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
1481	2026-03-30	Discovery of novel TACE inhibitors using graph convolutional network, molecular docking, molecular dynamics simulation, and Biological evaluation 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0315245 PMID:39729480	研究论文	本研究采用集成深度学习模型结合传统药物筛选方法，从FDA批准药物库中筛选出新型TACE抑制剂，并通过分子对接、分子动力学模拟和生物学评估验证了Vorinostat的抑制潜力	首次将图卷积网络（GCN）模型应用于TACE抑制剂的虚拟筛选，并结合分子对接、动力学模拟和细胞实验进行多维度验证，成功将抗癌药物Vorinostat重新定位为潜在的抗炎靶点抑制剂	研究仅使用DUD-E数据库的参考数据集，可能未覆盖所有TACE相关化合物；生物学验证仅在RAW 264.7细胞系中进行，缺乏体内实验数据	开发一种基于深度学习的药物重定位方法，以发现针对TACE（TNF-α转换酶）的新型抑制剂	FDA批准药物库中的化合物，重点关注TACE（ADAM17）酶及其抑制剂	机器学习	类风湿关节炎	分子对接、分子动力学模拟、细胞生物学评估	图卷积网络（GCN）	分子结构数据（化学信息学特征）	DUD-E数据库中TACE特异性活性化合物和诱饵化合物数据集，以及FDA批准药物库	DeepChem, RDKit	GraphConvMol	NA	NA
1482	2026-03-30	Using sequences of life-events to predict human lives 2024-01, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-023-00573-5 PMID:38177491	研究论文	本文通过将人类生活事件序列类比为语言结构，利用自然语言处理技术预测人类生活轨迹，包括早期死亡率和个性特征等多样结果	首次将人类生活事件序列表示为类似语言的结构，并应用NLP技术进行生活轨迹预测，在多个预测任务上大幅超越现有最优模型	研究基于丹麦的登记数据集，可能受限于特定文化和社会制度，泛化性需进一步验证	探索人类生活事件的演变规律和可预测性，开发个性化干预的可能性	丹麦多年人口登记数据中的个体生活事件序列	自然语言处理	NA	自然语言处理技术，事件序列嵌入	深度学习模型	结构化事件序列数据	丹麦多年全国人口登记数据集	NA	NA	NA	NA
1483	2026-03-30	Unbiased organism-agnostic and highly sensitive signal peptide predictor with deep protein language model 2024-01, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-023-00576-2 PMID:38177492	研究论文	本文介绍了一种基于深度学习的新型信号肽预测方法USPNet，用于解决信号肽分类和切割位点预测问题	USPNet是一种无偏且不依赖物种信息的信号肽预测器，通过深度蛋白质语言模型处理极端数据不平衡问题，无需额外蛋白质组信息	NA	开发一种高灵敏度、无偏的信号肽预测工具，以改进信号肽的识别和发现	信号肽（SPs）及其在跨膜和分泌蛋白定位中的作用	自然语言处理	NA	深度学习，蛋白质语言模型	深度学习模型	原始氨基酸序列	NA	NA	USPNet	分类性能提升10%，序列一致性，模板建模分数	NA
1484	2026-03-29	Non-invasive differentiation of light chain amyloidosis and multiple myeloma based on Raman spectroscopy analysis using one-dimensional convolutional neural networks 2026-Jul-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.127591 PMID:41793999	研究论文	本研究开发了一种结合血清拉曼光谱与一维卷积神经网络的创新分析框架，用于无创区分轻链淀粉样变性和多发性骨髓瘤	首次将血清拉曼光谱与一维卷积神经网络结合，实现了对两种相关浆细胞疾病的快速、无创鉴别诊断	研究样本量有限，且仅基于血清样本进行分析，未考虑其他生物标志物或临床参数	开发一种快速、无创的辅助诊断方法，以区分轻链淀粉样变性和多发性骨髓瘤	临床诊断为轻链淀粉样变性或多发性骨髓瘤患者的血清样本	机器学习	浆细胞疾病	拉曼光谱分析	CNN	光谱数据	未明确具体数量，但来自临床诊断患者	未明确指定	一维卷积神经网络	AUC, 准确率, 灵敏度, 特异性	NA
