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
101	2026-06-15	Design prokaryotic cis-regulatory elements using language model 2026-Feb-05, Nucleic acids research IF:16.6Q1 DOI:10.1093/nar/gkag122 PMID:41693567	研究论文	本文介绍了一个名为PromoGen2的原核生物顺式调控元件语言模型，用于设计功能性启动子	首次提出一个可广泛适用于数千种原核生物的无先验实验数据启动子设计平台，实现了跨物种零样本预测相关性的大幅提升	未详细探讨模型在极端或稀有原核生物基因组上的适用性及长期进化稳定性	为原核生物提供通用的顺式调控元件设计工具，支持合成生物学和微生物学研究	原核生物顺式调控元件（启动子）	机器学习	NA	语言模型	语言模型（PromoGen2）	基因组序列	17000个原核生物基因组	PyTorch（推测）	Transformer（基于语言模型）	Spearman相关系数（平均0.50），成功率（100%）	NA
102	2026-06-15	Carba-NAD binding activates SIR2 by reshaping conformational plasticity and rewiring long-range allosteric networks 2026-Feb, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1013966 PMID:41719283	研究论文	以酵母SIR2为模型，通过分子动力学模拟和图深度学习模型，阐明共因子结合如何重塑构象动力学和远距离变构网络	首次揭示SIR2中β1-α2环的刚性化与远端柔性增加构成的“核心锁定伴周边释放”动态模式，并识别出关键的“中继型”残基Pro214和Thr224，同时发现与共因子结合的远距离药物口袋	NA	解析SIR2变构调控的分子机制	酵母SIR2蛋白	机器学习	老年性疾病	分子动力学模拟	图神经网络	分子动力学模拟轨迹	多次3微秒独立重复模拟	NA	神经关系推理	NA	NA
103	2026-06-15	AI-powered hierarchical classification of ampullary neoplasms: a deep learning approach using white-light and narrow-band imaging 2026-Jan-14, Surgical endoscopy DOI:10.1007/s00464-025-12534-2 PMID:41532990	research paper	利用人工智能进行法特壶腹肿瘤的分层分类：基于白光和窄带成像的深度学习方法	提出了一种结合白光和窄带成像的分层深度学习框架，用于法特壶腹病变的逐步分类；使用StyleGAN2-ADA生成合成图像解决数据稀缺和类别不平衡问题；基于置信度的双模态投票集成方法显著优于单模态方法	未提及明确局限性	开发一种用于法特壶腹病变分层分类的深度学习框架，利用白光和窄带内镜图像实现从正常到异常、腺瘤到癌症、高级别异型增生到低级别异型增生的逐步诊断	法特壶腹病变的内镜图像，包括正常、腺瘤、癌症、高级别异型增生和低级别异型增生病变	digital pathology	ampullary neoplasms	white-light imaging, narrow-band imaging	EfficientNet-B4, StyleGAN2-ADA	image	从464例患者收集的4244张内镜图像（训练集2693张、验证集833张、测试集718张）	PyTorch	EfficientNet-B4, StyleGAN2-ADA	accuracy, sensitivity, specificity, AUROC	NA
104	2026-06-15	SSIF-Affinity: Multimodal Deep Learning of Sequence-Structure Features for Precise Protein-Protein Binding Affinity Prediction 2026-01-12, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c01734 PMID:41392472	研究论文	提出一种多模态深度学习框架，用于高精度预测蛋白质-蛋白质复合物的结合亲和力	创新性地定位结合界面并构建几何约束结合区域，通过结构引导交叉模态注意力模块融合结构特征和序列特征，并利用CNN和LSTM提取全长序列的局部和长程依赖特征，有效减少冗余计算和噪声干扰	未明确说明，可能包括依赖实验数据质量或计算资源需求较高	开发高精度预测蛋白质-蛋白质结合亲和力的深度学习方法，推动AI驱动的抗体药物发现	蛋白质-蛋白质复合物的结合亲和力，包括抗体-抗原复合物	机器学习	NA	深度学习	CNN, LSTM, MLP	蛋白质序列和结构数据	NA	NA	CNN, LSTM, MLP	NA	NA
