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 42905 篇文献，本页显示第 101 - 120 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 101 | 2026-04-04 |
AI-Powered Excipient Innovation: Transforming Drug Design, ADMET Profiling, and Formulation Developmen
2026-Mar-27, Current topics in medicinal chemistry
IF:2.9Q3
|
综述 | 本文综述了人工智能在药物辅料工程中的应用，包括辅料设计、ADMET特性预测和制剂开发 | 将传统辅料重新定义为智能物质，并整合机器学习、深度学习和计算建模来预测辅料-API相容性、优化ADMET特性及指导靶向患者为中心的制剂方法 | 未提及具体实验数据或模型验证细节，主要基于理论探讨和现有技术综述 | 探索人工智能在药物辅料创新中的应用，以加速制剂开发、提高安全性并实现虚拟筛选新型辅料 | 药物辅料及其与活性药物成分的相互作用 | 机器学习 | NA | 机器学习、深度学习、计算建模、QSAR模型、神经网络、预测模拟 | 神经网络 | 化学数据、制剂数据 | NA | NA | NA | NA | NA |
| 102 | 2026-04-04 |
LogoXpertNet: a novel lightweight logo classification using deep learning
2026-Mar-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-45682-z
PMID:41888352
|
研究论文 | 本文提出了一种名为LogoXpertNet的新型轻量级深度学习架构，用于高效的Logo分类 | 提出了一种结合改进的MobileNetV3骨干网络、跨层特征融合模块、分层挤压激励空间注意力块以及特征感知卷积块注意力模块的轻量级架构，在保持低计算开销的同时实现强分类性能 | 实验结果应在数据集特性、分割构建和指标定义的背景下解释，不能作为在所有现实世界Logo识别场景中普遍性能的证据 | 开发一种轻量级深度学习模型，用于高效解决Logo分类问题 | Logo图像 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | FlickrLogos-32、BelgaLogos和WebLogo-2M数据集 | NA | MobileNetV3 | 准确率 | NA |
| 103 | 2026-04-04 |
Clinically significant prostate cancer detection with deep learning in a multi-center magnetic resonance imaging study
2026-Mar-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42214-7
PMID:41888535
|
研究论文 | 本研究提出了一种基于深度学习的AI方法，用于在多中心MRI研究中检测临床显著前列腺癌 | 结合PI-CAI挑战数据集和新编译的BIMCV前列腺数据集，采用迁移学习策略和集成方法，并利用合成缺失ADC图作为数据增强策略 | 未明确提及具体局限性，可能包括数据集多样性或模型泛化能力的限制 | 提高临床显著前列腺癌的早期检测准确性 | 前列腺癌患者的多中心MRI数据 | 数字病理学 | 前列腺癌 | MRI | 深度学习 | 图像 | 超过9000次MRI会话，来自16个医疗中心 | nnUNet | EfficientNet-B7 | AUC | NA |
| 104 | 2026-04-04 |
A Deep-Learning Atlas of XPO1-Mediated Nuclear Export at Proteome Scale
2026-Mar-26, bioRxiv : the preprint server for biology
DOI:10.64898/2026.03.25.713363
PMID:41928959
|
研究论文 | 本研究利用AlphaFold 3构建了一个全面的XPO1介导的核输出图谱，在蛋白质组尺度上识别了数千个新型核输出序列 | 首次使用AlphaFold 3对全长货物蛋白-XPO1-RanGTP复合物进行大规模结构建模，突破了传统序列预测方法的局限，发现了非经典口袋占据模式的核输出序列 | 依赖于计算模型预测，虽然进行了实验验证，但大规模预测结果的全面实验验证仍需进一步工作 | 全面解析XPO1介导的核输出机制，建立蛋白质组尺度的核输出图谱 | 人类蛋白质组中与XPO1相互作用的4000多种蛋白质 | 计算生物学 | 癌症, 神经退行性疾病 | 深度学习结构建模, 无监督结构几何分析, 实验验证 | AlphaFold | 蛋白质序列, 蛋白质结构 | 超过4000种人类蛋白质 | AlphaFold 3 | AlphaFold 3 | 结构置信度, 实验验证 | 未明确说明，但涉及大规模蛋白质结构建模计算 |
| 105 | 2026-04-04 |
