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
121	2026-03-18	Uncertainty-aware automated labeling of intracranial arteries using deep learning 2026-Mar-16, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02276-5 PMID:41840364	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
122	2026-04-04	Recent advances and current landscape of software tools for image analysis and dosimetry in nuclear medicine 2026-Mar-08, EJNMMI physics IF:3.0Q2 DOI:10.1186/s40658-026-00847-7 PMID:41795779	综述	本文综述了核医学图像分析和剂量学软件工具的最新进展与现状	强调AI驱动的分割和时间-活性曲线建模作为提高工作流效率的关键创新，并探讨开源工具在资源受限环境中的可及性	现有工具在复杂剂量学场景（如α和俄歇疗法）中的验证、标准化和鲁棒性开发仍需加强	评估和促进核医学图像处理与剂量学软件工具的应用，以提升治疗安全性和疗效评估	核医学图像分析软件工具，包括开源和商业解决方案	数字病理	NA	SPECT/CT, PET/CT, 深度学习	NA	图像	NA	NA	NA	准确性, 可重复性	NA
123	2026-04-04	Grounding olfactory perception in language: Benchmarks and models for generating natural language odor descriptions 2026-Mar-05, bioRxiv : the preprint server for biology DOI:10.64898/2026.03.04.709650 PMID:41867788	研究论文	本文介绍了用于生成自然语言气味描述的基准数据集ODIEU和基于Transformer的模型CIRANO，旨在解决气味感知预测中词汇固定和缺乏标准化评估的问题	提出了首个结合大规模分子感知描述数据集（ODIEU）和基于Transformer的分子结构到文本生成模型（CIRANO）的标准化框架，并创新性地利用可逆SBERT模型实现神经数据到文本的预测	研究依赖于有限规模的气味描述数据集（约10,000个分子），且模型性能可能受限于训练数据的覆盖范围和多样性	建立标准化框架，实现从分子结构或神经数据生成自然语言气味描述，并评估其与人类感知的一致性	气味分子结构、人类气味感知描述、小鼠嗅球神经数据	自然语言处理	NA	分子结构预测、神经数据编码	Transformer, SBERT	文本、分子结构数据、神经信号数据	超过10,000个分子的感知描述数据	PyTorch	Sentence-BERT, Transformer	基于SBERT的语义相似度评估、人类对齐度	未明确指定，但提及代码开源在GitHub
124	2026-04-04	ICP-WAVES: Intracranial Pressure Waveform Analysis and Visualization for Enhanced Signal Processing 2026-Mar-03, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3669377 PMID:41774667	研究论文	本文介绍了一种基于Transformer的基础模型，用于分析颅内压波形，并通过SVM分类器对波形形态进行分类，同时开发了图形用户界面以增强临床决策支持	首次将Transformer基础模型应用于颅内压波形分析，实现了对复杂时间动态的捕捉，并开发了交互式可视化工具以支持实时临床分析	模型在1-peak compliant波形分类上的准确率仅为77.5%，且数据集规模有限，可能影响泛化能力	开发一种能够分析颅内压波形形态以评估脑顺应性的深度学习系统	颅内出血患者和脑室外引流患者的颅内压波形数据	数字病理学	颅内出血	生理波形数据分析	Transformer, SVM	生理波形数据	190名颅内出血患者和23名脑室外引流患者，共标注8406个ICP脉冲	NA	Transformer基础模型	AUC, 混淆矩阵, 准确率	NA
