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
11761	2024-11-18	Foundations of reasoning with uncertainty via real-valued logics 2024-May-21, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2309905121 PMID:38753505	研究论文	本文探讨了通过实值逻辑进行不确定性推理的基础	引入了多维句子类，并提供了声音和完整的公理化，可以参数化以涵盖许多实值逻辑，包括所有常见的模糊逻辑，并扩展到加权版本和概率为真值的情况	本文的决策过程基于线性规划，仅适用于某些实值逻辑和特定自然假设	建立实值逻辑系统的正确性和能力的基础	实值逻辑及其推理能力	机器学习	NA	线性规划	NA	NA	NA
11762	2024-11-18	Genomic language model predicts protein co-regulation and function 2024-Apr-03, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-46947-9 PMID:38570504	研究论文	本文训练了一个基因组语言模型（gLM），通过数百万个宏基因组支架来学习基因之间的潜在功能和调控关系	本文首次将机器学习扩展到包含更高阶的基因组上下文信息，利用进化过程产生的基因组模式来揭示基因产物之间的功能关系	NA	揭示基因与其基因组上下文之间的关系，理解生物系统的功能和调控	基因之间的功能和调控关系	机器学习	NA	基因组语言模型（gLM）	语言模型	蛋白质序列数据	数百万个宏基因组支架
11763	2024-11-18	DeePhage: distinguishing virulent and temperate phage-derived sequences in metavirome data with a deep learning approach 2021-09-08, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giab056 PMID:34498685	研究论文	本文介绍了一种名为DeePhage的新计算方法，用于区分metavirome数据中的烈性和温和噬菌体序列	DeePhage使用卷积神经网络检测序列特征，准确率高达89%，比现有工具PhagePred和PHACTS分别高出10%和30%，并且在运行时间上显著减少	NA	开发一种能够有效分类metavirome数据中烈性和温和噬菌体序列的新计算方法	metavirome数据中的烈性和温和噬菌体序列	机器学习	NA	卷积神经网络	CNN	DNA序列	NA
11764	2024-11-18	VC@Scale: Scalable and high-performance variant calling on cluster environments 2021-09-07, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giab057 PMID:34494101	研究论文	本文提出了一种基于Apache Spark的本地工作流程，用于在集群环境中实现可扩展和高性能的变异检测	本文的创新点在于提出了一种紧密集成预处理阶段的本地Spark工作流程，利用Python和Apache Arrow实现高效的数据传输，从而提高了变异检测的性能和可扩展性	NA	研究目的是开发一种可扩展且高性能的变异检测工作流程，以应对深度学习方法在变异检测中的高计算成本问题	研究对象是下一代测序数据的预处理和变异检测工作流程	生物信息学	NA	Apache Spark, Apache Arrow	NA	测序数据	NA
11765	2024-11-18	RNAProt: an efficient and feature-rich RNA binding protein binding site predictor 2021-08-18, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giab054 PMID:34406415	研究论文	本文介绍了一种基于循环神经网络的高效且功能丰富的RNA结合蛋白结合位点预测框架RNAProt	RNAProt在预测性能和运行时间效率上优于传统机器学习方法和深度学习方法，并支持多种额外功能和用户定义特征	NA	开发一种高效的计算方法来预测RNA结合蛋白的结合位点	RNA结合蛋白的结合位点	机器学习	NA	CLIP-seq	循环神经网络	文本	NA
11766	2024-11-18	ChronoRoot: High-throughput phenotyping by deep segmentation networks reveals novel temporal parameters of plant root system architecture 2021-07-20, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giab052 PMID:34282452	研究论文	本文介绍了一种结合3D打印开放硬件和深度分割网络的高通量植物根系表型分析系统ChronoRoot	开发了一种基于深度学习的根系提取方法，利用卷积神经网络的最新进展进行图像分割，并将时间一致性纳入根系结构重建过程	NA	扩展根系高通量表型分析的可能性，揭示新的根系特征	植物根系	计算机视觉	NA	深度学习	卷积神经网络	图像	NA
11767	2024-11-18	Multi-stage malaria parasite recognition by deep learning 2021-06-17, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giab040 PMID:34137821	研究论文	本文开发了一种基于深度迁移图卷积网络（DTGCN）的深度学习方法，用于识别血液涂片图像中不同阶段的疟原虫	首次将图卷积网络（GCN）应用于多阶段疟原虫识别	NA	开发一种高效准确的方法来识别血液涂片图像中不同阶段的疟原虫	疟原虫的不同生长阶段	计算机视觉	疟疾	深度迁移图卷积网络（DTGCN）	图卷积网络（GCN）	图像	使用了公开的微观图像数据集和一个大规模的未见过的疟原虫数据集以及Babesia数据集
