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
1161	2026-02-07	SG-DCNN: A Deep Learning Method Integrating Self-Attention Mechanism and Generative Adversarial Network for Predicting Ion-Ligand Binding Residues in Small Samples 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3645246 PMID:41406298	研究论文	提出了一种结合自注意力机制和生成对抗网络的深度学习方法SG-DCNN，用于预测小样本中离子配体的结合残基	首次将生成对抗网络和自注意力机制集成到深度卷积神经网络框架中，以解决小样本和类别不平衡问题	仅针对八种小样本离子配体进行了验证，未在大规模或更多种类的配体上进行测试	提高蛋白质与离子配体结合残基的预测准确性	离子配体与蛋白质的结合残基	机器学习	NA	NA	CNN, GAN	NA	八种小样本离子配体	NA	深度卷积神经网络, 生成对抗网络, 自注意力机制	准确率, 马修斯相关系数	NA
1162	2026-02-07	DeepR2OM: Accurate Recognition for RNA 2'-O-Methylation Sites in Human Genome Using Deep Learning 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3647488 PMID:41433162	研究论文	本文提出了一种名为DeepR2OM的新方法，通过整合特征选择和深度学习技术，用于准确预测人类基因组中的RNA 2'-O-甲基化位点	开发了DeepR2OM，一种结合了八种RNA描述符编码、特征选择算法降维以及深度学习网络训练的新型预测方法，并评估了多种深度学习架构以优化模型性能	未明确提及具体局限性，但传统检测方法存在资源密集、可能损伤RNA样本和高成本等问题，而本研究未讨论模型在更广泛数据集或实际应用中的泛化能力	准确预测人类基因组中的RNA 2'-O-甲基化位点，以理解RNA的生物学功能及相关病理	人类基因组中的RNA 2'-O-甲基化位点	机器学习	NA	RNA描述符编码	CNN, Multi-Head Self-Attention, DNN	序列数据	NA	NA	CNN, Multi-Head Self-Attention, DNN	准确率, 召回率, 精确率, 马修斯相关系数	NA
1163	2026-02-07	Drug Effect Classification Using Frequency-Based Graph Traversal Approach 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3648860 PMID:41452695	研究论文	本研究提出了一种基于频率的图遍历方法，用于将药物分类为症状缓解型或疾病修饰型	采用异质网络和引导最短路径遍历框架，通过识别最短元路径中频繁出现的基因来分类药物，并提高了模型的可解释性	NA	基于药物对疾病治疗的影响，将其分类为症状缓解型或疾病修饰型	药物、基因和疾病	机器学习	多发性硬化症	图遍历方法	图模型	网络数据	NA	NA	引导最短路径遍历框架	分类准确率	NA
1164	2026-02-07	Foundation Models for Neural Signal Decoding: EEG-Centered Perspectives Toward Unified Representations 2026-Jan, The European journal of neuroscience DOI:10.1111/ejn.70376 PMID:41459740	综述	本文综述了用于神经信号解码的基础模型，特别聚焦于EEG，并探讨了构建统一神经表征的设计原则与挑战	提出了以EEG为中心的基础模型开发框架，强调生理感知表征学习、结构感知架构和可解释性机制三大设计原则，以支持跨空间和时间尺度的统一神经表征	许多现有模型仍沿用非神经领域的训练目标，未能充分利用电极拓扑或功能连接等空间先验信息	探讨基础模型在神经信号解码中的应用，旨在构建鲁棒、可迁移且具有生理学基础的统一神经表征	EEG、ECoG和皮层内记录等神经信号	机器学习	NA	EEG、ECoG、皮层内记录	基础模型	神经信号	NA	NA	Patched Brain Transformer, CBraMod, BrainGPT	NA	NA