1485	2026-03-29	Online detection of apple moldy core using near-infrared spectroscopy with flexible transmission tray and deep learning 2026-Jul-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.127682 PMID:41797157	研究论文	本研究提出了一种结合近红外光谱、定制柔性透射托盘和深度学习分类的集成方法，用于在线检测苹果霉心病	开发了柔性透射托盘以稳定水果位置、减少环境光干扰并引导近红外光穿透果核，结合SCARS-SPA波长选择策略和CNN-LSTM混合架构，实现了高精度、高通量的早期霉心病检测	未明确提及样本规模外的具体局限性，如对不同苹果品种或环境条件的泛化能力	实现苹果霉心病的早期、准确和高通量检测，以减少采后损失并改善供应链质量控制	苹果（健康、轻度感染和重度感染的霉心病样本）	机器学习	苹果霉心病	近红外光谱技术	BP, CNN, LSTM, CNN-LSTM	光谱数据	未明确指定具体样本数量	未明确指定	CNN-LSTM	分类准确率	未明确指定
1486	2026-03-29	Dual-channel self-supervised multi-task learning for spectral detection of soluble solids content and firmness in Korla fragrant pears 2026-Jul-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.127684 PMID:41797164	研究论文	本研究提出了一种结合多源光谱数据、自监督学习和多任务学习的深度学习框架，用于库尔勒香梨的可溶性固形物含量和硬度的光谱检测	提出了一种结合多源光谱数据、自监督学习和多任务学习的深度学习框架，以降低水果品质检测中标记数据的成本，并提高小样本情况下的预测性能	NA	提高库尔勒香梨可溶性固形物含量和硬度的光谱检测性能，并降低对标记数据的依赖	库尔勒香梨	机器学习	NA	可见光/近红外和近红外光谱数据采集	CNN	光谱数据	仅使用700个样本进行训练	NA	卷积神经网络	预测相关系数, 均方根误差	NA
1487	2026-03-29	Development and validation of a deep learning markerless system for lower-limb kinematics in hip and knee osteoarthritis population 2026-May, Journal of biomechanics IF:2.4Q3 DOI:10.1016/j.jbiomech.2026.113238 PMID:41793837	研究论文	本研究开发并验证了一种用于髋膝骨关节炎患者下肢运动学的四摄像头无标记系统	使用患者数据集开发无标记系统，而非健康人群数据，提高了在患者群体中的泛化能力	横断面和额状面的关节角度波形ICC较低（分别为0.50和0.34），表明在这些平面上的预测精度有待提升	开发并验证适用于骨关节炎患者的下肢运动学无标记测量系统	髋或膝骨关节炎患者	计算机视觉	骨关节炎	深度学习	NA	视频	150名患者（训练集120人，测试集30人）	NA	NA	均方根误差, 组内相关系数	NA
1488	2026-03-29	Bioactive peptide matrikines: discovery approaches for skin rejuvenation 2026-Apr-01, American journal of physiology. Cell physiology DOI:10.1152/ajpcell.00881.2025 PMID:41770626	综述	本文综述了用于皮肤再生的生物活性肽matrikines的发现策略演变，并介绍了一种结合计算机预测与体内外验证的新型发现流程	提出了一种从计算机预测到体内验证的集成发现流程，并鉴定出两种具有协同作用的四肽（pal-GPKG和pal-LSVD），能增强老化皮肤的细胞外基质再生	作为一篇综述文章，主要总结了现有发现策略，未报告新的原始实验数据或进行直接的模型性能比较	探索和总结用于皮肤再生和抗衰老的生物活性肽matrikines的发现方法	生物活性肽matrikines及其在皮肤细胞外基质再生中的作用	计算生物学, 生物信息学	皮肤老化	蛋白酶切割预测, 蛋白质序列基序筛选, 分子对接, 机器学习算法, 深度学习, 三维皮肤模型	机器学习算法, 深度学习模型	蛋白质序列数据, 分子结构数据	NA	NA	NA	NA	NA