11768	2024-11-18	Label3DMaize: toolkit for 3D point cloud data annotation of maize shoots 2021-05-07, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giab031 PMID:33963385	研究论文	本文提出了一种用于玉米植株3D点云数据标注的工具包Label3DMaize，通过自上而下的点云分割算法实现半自动的点云分割和标注	本文的创新点在于提出了一种基于最优运输距离的点云分割算法，并开发了一个半自动的3D点云标注工具包Label3DMaize	本文的局限性在于工具包的分割精度依赖于粗分割和精细分割的结合，且精细分割需要更多时间	本文的研究目的是开发一种高效的3D点云分割和标注工具，以支持基于深度学习的植物点云处理研究	本文的研究对象是玉米植株的3D点云数据	计算机视觉	NA	3D点云分割	NA	3D点云数据	不同生长阶段的玉米植株
11769	2024-11-18	Fluorescence microscopy datasets for training deep neural networks 2021-05-05, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giab032 PMID:33954794	研究论文	本文提供了用于训练深度神经网络的高质量荧光显微镜数据集	本文提供了高质量的数据集，用于训练和评估正在开发的深度学习方法	NA	提高荧光显微镜图像的信噪比，减少光漂白和光毒性	荧光显微镜图像	计算机视觉	NA	荧光显微镜	卷积神经网络	图像	NA
11770	2024-11-18	MB-GAN: Microbiome Simulation via Generative Adversarial Network 2021-02-05, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giab005 PMID:33543271	研究论文	本文介绍了一种名为MB-GAN的生成对抗网络框架，用于模拟真实的微生物组数据	MB-GAN通过生成对抗网络自动学习微生物丰度并生成难以区分的模拟数据，避免了显式统计建模假设	NA	解决模拟真实微生物组数据的挑战	微生物组数据	机器学习	NA	生成对抗网络 (GAN)	GAN	微生物丰度数据	396个样本
11771	2024-11-18	Lilikoi V2.0: a deep learning-enabled, personalized pathway-based R package for diagnosis and prognosis predictions using metabolomics data 2021-01-23, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giaa162 PMID:33484242	研究论文	本文介绍了Lilikoi V2.0，一个基于深度学习的个性化通路分析R包，用于代谢组学数据的诊断和预后预测	Lilikoi V2.0引入了深度学习方法进行分类，并增加了预后预测模块，支持数据预处理、探索性分析、通路可视化和代谢通路回归	NA	更新和升级Lilikoi软件，以适应代谢组学领域的新计算趋势	代谢组学数据	机器学习	NA	深度学习	Cox-nnet模型	代谢组学数据	NA
11772	2024-11-18	Tool recommender system in Galaxy using deep learning 2021-01-06, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giaa152 PMID:33404053	研究论文	本文开发了一个基于深度学习的工具推荐系统，用于帮助研究人员在Galaxy平台上创建工作流程	本文提出了一个基于门控循环单元神经网络的工具推荐模型，通过分析研究人员在欧洲Galaxy服务器上创建的工作流程来学习工具之间的依赖关系	NA	开发一个工具推荐系统，帮助研究人员在Galaxy平台上更轻松地创建复杂的工作流程	Galaxy平台上的工具和工作流程	机器学习	NA	深度学习	门控循环单元神经网络	工作流程数据	NA
11773	2024-11-17	Secondary Structure Detection and Structure Modeling for Cryo-EM 2025, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-4213-9_17 PMID:39543043	研究论文	本文介绍了一种基于深度学习的工具集，用于在不同分辨率的冷冻电镜密度图中检测和建模蛋白质结构	开发了一套基于深度学习的工具，能够在不同分辨率的冷冻电镜密度图中自动建模蛋白质结构，并检测蛋白质二级结构	NA	开发和应用深度学习技术，以提高在不同分辨率冷冻电镜密度图中蛋白质结构的检测和建模能力	冷冻电镜密度图中的蛋白质结构	结构生物学	NA	深度学习	深度学习模型	图像	NA
11774	2024-11-17	Predicting Therapeutic Response to Hypoglossal Nerve Stimulation Using Deep Learning 2024-Dec, The Laryngoscope DOI:10.1002/lary.31609 PMID:38934474	研究论文	开发和验证机器学习和深度学习模型，利用药物诱导睡眠内镜图像预测舌下神经刺激器的治疗效果	首次使用深度神经网络从药物诱导睡眠内镜图像中预测舌下神经刺激器的治疗效果	需要多机构数据和图像集来开发可推广的预测模型	预测舌下神经刺激器的治疗效果，以优化患者选择	药物诱导睡眠内镜图像和舌下神经刺激器植入患者	机器学习	NA	深度学习	深度神经网络	图像	25,040张图像，来自127名患者