1165	2026-02-07	BELE: Blur Equivalent Linearized Estimator 2026, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2026.3651959 PMID:41528899	研究论文	本文提出了一种轻量级且感知可解释的全参考图像质量评估模型BELE，通过分离强边缘退化与纹理失真的影响来桥接主观感知与客观度量	提出基于位置费舍尔信息损失的线性化估计器计算模糊指数，引入复峰值信噪比捕捉纹理失真，并采用带聚焦项的低阶多项式拟合替代传统VQEG校正方法	未明确说明模型在极端失真类型或跨模态图像评估中的泛化能力	开发感知可解释且计算高效的全参考图像质量评估方法	图像质量评估	计算机视觉	NA	NA	无训练参数模型	图像	六个基准数据集	NA	BELE	与MOS的相关性	NA
1166	2026-02-07	Large Language Models Improve Scene-Invariant Detection of Behavior of Risk in Dementia Residential Care Across Multiple Surveillance Camera Views 2026, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2026.3656747 PMID:41564063	研究论文	本文提出了一种无监督的场景不变融合深度学习网络，用于检测痴呆症患者护理环境中的风险行为，通过结合语言模型和视频异常检测来提高跨摄像头场景的泛化性能	提出了一种结合语言模型字幕生成与评分以及视频异常检测评分的无监督场景不变融合网络，以改善在未见过摄像头场景中的泛化能力	研究仅基于九名痴呆症患者的数据，且摄像头数量有限，可能限制了模型的广泛适用性	开发一种能够跨不同摄像头场景检测痴呆症患者风险行为的自动化深度学习系统	痴呆症患者在护理环境中的行为风险检测	计算机视觉	老年疾病	视频监控、深度学习	自编码器、大型语言模型	视频	九名痴呆症患者的视频数据，通过三个不同的走廊摄像头记录	NA	深度加权时空自编码器	接收者操作特征曲线下面积	NA
1167	2026-02-07	Technology-Enhanced Dual-Task Testing for Alzheimer's Disease and Related Dementias: A Review of Trends, Tools, and Emerging Directions 2026, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2026.3658013 PMID:41587242	综述	本文全面综述了2010年至2025年10月期间，基于双任务测试（DT）评估阿尔茨海默病及相关痴呆症（ADRD）的技术趋势、工具和新兴方向	整合了工程学与临床神经科学的见解，探讨了广泛的双任务范式、传感技术和分析方法，并强调了现代传感器与AI技术在增强早期ADRD检测中的作用	文章作为综述，本身不包含原始研究数据，其总结的局限性主要基于现有文献，并强调了当前方法在公平性、可扩展性和临床可行性方面的挑战	为工程师、数据科学家和临床医生开发用于神经退行性疾病早期检测和监测的技术驱动工具提供关键资源	阿尔茨海默病及相关痴呆症（ADRD）的早期检测方法	数字病理学	老年病	双任务测试（DT）、可穿戴传感器、电子步道、红外/深度相机、视频、平板电脑、脑成像工具（如fMRI和fNIRS）、眼动追踪、基于AI的视频姿态估计	深度学习	多模态数据（运动数据、视频、脑成像数据等）	NA	NA	NA	NA	NA
1168	2026-02-07	Advancing regulatory variant effect prediction with AlphaGenome 2026-Jan, Nature IF:50.5Q1 DOI:10.1038/s41586-025-10014-0 PMID:41606153	研究论文	本文介绍了AlphaGenome，一个统一的DNA序列模型，能够输入1 Mb的DNA序列并预测数千个功能基因组轨迹，涵盖多种模态，用于推进调控变异效应预测	AlphaGenome通过处理长输入序列（1 Mb）并实现单碱基对分辨率的预测，克服了现有方法在输入序列长度和预测分辨率之间的权衡限制，统一了多种功能基因组模态的预测	NA	开发一个深度学习模型以从DNA序列预测功能基因组测量，用于解读遗传调控代码并推进调控变异效应预测	人类和小鼠基因组中的DNA序列	机器学习	NA	深度学习	NA	DNA序列	NA	NA	AlphaGenome	变异效应预测评估	NA