125	2026-04-04	DeepTESite: The Prediction of Protein Arginine Methylation Sites Using Amino Acids Sequence Symmetric Position Encodings Based on Transformer Encoder 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3650228 PMID:41477806	研究论文	本文提出了一种基于Transformer Encoder的DeepTESite模型，用于预测蛋白质精氨酸甲基化位点	首次提出基于甲基化对称假说的氨基酸序列对称位置编码，并应用双向多头注意力机制来提取序列和空间信息特征	未明确说明模型在更广泛蛋白质修饰类型或更大数据集上的泛化能力	提高蛋白质精氨酸甲基化位点预测的准确性和计算效率	蛋白质精氨酸甲基化位点	自然语言处理	NA	氨基酸序列分析	Transformer	序列数据	NA	NA	Transformer Encoder	准确率	NA
126	2026-04-04	A Deep Representation Learning Method for Quantitative Immune Defense Function Evaluation and Its Clinical Applications 2026-Mar, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202515929 PMID:41536212	研究论文	本研究提出了一种基于RNA-seq数据的深度表示学习方法ImmuDef，用于定量评估抗感染免疫防御功能，并开发了防御免疫评分DImmuScore	首次利用变分自编码器（VAE）构建潜在空间，通过计算患者与健康对照在潜在空间中的距离来量化免疫防御功能，建立了跨疾病免疫防御评估的定量标准	研究样本主要集中于特定免疫状态和感染性疾病，可能未涵盖所有免疫相关疾病或人群，且模型在更广泛临床环境中的泛化能力需进一步验证	开发一种定量评估个体抗感染免疫防御功能的方法，并应用于临床预后和疾病严重程度评估	免疫缺陷、免疫受损、免疫正常和免疫活跃四种免疫状态下的样本，包括艾滋病、严重脓毒症、COVID-19等感染性疾病患者	机器学习	感染性疾病	RNA-seq	VAE	RNA-seq数据	3202个样本	NA	变分自编码器（VAE）	分类准确率	NA
127	2026-04-04	Classification of Alzheimer's Disease by Modeling Brain Networks as Signed Networks Under Deep Learning Frameworks 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3655150 PMID:41553900	研究论文	本文提出了一种通过构建带符号的脑网络模型并利用带符号图神经网络技术来预测和分析阿尔茨海默病的新方法	将脑网络建模为包含正负相关性的带符号图，以更有效地捕捉脑区间的细微相互作用，并利用带符号图卷积网络变体进行处理，显著提升了预测准确性	未明确提及研究的局限性	提高阿尔茨海默病的预测和诊断准确性，特别是在早期阶段	阿尔茨海默病患者（通过脑网络数据建模）	机器学习	阿尔茨海默病	脑网络建模，带符号图神经网络	图卷积网络	脑网络数据（建模为带符号图）	NA	NA	图卷积网络及其变体	诊断精度	NA
128	2026-04-04	Generating Dynamic Structures Through Physics-Based Sampling of Predicted Inter-Residue Geometries 2026-Mar, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202518469 PMID:41566646	研究论文	本文提出了一种名为trRosettaX2-Dynamics（trX2-D）的创新方法，通过结合深度学习预测与基于物理的采样技术，来预测蛋白质的动态结构和替代构象	trX2-D基于CASP15和CASP16获奖方法trRosettaX2，采用基于物理的迭代采样策略处理预测的残基间几何分布，无需先验知识即可生成动态结构，这是对现有静态结构预测方法的重要扩展	方法依赖于预训练和微调数据，可能受限于可用高分辨率X射线结构和动态NMR结构的数量与质量，且未明确讨论计算效率或大规模应用的可行性	旨在解决蛋白质动态结构和替代构象预测的未解问题，推动蛋白质结构预测领域的发展	蛋白质的动态结构和替代构象	机器学习	NA	深度学习，基于物理的采样，X射线结构分析，NMR结构分析	Transformer	蛋白质结构数据（高分辨率X射线结构和动态NMR结构）	预训练使用高分辨率X射线结构，微调使用约7000个动态NMR结构	NA	Transformer-based neural network	在三个数据集上进行了基准测试，具体指标未明确说明，但涉及替代构象和动态结构的预测准确性	NA