rKAN: Rational Kolmogorov-Arnold networks
2026-Mar-25, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2026.108888
PMID:41930548
|
研究论文 | 本文提出了一种基于有理函数作为新型基函数的Kolmogorov-Arnold网络（rKAN），以替代传统的多层感知机 | 首次将有理函数作为KAN的基函数，提出了基于Padé近似和有理Jacobi函数的两种可训练基函数方法 | 未明确说明rKAN的计算复杂度或实现挑战 | 探索KAN中替代基函数以提升模型性能 | 深度学习模型中的基函数设计 | 机器学习 | NA | NA | KAN, rKAN | 图像, 文本, 强化学习环境数据 | NA | NA | Kolmogorov-Arnold网络, 有理KAN | 准确率 | NA |
| 106 | 2026-04-04 |
AI-Driven Biomarker Discovery in Motor-Related Neurodegenerative Diseases
2026-Mar-25, CNS & neurological disorders drug targets
|
综述 | 本文综述了与运动障碍相关的分子、神经化学和影像学生物标志物，并探讨了人工智能在生物标志物发现和验证中的作用 | 系统总结了人工智能（特别是深度学习和机器学习）在整合多模态数据以识别运动相关神经退行性疾病生物标志物方面的应用潜力 | 存在数据异质性、生物标志物标准化不足、模型可解释性有限以及跨疾病验证不足等问题 | 总结运动相关神经退行性疾病的生物标志物研究现状，并评估人工智能在生物标志物识别和验证中的功能 | 帕金森病、亨廷顿病、肌萎缩侧索硬化症和脊髓小脑性共济失调等运动相关神经退行性疾病 | 机器学习 | 神经退行性疾病 | 多模态数据整合（包括数字、体液和影像数据） | 深度学习, 机器学习 | 多模态数据（分子、神经影像、数字生物标志物） | NA | NA | NA | NA | NA |
| 107 | 2026-04-04 |
Super-Resolution enhanced deep learning for efficient and accurate urban flood simulation at the street scale
2026-Mar-25, Water research
IF:11.4Q1
DOI:10.1016/j.watres.2026.125819
PMID:41930893
|
研究论文 | 本研究提出了一种基于深度学习的超分辨率重建模型（UFSR），用于高效、精确的街道尺度城市洪水模拟 | 提出了UFSR模型，通过集成多源异构数据增强对城市微地形和排水结构的感知能力，引入注意力机制动态关注关键淹没区域，并设计了空间感知一致性损失函数以保持复杂地形下的重建连贯性 | 未明确说明模型在不同城市形态或极端降雨情景下的泛化能力，以及模型对输入数据质量的依赖程度 | 提高城市洪水模拟的效率和精度，支持洪水风险管理和应急响应 | 城市洪水淹没深度 | 计算机视觉 | NA | 深度学习，超分辨率重建，迁移学习 | 深度学习模型 | 多源异构数据（包括低分辨率洪水模拟输出、城市微地形和排水结构数据） | 两个案例研究（Case 1 和 Case 2），其中Case 2包含12个降雨情景 | 未明确指定，可能为TensorFlow或PyTorch | UFSR（Ultra-Fine urban flood Super-Resolution reconstruction model） | 均方根误差（RMSE） | 未明确指定 |
| 108 | 2026-04-04 |
Nonparametric estimation of conditional survival function with time-varying covariates using DeepONet
2026-Mar-24, Lifetime data analysis
IF:1.2Q2
DOI:10.1007/s10985-026-09700-6
PMID:41874787
|
研究论文 | 本文提出了一种使用DeepONet进行条件生存函数非参数估计的方法，以处理时变协变量的复杂长期效应 | 利用DeepONet架构非参数地估计条件生存函数，放松了传统生存模型中比例风险和时变协变量瞬时效应等限制性假设 | 未明确提及计算复杂度或模型可解释性方面的限制 | 开发一种灵活的生存分析方法，以捕捉时变协变量的非瞬时和长期效应 | 生存数据，特别是包含时变协变量和删失数据的场景 | 机器学习 | NA | 深度学习 | DeepONet | 生存数据 | NA | NA | DeepONet | 集成Brier分数 | NA |
| 109 | 2026-04-04 |
PNET-PRISM: a multicenter-validated radiomics nomogram for noninvasive grading of pancreatic neuroendocrine tumors
2026-Mar-24, Insights into imaging
IF:4.1Q1
DOI:10.1186/s13244-026-02250-3