105	2026-06-15	Discovery of Tetrahydroisoquinoline-Based SARS-CoV-2 Helicase Inhibitors with Iterative, Deep Learning-Enhanced Virtual Screening 2026-01-12, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02059 PMID:41400222	研究论文	使用迭代深度学习增强虚拟筛选发现基于四氢异喹啉的SARS-CoV-2解旋酶抑制剂	结合深度神经网络进行虚拟筛选，提高了命中识别效率21%，并发现新的异构抑制机制	NA	发现针对SARS-CoV-2解旋酶的新型抑制剂	SARS-CoV-2解旋酶及其抑制剂	机器学习	新冠病毒病	虚拟筛选	深度神经网络	分子数据	六种命中化合物和18种3-苯基-1,2,3,4-四氢异喹啉衍生物	NA	深度神经网络	选择性指数	NA
106	2026-06-15	Toward Complete Molecular Structure Prediction from Infrared Spectroscopy Using Deep Learning 2026-01-12, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c01834 PMID:41403343	研究论文	提出一种基于深度学习的双损失架构，从红外光谱数据预测完整分子结构（SMILES字符串）	借鉴图像描述模型的双损失深度学习架构，首次实现从红外光谱直接预测完整分子结构（SMILES字符串），而非仅预测官能团	测试集上单次预测完整结构的准确率仅16.26%，且依赖高质量计算资源生成训练数据	提高红外光谱分析中分子结构预测的自动化与完整度	有机化合物的分子结构，以SMILES字符串表示	机器学习, 光谱分析	NA	红外光谱（IR），密度泛函理论（DFT）计算	深度学习	光谱数据（红外吸收光谱）	超过17,000个独特红外光谱（训练集）；测试集1,710个光谱	NA	双损失深度学习架构（受图像描述模型启发）	完整结构预测准确率（16.26%），官能团预测准确率（最高88%）	劳伦斯伯克利国家实验室Lawrencium集群的高性能计算资源
107	2026-06-15	MambaTransDTA: A Hybrid Mamba-Transformer Architecture for Accurate Drug-Target Binding Affinity Prediction 2026-01-12, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02361 PMID:41406376	研究论文	提出一种混合Mamba-Transformer架构的模型MambaTransDTA，用于药物-靶标结合亲和力预测	首次将Mamba架构与Transformer架构混合用于药物-靶标亲和力预测，结合Mamba的长距离依赖捕获能力和Transformer的局部交互建模能力	未明确说明局限性	提升药物-靶标亲和力预测的准确性、鲁棒性和泛化能力	药物-靶标结合亲和力	机器学习	NA	NA	Mamba, Transformer	数值数据（药物-靶标亲和力）	四个基准数据集: Davis, KIBA, Metz, BindingDB	PyTorch	Mamba, Transformer	均方误差（MSE）	NA
108	2026-06-15	LGABAN: An Integrated Multi-Scale Approach Combining Graph and Sequence Features for Enhanced Prediction of Drug-Protein Interactions 2026-01-12, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02364 PMID:41408656	研究论文	提出了一种名为LGABAN的新型深度学习框架，通过并行提取局部和全局特征并利用双线性注意力网络整合多尺度特征对，以增强药物-蛋白质相互作用预测的准确性和可解释性	首次将双分支结构并行提取药物和蛋白质的局部与全局特征，并通过双线性注意力网络融合四种特征对（局部-局部、局部-全局、全局-局部、全局-全局），同时引入多头图注意力网络增强药物图表示能力	未明确说明局限性（需结合全文），但可能涉及模型复杂度及多尺度交互关系处理的进一步优化空间	提高药物-蛋白质相互作用预测的准确性和模型可解释性，以缩短药物研发周期和降低成本	药物与蛋白质之间的相互作用关系	机器学习	NA	NA	双线性注意力网络 (BAN)、多头图注意力网络 (GAT)	分子结构数据、序列数据	四个公开数据集	NA	双线性注意力网络 (BAN)、多头图注意力网络 (GAT)	NA	NA
