型，尚需在人体肿瘤微环境中验证；微针递送组胺的长期安全性和重复给药效果有待评估	克服肿瘤血管低通透性造成的纳米药物递送障碍，通过定量评估和机制理解优化肿瘤靶向纳米药物的递送策略	不同肿瘤类型的血管通透性及纳米颗粒（≤200 nm和>500 nm）在肿瘤组织中的外渗行为	计算机视觉, 深度学习, 数字病理	肺部肿瘤, 前列腺肿瘤	微针递送, 纳米颗粒, 组胺递送	深度学习模型, 单血管分析框架	图像, 定量数据	NA	NA	NA	NA	NA
1111	2026-06-05	Information-Guided Fusion of Multimodal Vibrational Spectroscopy for Disease Diagnosis Based on Symbiotic Attention Decoupled Contrastive Learning 2026-Feb-17, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c06086 PMID:41657032	研究论文	提出一种基于共生注意解耦对比学习的信息引导融合方法，用于多模态振动光谱疾病诊断	设计共生注意融合和寄生注意融合机制模拟生物共生与寄生关系，实现差异化信息增强，并通过监督多模态对比学习解耦网络平衡跨模态一致性与模态内内聚性	未提及具体限制，如计算复杂度、模型泛化性、数据依赖性等	克服现有深度学习方法中强模态过度依赖或弱模态噪声干扰，提高疾病分类的准确性和可解释性	振动光谱数据（拉曼光谱和红外光谱），用于疾病诊断	数字病理学	癌症, 自身免疫疾病, 心血管疾病	振动光谱（拉曼光谱与红外光谱融合）	多层感知机（MLP），卷积神经网络（CNN）	光谱数据（振动光谱）	针对癌症、自身免疫疾病和心血管疾病数据集，具体样本数量未提及	NA	共生注意融合解耦网络（SAFDN）	准确率，AUC	NA
1112	2026-06-05	Mining lysine post-translational modification sites by integrating protein language model representations with structural context 2026-Feb-17, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2529141123 PMID:41662532	研究论文	提出一个整合蛋白质语言模型表征与结构上下文的统一深度学习框架，用于赖氨酸翻译后修饰位点识别	首次整合蛋白质语言模型的序列表征与原子级三维结构特征，构建适用于多种赖氨酸修饰类型的统一深度学习框架，减少领域特定特征工程	未提及	开发一个整合序列与结构信息的高效赖氨酸翻译后修饰位点识别计算框架	赖氨酸翻译后修饰位点	machine learning	NA	深度学习, 蛋白质语言模型, 分子动力学模拟	深度学习模型	蛋白质序列, 原子级三维结构数据	NA	NA	未提及	NA	NA
1113	2026-06-05	XL-MSDigger: a deep learning-based, versatile solution for cross-linking mass spectrometry 2026-Feb-10, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-69489-8 PMID:41663436	研究论文	构建了一个基于深度学习的XL-MS通用平台XL-MSDigger，用于解决交联质谱技术的数据处理瓶颈	提出了Deep4D-XL深度学习模型，可同时预测交联肽的保留时间、碰撞截面和碎片离子强度等多维信息，并基于此开发了DDA和DIA分析数据的重打分算法和工作流程，首次实现了基于预测谱库的DIA交联质谱分析	未提及具体限制，但可能依赖于预测谱库的准确性，且在超大规模互动分析中可能仍有局限性	解决XL-MS技术中数据处理和分析方法的不足，提升蛋白质结构和蛋白-蛋白相互作用研究的深度和可靠性	交联肽及蛋白质-蛋白相互作用	机器学习	NA	交联质谱（XL-MS）	深度学习模型	质谱数据（DDA和DIA分析数据）	未提及具体样本数量	NA	Deep4D-XL	覆盖率、假发现率	NA
1114	2026-06-05	A Cross-Sectional Study Based on Deep Learning to Explore the Effect of Triglyceride/Glucose Index on Periodontitis: An Analysis Based on the Large NHANES Database 2026-Feb-10, Oral health & preventive dentistry IF:1.4Q3 DOI:10.3290/j.ohpd.c_2468 PMID:41665038	研究论文	基于大规模NHANES数据库，利用深度学习模型探索甘油三酯/葡萄糖指数对牙周炎的影响	首次利用深度学习模型结合SHAP算法，从大规模国家数据库中系统评估TyG指数对牙周炎的预测价值，并揭示其剂量-反应关系	横断面研究设计无法推断因果关系，且全部调整混杂因素后统计学显著性下降	探讨TyG指数对牙周炎的预测价值及其相关性	NHANES数据库中的参与者	机器学习	牙周炎	NA	神经网络	表格数据	2834名参与者	PyTorch	多层神经网络	AUC-ROC, 准确率, 敏感性, 特异性	NA
1115	2026-06-05	Interpretable and generative deep learning models explicate phase separating intrinsically disordered motifs 2026-Feb-10, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-69252-z PMID:41667449	research paper	开发了一个名为PhaSeMotif的深度学习框架，用于可解释且精确预测 intrinsically disordered regions (IDRs) 内主导相分离（PS）的序列基序	整合了可解释预测与生成模型，能够创建保留关键组成特征的验证就绪基序，实现从预测到实验验证的闭环流程	NA	系统识别调控IDR相分离的关键序列基序及其组成决定因素	蛋白质中的内在无序区域（IDRs）及其相分离基序	machine learning	NA	deep learning	generative model, interpretable model	蛋白质序列	NA	NA	PhaSeMotif	NA	NA