1169	2026-02-07	Deep learning-driven morphological fingerprinting: rapid, accurate and low-cost pathogen identification via the analysis of dried patterns of droplets 2025-Dec-29, Journal of nanobiotechnology IF:10.6Q1 DOI:10.1186/s12951-025-03923-9 PMID:41462248	研究论文	本研究提出了一种基于深度学习的AI平台，通过分析微生物悬浮液干燥后形成的物种特异性脱水图案，实现快速、准确且低成本的病原体识别	首次利用微生物悬浮液干燥过程中的脱水图案作为形态指纹，结合深度学习模型进行病原体分类，提供了一种新型的快速诊断方法	研究仅针对七种常见血流感染病原体，未涵盖所有可能病原体；且需在40°C下进行干燥步骤，可能受环境条件影响	开发一种快速、低成本的血流感染病原体识别技术，以指导及时抗生素治疗	常见血流感染病原体，包括大肠杆菌、肺炎克雷伯菌、铜绿假单胞菌、鲍曼不动杆菌、金黄色葡萄球菌、粪肠球菌和白色念珠菌	计算机视觉	血流感染	脱水图案分析	CNN	图像	10,055张脱水图案图像	PyTorch	ResNet-34	准确率, AUC-ROC	NA
1170	2025-12-29	A survival prediction model for leptomeningeal metastasis patients with non-small cell lung cancer based on deep learning 2025-Dec-28, BMC cancer IF:3.4Q2 DOI:10.1186/s12885-025-15503-z PMID:41455921	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1171	2026-02-07	Distinct Tumor-Immune Ecologies in Lung Cancer Patients Predict Progression and Define a Clinical Biomarker of Therapy Response 2025-Dec-19, Cancer research IF:12.5Q1 DOI:10.1158/0008-5472.CAN-25-1594 PMID:41418101	研究论文	本研究通过分析非小细胞肺癌患者的多重组织图像，开发了一个计算框架来预测免疫治疗反应并识别临床生物标志物	结合细胞分割、空间统计、机器学习和深度学习，首次揭示了SD与PD患者之间不同的空间免疫生态，并发现这些生态比PD-L1状态更能预测疾病进展	样本量较小（仅9名患者），且仅包括稳定疾病和进展性疾病患者，缺乏完全或部分缓解者，结果需在更大队列中验证	预测非小细胞肺癌患者的免疫治疗反应并开发临床生物标志物	免疫治疗难治性非小细胞肺癌患者的配对治疗前和治疗中组织样本	数字病理学	肺癌	多重组织成像	深度学习	图像	9名患者的配对样本	NA	NA	NA	NA
1172	2026-02-07	Exploiting correlations across trials and behavioral sessions to improve neural decoding 2025-Sep-25, bioRxiv : the preprint server for biology DOI:10.1101/2024.09.14.613047 PMID:39314484	研究论文	本文提出了两种利用跨试验和跨行为会话相关性的新型神经解码模型，以提高神经解码的准确性	提出了多会话降秩回归模型和多会话状态空间模型，首次系统性地利用跨试验和跨会话的神经活动相关性来改进解码，相比传统方法具有更好的解释性和计算效率	未明确说明模型在实时解码场景下的性能表现，也未讨论模型对噪声和异常数据的鲁棒性	改进神经解码的准确性，通过利用跨试验和跨行为会话的神经活动相关性	小鼠的神经活动数据与行为数据	机器学习	NA	Neuropixels记录技术	降秩回归模型, 状态空间模型	神经活动数据, 行为数据	433个行为会话，覆盖270个脑区，来自国际脑实验室公开的小鼠Neuropixels数据集	NA	多会话降秩回归模型, 多会话状态空间模型	解码准确率	NA