129	2026-04-04	TransSE: A Transfer Learning-Based Predictive Model for Distinguishing Super Enhancers and Typical Enhancers 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3657361 PMID:41576119	研究论文	本研究提出了一种名为TransSE的深度学习框架，通过结合卷积神经网络、循环神经网络和跨物种迁移学习来预测超级增强子	提出了一个结合卷积神经网络、循环神经网络和跨物种迁移学习的深度学习框架，采用两阶段策略（预训练和物种特异性微调），有效整合了进化保守和物种特异性调控特征，在预测准确性和跨物种泛化能力上优于现有方法	未明确说明模型在其他物种（除人类和小鼠外）上的泛化性能，也未详细讨论计算资源需求和处理大规模基因组数据的效率	开发一种高精度、可跨物种泛化的计算模型，用于从基因组序列中区分超级增强子和典型增强子	人类和小鼠的基因组序列数据	机器学习	NA	基因组序列分析	CNN, RNN	基因组序列数据	未明确说明具体样本数量，但使用了人类和小鼠的数据集	未明确说明	未指定具体架构名称	AUC	NA
130	2026-04-04	AGEP_TWAS: A Deep Learning-Based Framework for Predicting Gene Expression Levels in Tissues 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3663364 PMID:41666075	研究论文	本文提出了一种基于深度学习的基因表达预测框架AGEP_TWAS，用于跨组织预测基因表达水平，并应用于转录组范围关联研究	利用密集连接网络、自适应激活函数和参数剪枝策略，通过核心基因（标志基因）预测其他基因的表达水平，解决了传统方法效率低且忽略缺失SNP的问题	未明确说明模型在跨物种或更广泛组织类型中的泛化能力，以及计算资源需求的具体细节	开发一种高效准确的基因表达预测方法，以支持转录组范围关联研究	人类GEO表达数据集和牛CattleGTEx数据集中的基因表达数据	机器学习	NA	基因表达预测，转录组范围关联研究	深度学习	基因表达数据	未明确指定样本数量，涉及人类GEO数据集和牛CattleGTEx数据集	未指定	密集连接网络	均方误差（MSE），皮尔逊相关系数（PCC）	未指定
131	2026-04-04	Deep Temporal Sequence Classification and Mathematical Modeling for Cell Tracking in Dense 3D Microscopy Videos of Bacterial Biofilms 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3663936 PMID:41671139	研究论文	本文提出了一种名为DenseTrack的新型细胞追踪算法，结合深度学习和基于数学模型的策略，用于在密集3D显微镜视频中有效追踪细菌生物膜中的细胞	将细胞追踪问题构建为基于深度学习的时间序列分类任务，并利用分类器的置信度分数解决约束的一对一匹配优化问题，同时提出基于特征分解的细胞分裂检测策略	NA	解决密集环境中自动细胞追踪的对应关系不准确和亲子关系识别错误的问题	细菌生物膜中的密集细胞	计算机视觉	NA	3D延时成像，荧光成像	深度学习	3D时间序列图像	NA	NA	NA	定性评估，定量评估	NA
132	2026-04-04	SCImputation: Mitigating Feature Confounding From a Structural Causal Perspective for Data Imputation 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3665199 PMID:41697814	研究论文	本文提出了一种基于结构因果视角的数据插补方法SCImputation，通过改进邻居选择和利用后门调整公式来缓解特征混淆问题	从结构因果视角分析数据插补问题，揭示目标特征作为混淆因子的作用，并提出结合实例级和特征级信息的邻居选择策略以及后门调整公式	未明确说明方法在高维数据或极端缺失率下的性能限制，也未讨论计算复杂度增加的具体影响	开发一种能够缓解特征混淆的数据插补方法，提高缺失值估计的准确性和可靠性	缺失数据的插补问题，特别是在生物医学和一般应用中的数据	机器学习	NA	数据插补技术	KNNimpute, LLSimpute	表格数据（包括生物医学和一般评估数据）	五个数据集（NACC、三个NCBI微阵列数据集、Turkiye学生评估数据集）	NA	NA	准确率, RMSE	NA