11775	2024-11-17	MMGCN: Multi-modal multi-view graph convolutional networks for cancer prognosis prediction 2024-Dec, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2024.108400 PMID:39270533	研究论文	提出了一种名为MMGCN的多模态多视角图卷积网络框架，用于癌症预后预测	通过融合基因表达、拷贝数变异和临床数据构建患者相似网络，并利用多视角图卷积网络和视图级注意力机制捕捉患者相似性的多样性	NA	提高癌症患者预后预测的准确性	癌症患者的基因和临床数据	机器学习	NA	图卷积网络	图卷积网络	基因表达数据、拷贝数变异数据、临床数据	四个公共数据集，包括METABRIC、TCGA-BRCA、TCGA-LGG和TCGA-LUSC
11776	2024-11-17	Immunohistochemistry annotations enhance AI identification of lymphocytes and neutrophils in digitized H&E slides from inflammatory bowel disease 2024-Dec, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2024.108423 PMID:39306985	研究论文	本文开发了一种自动化管道，利用免疫组化注释增强AI在数字化H&E切片中识别淋巴细胞和中性粒细胞的能力，特别是在炎症性肠病中的应用	本文的创新点在于开发了一种自动化管道，通过免疫组化注释将细胞标签从免疫组化ROI转移到H&E ROI，从而创建了一个包含大量标记细胞的新数据集，用于训练深度学习模型	尽管模型在测试中表现良好，但其性能在不同数据集上的泛化能力仍需进一步验证	开发一种能够准确识别和分类数字化H&E切片中淋巴细胞和中性粒细胞的AI模型，以辅助炎症性肠病的诊断和管理	数字化H&E切片中的淋巴细胞和中性粒细胞	数字病理学	炎症性肠病	免疫组化	HoVer-Net	图像	19张数字化H&E切片和相应的免疫组化染色切片，共519个ROI，包含235,256个标记细胞
11777	2024-11-17	Flood simulation using LISFLOOD and inundation effects: A case study of Typhoon In-Fa in Shanghai 2024-Dec-01, The Science of the total environment DOI:10.1016/j.scitotenv.2024.176372 PMID:39312974	研究论文	本研究使用LISFLOOD模型和S1FLOOD深度学习模型，模拟了2021年7月23日至28日台风“烟花”对上海造成的洪水影响	本研究结合了LISFLOOD水动力模型和S1FLOOD深度学习模型，利用多源数据对上海的洪水进行了动态模拟，并量化了洪水对人口、土地利用和建筑的影响	本研究主要集中在台风“烟花”对上海的影响，未来可以扩展到其他城市或不同类型的自然灾害	本研究的目的是通过模拟台风“烟花”对上海的洪水影响，提高城市洪水应急响应能力	本研究主要研究对象是台风“烟花”对上海造成的洪水及其对人口、土地利用和建筑的影响	NA	NA	LISFLOOD水动力模型，S1FLOOD深度学习模型	深度学习模型	卫星图像	NA
11778	2024-11-17	Review of machine learning methods for sea level change modeling and prediction 2024-Dec-01, The Science of the total environment DOI:10.1016/j.scitotenv.2024.176410 PMID:39312971	综述	本文综述了用于海平面变化建模和预测的机器学习方法	本文揭示了人工神经网络（尤其是深度学习模型及其混合变体）在短期海平面异常预测中优于传统回归和简单机器学习技术	简单模型在处理复杂非线性场景时往往准确性较低	评估开发用于预测和预报海平面变化的稳健机器学习模型的方法和途径	海平面变化预测和预报的机器学习模型	机器学习	NA	机器学习	人工神经网络（ANN）	NA	NA
11779	2024-11-17	Paying attention to uncertainty: A stochastic multimodal transformers for post-traumatic stress disorder detection using video 2024-Dec, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2024.108439 PMID:39340932	研究论文	本文提出了一种基于随机多模态Transformer的决策支持系统，用于从视频中检测创伤后应激障碍	本文的创新点在于使用了一种新的多模态深度学习方法，基于随机Transformer和视频数据，能够利用其随机激活函数和层来学习输入的稀疏表示	NA	本文的研究目的是开发一种新的方法，用于从视频中检测创伤后应激障碍	本文的研究对象是创伤后应激障碍的症状，包括侵入性思维、噩梦、过度警觉和回避行为	机器学习	心理疾病	多模态深度学习	Transformer	视频	本文使用了eDAIC数据集，该数据集包含患有和不患有创伤后应激障碍的个体的临床访谈
11780	2024-11-17	Classifying eutrophication spatio-temporal dynamics in river systems using deep learning technique 2024-Dec-01, The Science of the total environment DOI:10.1016/j.scitotenv.2024.176585 PMID:39353491	研究论文	研究利用深度学习技术对韩国主要河流的富营养化时空动态进行分类	本研究采用卷积神经网络（CNN）模型，直接从水质数据中提取特征，无需先验知识，相比传统数值模型具有更高的分类准确性	研究仅限于韩国的四条主要河流，且数据时间跨度为2014年至2022年	旨在利用深度学习技术分析韩国主要河流的富营养化状况	韩国的汉江、锦江、荣山江和洛东江的水质数据	机器学习	NA	深度学习	卷积神经网络（CNN）	水质数据	2014年至2022年期间的四条河流的水质数据