1173	2026-02-07	Longitudinal methods for Alzheimer's cognitive status prediction with deep learning 2025-Sep, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz.70488 PMID:40994414	研究论文	本文开发了一种新的深度学习技术，用于预测阿尔茨海默病认知状态在3-10年内的变化	提出了两种新的建模技术：分离标准化基线特征与偏离基线的方法，以及一种新的基于线性注意力的插补方法，以扩展预测时间范围至3-10年	预测3-10年内最终导致阿尔茨海默病的aMCI仍然具有挑战性，且研究可能受限于数据库样本	开发机器学习技术以延长阿尔茨海默病认知状态的预测时间范围	遗忘型轻度认知障碍（aMCI）和阿尔茨海默病（AD）患者	机器学习	阿尔茨海默病	深度学习	深度学习模型	神经心理学数据、患者历史数据	使用国家阿尔茨海默病协调中心（NACC）数据库，具体样本数量未明确	未明确指定	未明确指定	1vA准确率	未明确指定
1174	2026-02-07	Towards global reaction feasibility and robustness prediction with high throughput data and bayesian deep learning 2025-May-15, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-59812-0 PMID:40374636	研究论文	本文通过整合高通量实验和贝叶斯深度学习，预测有机反应可行性及其对环境因素的鲁棒性	利用内部高通量平台构建了工业规模下最广泛的单一HTE数据集，并应用贝叶斯神经网络实现高精度预测，同时通过细粒度不确定性解耦实现高效主动学习	未明确提及模型在更广泛化学空间或不同反应类型中的泛化能力限制	预测有机反应的可行性和对环境因素的鲁棒性，以支持工业过程设计	11,669个不同的酸胺偶联反应	机器学习	NA	高通量实验	贝叶斯神经网络	实验数据	11,669个反应	NA	贝叶斯神经网络	预测准确率	NA
1175	2026-02-07	Consequences of training data composition for deep learning models in single-cell biology 2025-Feb-24, bioRxiv : the preprint server for biology DOI:10.1101/2025.02.19.639127 PMID:40060416	研究论文	本文系统研究了训练数据组成对单细胞转录组学深度学习模型行为的影响，重点关注人类造血系统作为模型系统	首次系统探讨训练数据组成对单细胞基础模型性能的影响，揭示了数据多样性对模型泛化能力的重要性	研究主要聚焦于人类造血系统，可能限制了结论在其他生物系统或疾病类型中的普适性	优化单细胞基础模型的训练数据组成以提高其性能	人类造血系统中的单细胞转录组数据	机器学习	NA	单细胞转录组学	深度学习模型	单细胞转录组数据	包含成人及发育组织、疾病状态和扰动图谱的细胞数据	NA	NA	NA	NA
1176	2026-02-07	Ultrasound elastic modulus reconstruction using a deep learning model trained with simulated data 2025-Jan, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.12.1.017001 PMID:39916991	研究论文	本文开发并验证了一种基于深度学习的超声弹性成像逆问题求解方法，用于从超声测量的位移场中重建弹性模量的空间分布	提出了一种基于U-Net的深度学习神经网络，通过数据驱动模型解决超声弹性成像中的逆问题，利用模拟数据进行训练，避免了传统方法对大量真实测量数据的依赖	模拟数据的多样性和代表性对模型泛化能力至关重要，可能在实际应用中受到模拟与真实数据差异的限制	解决超声弹性成像中传统逆问题技术计算量大、对噪声敏感或依赖完整位移场数据的局限性	超声弹性成像中的位移场数据及对应的弹性模量分布	医学影像分析	NA	超声弹性成像	深度学习	模拟位移场数据、体模实验数据、临床数据	未明确具体样本数量，但包括模拟数据、体模实验和临床数据	未明确指定，但基于U-Net架构	U-Net	均方误差, 平均绝对百分比误差, 模量比, 对比噪声比	NA