1116	2026-06-05	Comprehensive 3D Optical Coherence Tomography Dataset for AMD and DME: Facilitating Deep-Learning-Based 3D Segmentation 2026-Feb-10, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-06497-1 PMID:41667492	研究论文	提出了一个包含224个OCT体积图像的数据集，用于年龄相关性黄斑变性（AMD）和糖尿病性黄斑水肿（DME）的3D分割，并基于BiFormer模块设计了新型3D分割网络	首个针对AMD和DME的3D OCT数据集，并提出了基于双级路由注意力机制的新型3D分割网络	未提及具体限制	促进深度学习在AMD和DME 3D分割中的应用	年龄相关性黄斑变性（AMD）和糖尿病性黄斑水肿（DME）患者的OCT图像	计算机视觉	年龄相关性黄斑变性，糖尿病性黄斑水肿	OCT成像	CNN	3D医学图像（OCT体积图像）	224个体积图像（122个AMD，102个DME）	NA	基于BiFormer模块的3D分割网络	NA	NA
1117	2026-06-05	HBID24K: A New Benchmark Dataset for Vulnerable Houbara Bustard and Intruder Detection in Wildlife Monitoring 2026-Feb-10, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-06496-2 PMID:41667517	研究论文	提供了一个包含24318张相机陷阱图像的数据集HBID24K，用于监测易危波斑鸨并检测入侵者	首次构建针对波斑鸨监测的大规模、多样化的基准数据集，填补了该领域缺乏全面数据集的空白	NA	推动深度学习在野生动物监测中的应用，特别是波斑鸨保护中的自动监测与入侵者检测	易危波斑鸨及其栖息地中的潜在入侵者	计算机视觉	NA	相机陷阱	目标检测模型（如YOLOv10）	图像	24318张图像（15070张波斑鸨图像与9248张入侵者图像）	NA	YOLOv10	评估指标（未具体说明）	NA
1118	2026-06-05	Alzheimer's disease prediction using deep learning and XAI based interpretable feature selection from blood gene expression data 2026-Feb-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35260-8 PMID:41667529	研究论文	利用深度学习与可解释AI从血液基因表达数据中预测阿尔茨海默病	采用多种特征选择方法结合SHAP可解释AI模型来识别关键生物标志物，并使用GAN进行数据增强以克服小样本问题	高维度和小样本量带来的分析复杂性，以及方法仅基于血液基因表达数据	开发一种非侵入性、低成本的早期阿尔茨海默病检测方法	血液基因表达数据	机器学习	阿尔茨海默病	基因表达测序	深度神经网络，生成对抗网络	基因表达数据	三个数据集：GSE63060、GSE63061和ADNI，及其整合版本	NA	深度神经网络	准确率，精确率	NA
1119	2026-06-05	Utilizing deep learning models for early detection and classification of fruit diseases: towards sustainable agriculture and enhanced food quality 2026-Feb-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-38259-3 PMID:41667572	研究论文	利用深度学习模型早期检测和分类水果病害，以支持可持续农业和提高食品质量	系统比较五种深度学习模型（CNN、DenseNet121、EfficientNetB3、Xception、ResNet50）在六种水果病害早期检测中的表现，其中EfficientNetB3模型达到最高准确率	未提及在真实农业环境中不同光照、角度和背景条件下的泛化能力，也未讨论模型的部署和计算资源需求	早期检测和分类水果病害，帮助农民克服病害，提高食品质量和产量	六种水果病害：橙子、葡萄、芒果、番石榴、苹果和香蕉病害	计算机视觉, 数字病理学	NA	图像预处理、数据增强	深度学习模型（CNN、DenseNet121、EfficientNetB3、Xception、ResNet50）	图像	未明确说明样本数量，但涉及六种水果病害的数据集	NA	CNN、DenseNet121、EfficientNetB3、Xception、ResNet50	准确率	NA
1120	2026-06-05	Enhanced diabetes prediction using pre-trained CNNs, LSTM, and conditional GAN on transformed numerical data 2026-Feb-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-38942-5 PMID:41667617	研究论文	利用预训练CNN、LSTM和条件生成对抗网络增强数值数据转换后的糖尿病预测	提出了一种将表格数据转换为图像表示，并结合预训练卷积神经网络、长短期记忆网络和条件生成对抗网络进行糖尿病预测的深度学习框架	结果可能部分受到合成数据的影响，在法兰克福糖尿病数据集上的验证样本量有限，泛化能力需进一步在大型、多样化和多机构数据集中验证	从结构化生物医学数据中增强糖尿病预测性能	糖尿病预测	机器学习	糖尿病	NA	CNN, LSTM, 条件生成对抗网络	数值表格数据	皮马印第安人糖尿病数据集和法兰克福糖尿病数据集	NA	DenseNet201, ResNet152, Xception, EfficientNetB4	准确率, AUC	NA