133	2026-04-04	Machine Learning Discovery of Record-Low Lattice Thermal Conductivity in Double Perovskites 2026-Mar, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202515766 PMID:41701522	研究论文	本研究开发了一种深度学习原子间势能模型，用于高通量筛选双钙钛矿材料的晶格热导率，并发现了创纪录的低热导率材料	开发了Elemental-SDNNFF深度学习原子间势能模型，结合主动学习框架，实现了对数千种双钙钛矿材料声子性质的高效预测，并发现了各向同性块体材料中最低的晶格热导率记录	研究主要关注立方结构双钙钛矿，未涵盖所有可能的双钙钛矿结构类型	开发高效机器学习框架，用于快速筛选复杂材料的动态稳定性和准确预测声子传输性质	双钙钛矿材料（ABCD型）	机器学习	NA	密度泛函理论（DFT）、深度学习原子间势能、玻尔兹曼输运方程、四声子散射计算、分子动力学模拟	深度学习原子间势能模型	DFT计算力数据、材料结构数据	9709种立方双钙钛矿结构，其中1597种动态稳定候选材料	主动学习框架、DeePMD	Elemental-SDNNFF	晶格热导率预测值、带隙值	NA
134	2026-04-04	A Self-Supervised Foundation Model Based on Three-Dimensional Chest CT Scans for Lung Cancer Diagnosis and Prognosis Prediction 2026-Mar, Radiology. Imaging cancer DOI:10.1148/rycan.250360 PMID:41718531	研究论文	本研究开发了一种基于三维胸部CT扫描的自监督基础模型，用于肺癌的诊断和预后预测	提出了一种名为UCLIF的自监督胸部CT基础模型，通过对比掩码图像建模任务进行预训练，并在多中心数据集上微调，用于肺癌的组织学亚型分类、分期、生存和复发预测，性能优于主流深度学习和机器学习算法	研究为回顾性多中心研究，可能存在选择偏倚；模型在特定时间段（1958年至2019年）的数据上训练，可能无法完全代表最新临床实践	开发并评估一个基于三维胸部CT的自监督基础模型在肺癌临床任务中的性能	肺癌患者的胸部CT扫描图像	数字病理学	肺癌	三维胸部CT扫描	自监督学习基础模型	三维医学图像	预训练使用33,901例三维胸部CT扫描，下游评估包含656名患者	NA	UCLIF（Unified CT-Based Lung Cancer Imaging Foundation）	准确率, 敏感度, 特异度, AUC	NA
135	2026-04-04	Pathomics Signature for Prognosis and CA19-9 Interception in Pancreatic Ductal Adenocarcinoma: A Real-Life, Multi-Center Study 2026-Mar, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202515952 PMID:41556438	研究论文	本研究开发并验证了一种基于深度学习的自动化预后模型，用于从胰腺导管腺癌（PDAC）患者的数字化全切片图像中提取病理组学特征，以预测患者预后并指导治疗决策	首次在多中心真实世界研究中，利用CrossFormer架构从常规H&E切片中自动提取预后特征，并揭示了CA19-9的预后价值在不同风险组中的差异性，为个性化治疗提供了新见解	研究仅基于手术切除患者，未包含晚期或不可切除患者；模型在更广泛人群中的泛化能力仍需进一步验证	开发并验证一种基于深度学习的自动化预后模型，用于胰腺导管腺癌患者的风险分层和治疗指导	873名接受手术切除的胰腺导管腺癌（PDAC）患者	数字病理学	胰腺癌	深度学习，数字化全切片图像分析	深度学习模型	数字化全切片图像（H&E染色）	873名PDAC患者，来自三个学术中心	PyTorch	CrossFormer, ResNet-18, ResNet-50, DenseNet-121	AUC（曲线下面积），风险比（HR），p值	未明确指定，但提及了深度学习训练所需GPU资源
136	2026-04-04	Foundation Model-Enabled Multimodal Deep Learning for Prognostic Prediction in Colorectal Cancer with Incomplete Modalities: A Multi-Institutional Retrospective Study 2026-Mar, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202510931 PMID:41556415	研究论文	本文提出了一种名为FLARE的多模态深度学习框架，用于结直肠癌的预后预测，能够处理不完整的多模态数据	FLARE框架整合了病理图像、放射影像和临床文本报告，利用基础模型进行高效特征提取，采用注意力机制的多分支框架增强模态间的协同与独特性，并引入多样性促进损失函数，同时通过模态和缺失感知提示、伪嵌入及模态级增强策略有效处理数据不完整问题	研究为回顾性设计，可能存在选择偏倚；数据来自四个临床中心，但样本量（1679例患者）可能仍有限；未在外部独立队列中进行前瞻性验证	开发一个多模态深度学习框架，以准确预测结直肠癌患者的生存和进展风险，优化个性化治疗策略	结直肠癌患者	数字病理学	结直肠癌	多模态深度学习	深度学习	图像, 文本	1679名结直肠癌患者	NA	注意力机制的多分支框架	一致性指数, Kaplan-Meier分析	NA