109	2026-06-15	BGC-MAC and BGC-MAP: Attention-Based Models for Biosynthetic Gene Cluster Classification and Product Matching 2026-01-12, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02082 PMID:41412814	研究论文	提出两个基于注意力的深度学习模型（BGC-MAC和BGC-MAP），用于生物合成基因簇（BGC）分类和产物匹配，以增强BGC注释和天然产物发现	利用实验验证的BGC-天然产物对训练模型；引入交叉注意力机制实现可解释人工智能，无需先验注释即可识别关键蛋白质结构域和BGC-子结构关系；模型在分类和匹配任务上超越现有工具如antiSMASH和DeepBGC	标题和摘要中未明确说明局限性，可能包括对实验验证数据依赖性强及泛化能力需进一步验证	通过深度学习模型提升BGC注释的准确性和可解释性，加速天然产物发现	生物合成基因簇（BGC）及其对应的天然产物	机器学习	NA	深度学习	注意力机制模型	序列数据（BGC序列和天然产物结构数据）	NA（未明确说明样本数量）	PyTorch（根据软件仓库推断）	多头注意力机制	分类准确率、匹配性能（具体指标未在摘要中明确列出）	NA（未提及计算资源信息）
110	2026-06-15	A Comparative Study of Deep Learning and Classical Modeling Approaches for Protein-Ligand Binding Pose and Affinity Prediction in Coronavirus Main Proteases 2026-01-12, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02481 PMID:41429653	研究论文	比较深度学习与传统建模方法在冠状病毒主蛋白酶中预测蛋白质-配体结合姿态与亲和力的性能	首次系统评估了多种姿态生成策略（分子对接、基于配体叠加和深度学习建模）在SARS-CoV-2和MERS-CoV主蛋白酶上的结合姿态预测性能，并提出了结合MM-GBSA能量分解与机器学习的配体-残基相互作用轮廓评分函数LRIP-SF，用于亲和力预测	基于配体叠加的方法FlexS在姿态预测上准确性较低深，且深度学习模型计算成本较高	评估不同方法在蛋白质-配体结合姿态和亲和力预测中的效果，特别是针对冠状病毒主蛋白酶	SARS-CoV-2和MERS-CoV的主蛋白酶与配体的相互作用	机器学习	冠状病毒疾病	分子对接、基于配体叠加、深度学习建模	AlphaFold3, Boltz-2, DiffDock, Gnina	蛋白质-配体复合物结构数据	ASAP抗病毒挑战2025数据集中的样本	NA	AlphaFold3, Boltz-2, DiffDock, Gnina	成功率, 平均配体均方根偏差, 平均绝对误差, 均方根误差	NA
111	2026-06-15	AttentionScore: A Target-Specific, Bias-Aware Scoring Function for Structure-Based Virtual Screening: A Case Study on METTL3 2026-01-12, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02142 PMID:41435908	研究论文	介绍一种基于深度学习的METTL3靶标特异性打分函数AttentionScore，用于结构-based虚拟筛选，并验证其在减少偏倚方面的优势	通过多注意力编码器、联合自编码器潜在表示和多尺度融合模块，整合配体与蛋白-配体相互作用信息，并采用相似性约束分割实现偏倚感知评估	仅针对METTL3一个靶标进行了验证，未在其他靶标上评估泛化能力	开发一种靶标特异性、偏倚感知的打分函数，提升结构-based虚拟筛选的准确性	METTL3靶标及其配体分子	机器学习	NA	结构-based虚拟筛选，深度学习	深度学习模型（多注意力编码器、自编码器）	分子结构数据和蛋白-配体相互作用指纹	NA（未明确说明具体样本数量）	NA（未提及具体框架）	多注意力编码器、联合自编码器、多尺度融合模块，集成PLEC指纹和Avalon/ECFP4配体指纹	PR-AUC, Precision, Recall, F1, MCC，并通过配对Wilcoxon检验、Bootstrap置信区间和效应量评估	NA（未提及计算资源）