PMID:41874882
|
研究论文 | 本研究开发并验证了一种基于CT影像组学的列线图模型PNET-PRISM，用于胰腺神经内分泌肿瘤的无创术前分级 | 整合了瘤内、瘤周、生境和深度学习领域的多维CT影像组学特征，构建了多维深度学习影像组学评分，并结合临床变量进行预测，显著优于仅临床模型 | 研究为回顾性设计，未来需要前瞻性研究进一步验证 | 开发一种可靠的非侵入性工具，用于胰腺神经内分泌肿瘤的术前分级和风险分层，以弥补内镜超声引导下细针穿刺活检的不足 | 胰腺神经内分泌肿瘤患者 | 数字病理学 | 胰腺神经内分泌肿瘤 | CT影像组学分析 | 深度学习 | CT图像 | 407名经手术确诊的胰腺神经内分泌肿瘤患者，分为训练集（244例）、验证集（106例）和外部测试集（57例） | NA | PNET-PRISM | AUC, 敏感性, 净重分类改善指数, 风险比 | NA |
| 110 | 2026-04-04 |
A deep-learning based biomarker of systemic cellular senescence burden to predict mortality and health outcomes
2026-Mar-24, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.03.20.26348913
PMID:41929337
|
研究论文 | 本研究开发并验证了一种基于深度学习的系统性细胞衰老负荷生物标志物（SASP Score），用于预测死亡率和健康结局 | 首次通过整合大规模人群蛋白质组学数据与半监督深度学习框架，开发了基于深度学习的复合SASP评分，并证明了其在预测死亡风险和慢性疾病发生方面的独立预测能力 | 研究主要基于UK Biobank数据，外部验证仅在一个独立的随机临床试验队列中进行，需要更多样化的队列验证 | 开发一种能够量化系统性细胞衰老负荷的生物标志物，以预测死亡风险和慢性疾病发生 | 大规模人群蛋白质组学数据，包括UK Biobank Pharma Proteomics Project数据和独立临床试验队列数据 | 机器学习 | 老年疾病 | 蛋白质组学 | 深度学习 | 蛋白质组数据 | UK Biobank大规模人群数据及独立临床试验队列 | NA | Guided autoencoder with Transformer (GAET) | 预测准确性、关联分析 | NA |
| 111 | 2026-04-04 |
Integrating Multiview Information for Enhanced Deep Learning-Based Acute Dermal Toxicity Prediction
2026-Mar-23, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c02959
PMID:41789561
|
研究论文 | 本文提出了一种名为MVIToxNet的新型深度学习模型，通过整合分子指纹和SMILES序列的多视图特征，以增强急性皮肤毒性预测的准确性 | MVIToxNet首次整合了分子指纹和SMILES序列的多视图特征，并采用字符级和原子级特征捕获SMILES信息，同时利用字节对编码分词来区分相似SMILES的子结构 | 研究中使用的数据集规模较小且不平衡，仅基于最佳验证性能选择单一模型可能无法可靠反映测试集的最佳泛化能力 | 开发一种深度学习模型以准确预测急性皮肤毒性，替代昂贵且存在伦理问题的动物毒性测试 | 分子化合物（通过分子指纹和SMILES序列表示） | 机器学习 | NA | 深度学习 | 深度学习模型 | 分子指纹、SMILES序列 | 小型且不平衡的数据集 | NA | MVIToxNet | 验证分数、测试集性能 | NA |
| 112 | 2026-04-04 |
Cardiovascular and Autonomic Phenotypes Reveal Distinct Mechanisms of Sepsis Decompensation via Deep Learning
2026-Mar-23, Research square
DOI:10.21203/rs.3.rs-9136766/v1
PMID:41928797
|
研究论文 | 本研究开发了一个深度学习框架，从ICU患者的生理波形数据中识别出四种稳定的脓毒症生理表型，这些表型与不同的临床结局相关 | 利用连续记录的生理波形（如心电图、光电容积描记图和呼吸阻抗波形）进行脓毒症表型识别，而非依赖间歇性临床变量，并采用特征标记化Transformer编码器提取和嵌入生理标志物 | 研究基于特定ICU患者队列（Sepsis-3标准），可能无法推广到其他医疗环境或患者群体，且依赖于预处理的五分钟波形数据 | 识别脓毒症的生理表型以支持精准医疗 | 符合Sepsis-3标准的2,174名ICU患者 | 机器学习 | 脓毒症 | 心电图、光电容积描记图、呼吸阻抗波形记录 | Transformer | 生理波形数据 | 2,174名ICU患者 | NA | Feature Tokenizer Transformer encoder | 死亡率、休克发生率、血管加压药使用率、机械通气率、28天生存轨迹 | NA |
| 113 | 2026-04-04 |