1489	2026-03-29	Can a novel computer vision-based framework detect head-on-head impacts during a rugby league tackle? 2026-Mar-27, Injury prevention : journal of the International Society for Child and Adolescent Injury Prevention IF:2.5Q2 DOI:10.1136/ip-2023-045129 PMID:39832883	研究论文	本研究开发并评估了一种基于计算机视觉的框架，用于自动检测橄榄球联赛中头对头撞击事件	首次将计算机视觉框架应用于橄榄球运动中的头对头撞击检测，结合了目标检测算法和三维卷积神经网络	框架在标准清晰度和高清视频中的敏感度分别为68%和65%，仍有提升空间，且未实时验证临床评估效用	开发自动化工具以识别橄榄球比赛中的头对头撞击，降低脑震荡风险	职业橄榄球联赛中的铲球事件视频片段	计算机视觉	脑震荡	视频分析	CNN	视频	训练集341个视频片段，测试集670个视频片段（包括标准清晰度和高清视频）	NA	三维卷积神经网络	敏感度, 特异度, 阳性预测值	NA
1490	2026-03-29	Efficient Vision Mamba for MRI Super-Resolution via Hybrid Selective Scanning 2026-Mar-07, ArXiv PMID:41479458	研究论文	本研究提出了一种基于多头选择性状态空间模型和轻量级通道多层感知器的高效MRI超分辨率框架，旨在提升图像分辨率的同时保持低计算开销	提出了一种结合多头选择性状态空间模型、深度卷积和门控通道混合的MambaFormer块，并采用混合扫描策略来捕获长程依赖关系，在保持高精度的同时显著降低了模型参数和计算量	研究仅在脑部和前列腺两个特定MRI数据集上进行验证，未涵盖更多解剖部位或成像模态，且临床实际工作流集成效果有待进一步评估	开发一种高效且准确的深度学习框架，用于MRI超分辨率，以在临床工作流中实现高保真图像重建	7T脑部T1 MP2RAGE图像（142名受试者）和1.5T前列腺T2加权MRI图像（334名受试者）	计算机视觉	NA	MRI	基于Mamba的状态空间模型	医学图像	脑部数据集142名受试者，前列腺数据集334名受试者	NA	MambaFormer, 多头选择性状态空间模型, 轻量级通道多层感知器	结构相似性, 峰值信噪比, 学习感知图像块相似度, 梯度幅度相似性偏差	NA
1491	2026-03-29	Regulatory grammar in human promoters uncovered by MPRA-based deep learning 2026-Mar, Nature IF:50.5Q1 DOI:10.1038/s41586-025-10093-z PMID:41639451	研究论文	本研究提出了一种基于MPRA数据的深度学习模型PARM，用于从DNA序列预测人类启动子活性并揭示其调控语法	开发了轻量级细胞类型特异性深度学习模型PARM，仅从DNA序列即可可靠预测全基因组自主启动子活性，并能设计纯合成强启动子	未明确说明模型在不同细胞类型间的泛化能力及对非编码变异的解释局限性	构建从调控元件序列准确预测全基因组基因表达的计算模型	人类启动子序列	计算生物学	NA	大规模平行报告基因检测（MPRA）	深度学习模型	DNA序列数据	NA	NA	PARM	NA	NA
1492	2026-03-29	NeuroMDAVIS: Visualization of Single-Cell Multi-Omics Data under Deep Learning Framework 2026-Mar, Journal of computational biology : a journal of computational molecular cell biology IF:1.4Q2 DOI:10.1177/15578666261423965 PMID:41744270	研究论文	本文提出了一种名为NeuroMDAVIS的新型无监督深度神经网络模型，用于单细胞多组学数据的联合可视化	NeuroMDAVIS是首个为多模态生物数据集提供联合可视化能力的模型，能够同时捕获模态特定信息和跨模态共同信息	未在摘要中明确提及	解决单细胞多组学数据的高维可视化挑战，实现数据的降维和联合可视化	单细胞多组学数据	机器学习	NA	单细胞技术	深度神经网络	多组学数据	NA	NA	NA	准确率, 精确率, 召回率, F1分数, 聚类有效性指数	NA