112	2026-06-15	Chemprop v2: An Efficient, Modular Machine Learning Package for Chemical Property Prediction 2026-01-12, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02332 PMID:41453060	研究论文	介绍化学性质预测机器学习包Chemprop v2，强调其在模块化、速度和可用性上的提升	对原Chemprop进行底层重写，提升了约2倍执行速度和3倍内存效率，支持多GPU训练，并增加了Jupyter notebook教程和新文档	未明确讨论不足，可能包括对大型模型训练的扩展性或特定任务的适用性	开发一个高效、模块化且用户友好的机器学习包，用于化学性质预测	分子属性预测任务中的深度学习模型	机器学习	NA	消息传递神经网络 (D-MPNN)	有向消息传递神经网络 (D-MPNN)	分子图	NA	NA	D-MPNN	预测准确性、执行时间、内存使用	NA (支持多GPU)
113	2026-06-15	SHIFT-DRP: Dynamic Multi-Scale Active Learning for Drug Response Prediction 2026-01-12, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02453 PMID:41392432	研究论文	提出SHIFT-DRP主动学习框架，通过动态多尺度采样策略智能选择药物-细胞系配对以高效提升药物反应预测性能	提出从多样性探索到不确定性驱动的动态采样策略，结合预训练分子表征和交叉注意力机制，实现有限资源下的最大模型改进	未提及具体局限性	解决药物反应预测中化学空间覆盖不足和均匀采样效率低下的问题，实现精准医疗中的高效实验筛选	药物-细胞系配对及其反应预测	机器学习	癌症	药物反应预测	深度学习主动学习框架	药物-细胞系反应数据	四个数据集	PyTorch	交叉注意力机制	预测性能、资源节约率	NA
114	2026-06-15	ChemEmbed: a deep learning framework for metabolite identification using enhanced MS/MS data and multidimensional molecular embeddings 2026-Jan-07, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag054 PMID:41686648	研究论文	提出一个名为ChemEmbed的深度学习框架，通过整合多维分子嵌入和增强的MS/MS数据来改进代谢物鉴定	通过融合多个碰撞能量的质谱并加入计算中性损失来增强MS/MS数据，并利用卷积神经网络学习多维分子嵌入，实现更准确的代谢物候选排序	未明确说明局限性	提高代谢组学中未知MS/MS谱图的代谢物鉴定准确率	质谱数据和化学结构表征	机器学习	NA	串联质谱（MS/MS）、质谱数据增强	卷积神经网络（CNN）	质谱数据	来自38,472个不同化合物的增强MS/MS谱图及ARUS数据集的未鉴定谱图	NA	CNN	首位命中率、前五命中率	NA
115	2026-06-15	Integrative Deep Learning from H&E Images Reveals Prognostically Distinct Pathology-Based Subtypes in Bladder Cancer 2026, Current cancer drug targets IF:2.3Q3 DOI:10.2174/0115680096434051251113094536 PMID:41268830	研究论文	利用H&E染色全切片图像的深度学习特征，开发膀胱癌的病理学亚型，并验证其预后意义	首次基于常规H&E染色病理图像开发膀胱癌的病理学亚型，无需RNA谱分析即可实现与分子亚型一致的预后分层	NA	开发基于病理图像的膀胱癌亚型，为个性化治疗和患者分层提供经济高效的替代方法	膀胱癌H&E染色全切片图像和转录组数据	数字病理学	膀胱癌	H&E染色成像	CNN	图像	多个中心的全切片图像和两个转录组队列（IMvigor210和GSE32894）	PyTorch	ResNet50	准确率	NA