Hidden immune memory niches in inflammatory skin diseases
2026-Mar-23, bioRxiv : the preprint server for biology
DOI:10.64898/2026.03.20.713219
PMID:41929140
|
研究论文 | 本研究通过构建空间分辨多模态分子图谱，结合深度学习解码了健康与疾病状态下的人类皮肤微环境，揭示了传统组织病理学无法识别的免疫记忆微环境 | 发现了传统组织病理学无法识别的免疫活性微环境（如皮脂腺中的驻留记忆T细胞富集微环境和汗腺中的浆细胞富集微环境），并建立了组织病理学与图谱规模基因组学的联系 | 研究主要聚焦于皮肤组织，作为示例组织，其发现向其他组织的推广性有待验证 | 揭示炎症性皮肤疾病的发病机制、慢性化过程及潜在治疗途径 | 人类皮肤细胞（约500万个），包括113个皮肤切片 | 数字病理学 | 炎症性皮肤疾病 | Xenium-5k空间转录组分析，多模态分子图谱构建 | 深度学习 | 空间转录组数据，分子图谱数据 | 约500万个人类皮肤细胞，113个皮肤切片 | NA | NA | NA | NA |
| 114 | 2026-04-04 |
Bacterial proteome foundation model enhances functional prediction from enzymes to ecological interactions
2026-Mar-23, bioRxiv : the preprint server for biology
DOI:10.64898/2026.03.07.710335
PMID:41929197
|
研究论文 | 本文介绍了BacPT，一种基于细菌蛋白质组的预训练基础模型，用于从基因组数据中预测多种生物功能 | 提出了首个基于大规模细菌蛋白质组的预训练基础模型，能够捕获局部和全基因组信息，生成上下文感知的基因嵌入和功能丰富的全基因组表示 | 模型依赖于有限的细菌基因组功能注释数据，可能无法完全覆盖所有细菌类群和复杂生物网络 | 开发一个通用框架，全面捕捉细菌基因组与其编码的多样化生物功能之间的关系 | 细菌基因组和蛋白质组数据 | 自然语言处理 | NA | 基因组测序，蛋白质组学 | 深度学习基础模型 | 基因组序列，蛋白质序列 | 数万个完整细菌基因组，涵盖多样化细菌类群 | NA | NA | NA | NA |
| 115 | 2026-04-04 |
AI-Assisted Pneumonia Detection, Localisation and Report Generation from Chest X-rays
2026-Mar-23, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.03.20.26348879
PMID:41929300
|
研究论文 | 本文介绍了一种基于深度学习的全流程计算机辅助诊断系统，用于从胸部X光片中检测、定位肺炎并生成结构化报告 | 利用本地大型语言模型对放射学报告进行重新标注，显著提高了肺炎标签的敏感性和与人工标注的一致性，并构建了迄今为止最大的公开胸部X光片复合数据集 | Grad-CAM定位的F1分数仅为中等水平（52.9%），表明在病灶定位精度方面仍有改进空间 | 开发一个集肺炎检测、定位和报告生成为一体的计算机辅助诊断系统，以克服现有深度学习模型在泛化性和可解释性方面的局限 | 胸部X光片 | 计算机视觉 | 肺炎 | 深度学习，大型语言模型，梯度加权类激活映射 | CNN | 图像，文本（放射学报告） | 922,634张胸部X光片（来自公开数据集） | NA | DenseNet-121 | 敏感性，精确度，F1分数 | NA |
| 116 | 2026-04-04 |
DeepIM: Integrating Channel-Spatial Attention with Transformer for DNA i-Motif Folding Status Prediction
2026-Mar-19, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.6c00023
PMID:41854168
|
研究论文 | 本文提出了一种名为DeepIM的新型深度学习模型，该模型结合了通道-空间注意力机制与Transformer架构，用于高精度、可解释地预测DNA i-Motif结构的折叠状态 | 首次将通道-空间注意力机制与Transformer架构相结合用于i-Motif预测，通过注意力机制分别关注C-rich区域和侧翼区域，并利用Transformer建模长程依赖关系，提高了预测准确性和模型可解释性 | 模型在酸性条件下的i-Motif预测性能未明确讨论，且可能依赖于大规模标注数据的可用性 | 开发一种高精度、高通量的计算方法来预测DNA i-Motif结构的折叠状态，以克服传统实验方法的局限性 | DNA序列中的i-Motif（iM）四链体结构 | 生物信息学 | 癌症 | DNA序列分析，深度学习 | 注意力机制，Transformer | DNA序列数据 | 超过750,000条序列 | 未明确提及 | 通道-空间注意力机制，Transformer | 准确率 | NA |