1493	2026-03-29	DP-OTG: A Feature-Free Deep Learning Model for Accurate Prediction of Human O-Linked Threonine Glycosylation Sites 2026-Mar, Journal of computational biology : a journal of computational molecular cell biology IF:1.4Q2 DOI:10.1177/15578666261424278 PMID:41762162	研究论文	本研究提出了一种名为DP-OTG的免特征深度学习模型，用于准确预测人类蛋白质O-连接苏氨酸糖基化位点	提出了一种免特征、端到端的深度学习框架，无需手动特征工程，通过混合架构自动从原始蛋白质序列中学习序列模式	未明确说明模型在跨物种预测或处理极低丰度糖基化位点方面的泛化能力	开发一种高效的计算工具来预测人类蛋白质O-连接苏氨酸糖基化位点，以替代昂贵且耗时的实验检测方法	人类蛋白质序列及其O-连接苏氨酸糖基化位点	生物信息学	癌症, 神经系统疾病	深度学习	CNN, BiLSTM	蛋白质序列（文本数据）	未明确说明具体样本数量，但使用了平衡和不平衡测试集进行验证	未明确说明，但代码已开源	多核卷积神经网络, 双向长短期记忆网络, 可训练嵌入层	准确率, 马修斯相关系数	未明确说明
1494	2026-03-29	Artificial intelligence in preterm birth prediction: a narrative review of current approaches and clinical applicability 2026-Mar, Obstetrics & gynecology science IF:2.0Q2 DOI:10.5468/ogs.26043 PMID:41775248	综述	本文是一篇关于人工智能在早产预测中应用现状、方法学质量及临床适用性的叙述性综述	系统性地评估了不同数据模态下AI预测早产的方法学质量和临床适用性，并指出了当前研究在方法学严谨性上的普遍不足	综述本身不产生新数据，且指出纳入的研究普遍存在样本量不足、缺乏外部验证、未报告校准指标以及高偏倚风险等局限性	评估人工智能在早产预测领域的应用现状、方法学质量及临床适用性	用于预测自发性早产的机器学习模型及相关研究	机器学习	早产	电子健康记录分析、超声图像分析、宫颈纹理和影像组学特征提取、弹性成像参数、多组学整合	深度学习, Transformer	电子健康记录, 超声图像, 多组学数据	NA	NA	Transformer	受试者工作特征曲线下面积	NA
1495	2026-03-29	Refined trajectory smoothing and deep learning classification of human sperm motility 2026-Mar-01, Human reproduction (Oxford, England) DOI:10.1093/humrep/deag005 PMID:41633817	研究论文	本研究提出了一种通过频域平滑改进精子运动轨迹参数提取的方法，并利用深度学习模型对原始轨迹数据进行分类，以准确区分精子的运动模式	引入了离散余弦变换（DCT）平滑来优化平均路径估计，提出了路径平均宽度（PAW）新指标量化侧向头部位移，并采用InceptionTime模型集成对精子轨迹进行分类	模型仅在低粘度培养基中记录的精子轨迹上训练，缺乏在高粘度环境（如ICSI精子选择所用介质）中的数据验证；且训练数据来自单中心（5个个体，共790条轨迹），需多中心独立验证以确认泛化能力	改进精子运动轨迹的参数提取精度，并开发基于深度学习的精子运动模式分类方法	人类精子运动轨迹	计算机视觉	NA	轨迹记录（60帧/秒）	集成学习, InceptionTime	轨迹坐标序列（x, y）	2326条精子轨迹（1931条渐进运动，395条超激活运动），来自5个个体样本	NA	InceptionTime	准确率	NA