1177	2026-02-07	Vision transformer distillation for enhanced gastrointestinal abnormality recognition in wireless capsule endoscopy images 2025-Jan, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.12.1.014505 PMID:39916992	研究论文	本文提出了一种基于知识蒸馏的深度学习框架，利用CNN教师模型指导ViT学生模型，以增强无线胶囊内窥镜图像中胃肠道异常的识别能力	首次将知识蒸馏技术应用于CNN与ViT的结合，用于WCE图像分析，通过注意力机制和深度可分离卷积提升特征提取效率	研究仅基于公开数据集（Kvasir和KID），未在更大规模或更多样化的临床数据上进行验证	开发计算机视觉辅助系统，以自动化识别WCE图像中的胃肠道异常，减轻医生手动检查负担	无线胶囊内窥镜图像中的正常与异常区域，以及出血与非出血病例	计算机视觉	胃肠道疾病	无线胶囊内窥镜成像	CNN, ViT	图像	基于Kvasir和KID两个公共数据集的图像（具体数量未明确说明）	未明确指定，可能为PyTorch或TensorFlow	Vision Transformer, 结合注意力机制和深度可分离卷积的CNN	准确率	未明确说明
1178	2026-02-07	Overcoming Limitations to Deep Learning in Domesticated Animals with TrioTrain 2024-Apr-20, bioRxiv : the preprint server for biology DOI:10.1101/2024.04.15.589602 PMID:38659907	研究论文	本文提出了一种名为TrioTrain的新方法，用于扩展DeepVariant在非人类物种（如牛、牦牛和野牛）中的变异检测能力，以克服基于人类基因组训练的深度学习模型的局限性	提出了首个多物种DeepVariant模型，通过TrioTrain方法自动化扩展模型至缺乏GIAB参考资源的物种，并利用区域重排技术优化SLURM集群计算	受限于动物基因组中不完美的真实标签数据	评估基于人类基因组训练的深度学习模型在其他物种中的局限性，并开发适用于多物种的通用变异检测算法	牛、牦牛、野牛以及人类基因组（如HG002）	生物信息学	NA	变异检测，三代测序数据分析	深度学习模型	基因组测序数据	使用牛、牦牛和野牛的三联体（父母-子代）数据进行训练，共构建了30个模型迭代	TensorFlow	DeepVariant, DeepTrio	孟德尔遗传错误率, SNP F1分数	基于SLURM的集群
1179	2026-02-07	A CNN-CBAM-BIGRU model for protein function prediction 2024-01-01, Statistical applications in genetics and molecular biology IF:0.8Q3 DOI:10.1515/sagmb-2024-0004 PMID:38943434	研究论文	本文提出了一种结合CNN、CBAM和BiGRU的深度学习模型，用于从蛋白质氨基酸序列预测其功能	创新性地将卷积注意力模块（CBAM）与双向门控循环单元（BiGRU）结合，以增强特征提取和长程依赖捕获能力	未明确说明模型在更广泛物种或更大规模数据集上的泛化能力，以及计算效率的详细分析	提高基于蛋白质序列的功能预测准确性	人类和酵母的蛋白质序列	生物信息学	NA	深度学习	CNN, BiGRU	蛋白质氨基酸序列	NA	NA	CNN-CBAM-BiGRU	准确率	NA
1180	2026-02-07	Deep learning models to map osteocyte networks can successfully distinguish between young and aged bone 2023-Dec-21, bioRxiv : the preprint server for biology DOI:10.1101/2023.12.20.572567 PMID:38187546	研究论文	本研究探索应用深度学习和计算机视觉技术，自动分割和测量骨细胞连接组学，以区分年轻和衰老小鼠的骨骼	首次将深度学习模型（特别是Attention U-Net）应用于骨细胞网络（LCN）的自动化分割与测量，实现了比传统手动方法更高效、客观的分析	模型对骨细胞树突状突起的分割准确率（42.1%）仍有待提高，需要进一步开发以提升性能	开发自动化工具以研究骨细胞网络的形态变化，并区分年轻与衰老骨骼的差异	小鼠骨骼中的骨细胞及其在骨陷窝-小管网络（LCN）中的连接结构	计算机视觉	老年性疾病	高分辨率显微镜成像	CNN, Transformer	图像	年轻（2月龄）和衰老（36月龄）小鼠的骨骼样本	NA	U-Net, Vision Transformer, Attention U-Net	分割准确率（骨细胞81.8%，树突状突起42.1%）	NA