116	2026-06-15	Radiology as a pillar in AI-based COVID-19 research: Insights from a diverse bibliometric analysis 2026 Jan-Feb, Radiologia IF:1.1Q3 DOI:10.1016/j.rxeng.2025.101651 PMID:41690763	研究论文	通过描述性引文分析和文献耦合分析，研究COVID-19与人工智能领域的知识结构和知识流动，并识别最具影响力的出版物和研究主题	NA	NA	探索COVID-19背景下人工智能研究的现状，识别最具影响力的出版物，并勾勒该研究领域的概念框架	COVID-19相关人工智能研究的出版物	自然语言处理	COVID-19	NA	NA	文本	8057篇文档	NA	NA	NA	NA
117	2026-06-15	Wesselsbron Virus-Induced Hepatitis in Ewes and Lambs Unraveled Through Machine Learning-Driven Digital Histopathology 2026, Transboundary and emerging diseases IF:3.5Q1 DOI:10.1155/tbed/7912840 PMID:41693730	研究论文	通过机器学习的数字组织病理学分析Wesselsbron病毒诱导的母羊和羔羊肝炎	首次利用机器学习驱动的数字组织病理学方法全面分析WSLV诱导的肝炎，结合全切片成像和深度学习对肝脏病变进行客观量化	NA	评估数字组织病理学在检测WSLV诱导肝炎中的价值，并揭示病毒感染的肝脏病理特征	感染WSLV clade I (rSA999) 和 clade II (SAH117) 毒株的母羊和羔羊	数字病理学	肝炎	免疫组化染色（CD3, PAX5, Iba1, NS1, 精氨酸酶1/Ki67双染）、RT-qPCR	深度学习模型	全切片图像	20只绵羊（6只rSA999感染、8只SAH117感染、6只对照组）	NA	NA	NA	NA
118	2026-06-15	Better data for better predictions: data curation improves deep learning for sgRNA/Cas9 prediction 2026, PeerJ IF:2.3Q2 DOI:10.7717/peerj.20706 PMID:41695711	研究论文	采用数据为中心的方法优化sgRNA/Cas9预测模型的输入数据和过滤策略，提升模型性能与泛化能力	首次系统评估数据为中心的优化方法（调整靶位点侧翼序列长度、控制条件读取计数过滤）对深度学习预测模型性能的影响，并证明数据质量优于架构创新	仅针对细菌SpCas9和eSpCas9酶，未测试其他Cas变体或真核系统；数据过滤可能引入偏差	通过数据优化提升sgRNA/Cas9切刻活性预测的准确性和泛化能力	sgRNA序列及其靶位点的切刻活性数据	机器学习	不适用	CRISPR-Cas9基因编辑	深度学习模型	序列数据	含两个重建的Cas9数据集（具体样本数量未说明）	NA	crisprHAL	预测准确率、泛化性能	NA
119	2026-06-15	An ultrasound-based artificial intelligence framework for difficult airway prediction: A two-model, three-step decision framework 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0342339 PMID:41706751	研究论文	提出一种基于超声图像的“两模型三步骤”人工智能框架，用于预测困难气道	将超声定量参数与深度学习结合，构建分层决策框架，实现从初筛到风险分级的连贯评估流程	缺乏外部验证，未在多中心队列中测试；模型性能有限，尤其是VIDIAC-A模型精确度和F1分数较低	构建并内部验证基于超声图像的人工智能框架，用于困难气道预测	903例接受择期全麻手术的患者	机器学习	气道管理	颈部超声图像	卷积神经网络	图像	903例患者（训练验证752例，内部测试151例）	NA	CL-AI, VIDIAC-AI	AUC、准确率、灵敏度、特异度、精确度、F1分数	NA
120	2026-06-15	Deep locomotion prediction learning over biosensors, ambient sensors, and computer vision 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0342793 PMID:41729836	研究论文	提出一种融合生物传感器、环境传感器和计算机视觉的深度运动预测学习系统	首次同时使用机器学习和深度学习分类器（修改的身体特定传感器隐马尔可夫模型和深度指数残差神经网络）进行运动预测，并引入系统本体论揭示数据、概念和对象间关系	NA	实现基于多模态传感器和视觉数据的准确人类运动预测	人类运动数据	机器学习, 计算机视觉	NA	NA	隐马尔可夫模型, 深度指数残差神经网络	图像, 传感器信号	五个不同场景数据集	NA	NA	NA	NA