| 117 | 2026-04-04 |
Hybrid Graph-Machine Learning Framework for Accurate and Interpretable Band Gap Prediction
2026-Mar-19, 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电子带隙预测 | 创新点在于将CGCNN、MEGNet和SchNet等图神经网络的深度结构嵌入与物理意义明确的晶体描述符（如最大电负性、晶系、空间群和自旋轨道耦合）相结合，并利用优化的梯度提升和神经网络架构进行训练，从而在保持高精度的同时降低了计算资源需求并增强了可解释性 | 未明确提及具体限制，但可能依赖于Materials Project数据库的数据质量和覆盖范围，且模型性能在未见材料类型上的泛化能力有待进一步验证 | 研究目的是加速半导体和能源材料的发现与设计，通过开发一种准确、可解释且计算高效的电子带隙预测方法 | 研究对象为来自Materials Project数据库的136,000个晶体结构 | 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 | 136,000个晶体结构 | NA | CGCNN, MEGNet, SchNet | R², MAE, MSE | NA |
| 118 | 2026-04-04 |
A proof-of-concept machine learning model for short-term suicide risk stratification in depressed youth
2026-Mar-19, Translational psychiatry
IF:5.8Q1
DOI:10.1038/s41398-026-03944-4
PMID:41856968
|
研究论文 | 本研究开发了一种机器学习模型，用于预测青少年抑郁症患者在治疗30天内的自杀企图，并评估其短期风险分层能力 | 首次针对中国青少年抑郁症患者开发短期自杀风险分层的机器学习模型，并比较了多种算法的性能，强调了正则化和简约性在事件稀少情况下的重要性 | 事件数量少限制了模型稳定性，队列同质性和单国招募限制了泛化能力，缺乏时间验证无法评估模型漂移 | 开发并验证用于青少年抑郁症患者短期自杀风险分层的机器学习模型 | 602名15-24岁的中国青少年抑郁症患者 | 机器学习 | 抑郁症 | 机器学习建模 | 支持向量机, 弹性网络, 随机森林, 深度学习 | 临床与心理社会数据 | 602名患者（训练集421人，测试集181人），其中30例自杀企图事件 | Scikit-learn | 支持向量机, 弹性网络, 随机森林, 深度学习模型 | AUC | NA |
| 119 | 2026-04-04 |
A novel framework for expanding RNNs with biophysical detail to solve cognitive tasks
2026-Mar-17, bioRxiv : the preprint server for biology
DOI:10.64898/2026.03.13.711746
PMID:41889922
|
研究论文 | 本文提出了一种结合生物物理细节的储备池计算框架，用于解决认知任务，特别是工作记忆任务 | 开发了生物物理详细储备池计算框架，将多室生物物理活性树突等细胞级特性整合到循环神经网络中，以提取机制性见解 | 框架在训练生物物理详细模型时可能偏离已验证的高效循环神经网络训练机制，且仅应用于简化的工作记忆任务 | 解决在循环神经网络中整合生物物理现实性以模拟认知任务的挑战 | 具有生物物理细节的神经网络模型，特别是包含兴奋性和抑制性细胞的储备池网络 | 机器学习 | NA | 储备池计算 | RNN | 模拟数据 | NA | NA | 储备池计算网络 | 任务解决能力 | NA |
| 120 | 2026-04-04 |
Dose-aware diffusion model for 3D PET image denoising: Multi-institutional validation with reader study and real low-dose data
2026-Mar-17, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2026.104039
PMID:41930496
|
研究论文 | 本文提出了一种用于3D PET图像去噪的剂量感知扩散模型，并在多机构数据集上进行了验证 | 开发了DDPET-3D模型，通过2.5D条件化骨干网络实现3D一致性重建，解决了现有扩散模型在低剂量PET成像中沿z轴不连续、泛化能力差和细节失真等问题 | 模型并非完全3D扩散网络，而是通过2.5D条件化实现3D一致性 | 开发一种能够泛化到不同噪声水平、扫描仪和临床协议的低剂量PET图像去噪方法 | 低剂量/低计数PET图像 | 医学影像分析 | NA | PET成像 | 扩散模型 | 3D医学图像 | 9783项F-FDG研究（1596名患者），剂量水平从1%到50% | PyTorch | DDPET-3D（基于2.5D条件化骨干网络的扩散模型） | 定性视觉评估，病变级定量准确性 | NA |