137	2026-04-04	Social compatibility in opposite-sex prairie vole pairs is modulated by early-life sleep experience 2026-Mar, PLoS biology IF:7.8Q1 DOI:10.1371/journal.pbio.3003434 PMID:41894400	研究论文	本研究利用深度学习工具分析草原田鼠异性配对间的社会互动，探讨早期睡眠经历如何影响社会亲和力	首次在非人类动物模型中量化神经类型匹配现象，模拟人类自闭症研究中的配对匹配效应	研究仅使用草原田鼠作为模型，未涉及其他物种或更复杂的社会行为评估	探究早期睡眠经历对成年后社会行为的影响，特别是神经类型匹配现象在动物模型中的表现	草原田鼠（Microtus ochrogaster）的异性配对	机器学习	自闭症	早期睡眠干扰（ELSD）模拟神经发育影响	深度学习	视频	未明确说明样本数量，但涉及控制组和ELSD组的草原田鼠配对	未明确说明	未明确说明	未明确说明	未明确说明
138	2026-04-04	Deep_TPPred: Improved Prediction of Protein Toxicity Using Feature Fusion and Hybrid Neural Network Approach 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3656227 PMID:41557578	研究论文	本文提出了一种名为Deep_TPPred的新型混合深度学习模型，通过结合CNN和RNN以及特征融合技术，用于准确预测蛋白质毒性	提出了一种结合卷积神经网络和循环神经网络的混合深度学习模型，并采用特征融合技术整合多种蛋白质序列描述符，以捕捉复杂的序列关系	NA	提高蛋白质毒性预测的准确性和可靠性，以支持药物发现、安全评估和毒理学研究	蛋白质序列	生物信息学	NA	深度学习	CNN, RNN	蛋白质序列数据	NA	NA	CNN, RNN	准确度, 特异性, 敏感性, Kappa, MCC	NA
139	2026-04-04	Transformer-based deep learning model for real-time prediction of intraoperative hypotension using dynamic time-series vital signs: A retrospective study 2026-Mar, PLoS medicine IF:10.5Q1 DOI:10.1371/journal.pmed.1005024 PMID:41880331	研究论文	本研究开发了一种基于Transformer的深度学习模型，利用动态时间序列生命体征数据实时预测术中低血压，并评估了其与术后急性肾损伤和急性肾脏疾病的关联	首次将Transformer架构应用于实时术中低血压预测，使用常规可得的连续生命体征时间序列数据而非高分辨率波形数据，并通过外部数据集验证了模型的泛化能力	研究为回顾性设计，需要前瞻性、多中心验证来确认模型的实时适用性和泛化性	开发并验证一种能够实时预测术中低血压的深度学习模型，并评估术中低血压负担与术后肾脏并发症的关联	手术患者	机器学习	心血管疾病	动态时间序列生命体征监测	Transformer, XGBoost	时间序列数据	训练集包含中国一家三级医院的319,699例手术病例（2013-2023年），外部验证使用来自韩国的独立数据集	NA	Transformer	AUC, 召回率, 准确率, 特异性, 预期校准误差	NA
140	2026-04-04	Hybrid deep learning with protein language models and dual-path architecture for predicting IDP functions 2026-Mar-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag126 PMID:41921197	研究论文	本文提出了一种名为IDPFunNet的混合深度学习模型，用于预测内在无序区域（IDR）的六种功能类别	结合了卷积神经网络、双向LSTM、残差MLP和蛋白质语言模型ProtT5，采用双路径架构将结合预测与无序柔性连接子（DFL）识别解耦，并利用ProtT5进化嵌入显著提升了性能	未明确提及具体限制，但可能包括模型对特定数据集的依赖或计算资源需求	预测内在无序区域（IDR）的功能类别，以解决其动态构象导致的传统结构-功能注释困难	内在无序区域（IDR），包括五种结合亚型和无序柔性连接子（DFL）	自然语言处理, 机器学习	NA	蛋白质语言模型（ProtT5）、进化嵌入	CNN, LSTM, MLP	蛋白质序列数据	NA	NA	ResNet, Transformer	AUC, APS	NA