1496	2026-03-29	Parameter Estimation from Phylogenetic Trees Using Neural Networks and Ensemble Learning 2026-Feb-25, Systematic biology IF:6.1Q1 DOI:10.1093/sysbio/syaf060 PMID:40899780	研究论文	本文提出了一种新的集成神经网络方法，用于从系统发育树中估计物种多样化参数	利用多种神经网络（密集神经网络、图神经网络和长短期记忆循环网络）的集成方法，同时从系统发育树的图表示、分支时间和汇总统计中学习，提高了参数估计的效率和准确性	与最大似然估计方法类似，该方法在延展的出生-死亡过程下仍无法精确恢复参数	估计物种多样化参数，包括物种形成和灭绝速率	时间校准的系统发育树	机器学习	NA	深度学习	DNN, GNN, LSTM	图数据、时间序列数据、汇总统计数据	NA	NA	密集神经网络、图神经网络、长短期记忆循环网络	估计速度、偏差、对树大小的敏感性	NA
1497	2026-03-29	Deep models of protein evolution in time generate realistic evolutionary trajectories and functional proteins 2026-Feb-20, bioRxiv : the preprint server for biology DOI:10.64898/2026.02.19.706898 PMID:41757065	研究论文	本文介绍了一种名为PEINT的深度学习框架，用于模拟蛋白质序列随时间演变的过程，并生成具有功能性的蛋白质	PEINT框架突破了传统模型中位点独立演化的简化假设，能够学习位点间复杂相互作用，直接从原始序列学习插入缺失动态，并准确模拟自然进化特征	NA	开发一个能够模拟蛋白质真实进化轨迹并生成功能性蛋白质的深度学习模型	蛋白质序列及其进化过程	机器学习	NA	深度学习	深度学习模型	蛋白质序列数据	数百万个跨越不同折叠家族的蛋白质序列	NA	NA	NA	NA
1498	2026-03-29	Deep learning-based battery health prediction for enhancing electric vehicle performance 2026-Feb-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-39911-8 PMID:41714349	研究论文	本研究提出了一种混合深度学习框架，用于智能电动汽车电池健康诊断，以提高电池诊断的可靠性和可持续性	提出了一种集成了1D-CNN、TCN、LSTM层和注意力机制的混合深度学习框架，用于电池健康状态预测，在精度、推理延迟和能耗方面均优于传统基线模型	未明确提及	通过智能电池健康诊断，提升电动汽车性能，并支持可持续发展目标7（经济适用的清洁能源）	电动汽车电池的健康状态	机器学习	NA	差分电压分析、差分电流分析、增量容量分析	CNN, LSTM, TCN	电池充放电循环数据	来自NASA PCoE、牛津和CALCE电池退化数据集的超过10,000个充放电循环	NA	1D-CNN, TCN, LSTM	准确率, RMSE	NA
1499	2026-03-29	Pneumonia detection from enhanced chest X-Ray images based on Double SGAN model 2026-Feb-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-39785-w PMID:41714360	研究论文	本研究提出了一种基于双SGAN模型和增强型胸片图像的肺炎检测深度学习诊断系统	创新性地提出了Double SGAN模型以解决类别不平衡问题，并在ResNet18中嵌入了空间注意力机制以聚焦肺炎诊断关键特征区域	研究仅使用儿科肺部图像的肺炎MNIST数据集，未涉及成人或其他类型医学影像数据	开发一种能够处理不平衡数据集并提高肺炎图像分类准确性和鲁棒性的深度学习诊断系统	儿科胸片X光图像	计算机视觉	肺炎	胸片X光成像	GAN, CNN	图像	肺炎MNIST数据集（具体数量未明确说明）	NA	Double SGAN, ResNet18-SA	准确率, 精确率, 召回率, F1分数	NA
1500	2026-03-29	The BIOPREVENT machine-learning algorithm predicts chronic graft-versus-host disease and mortality risk using posttransplant biomarkers 2026-Feb-16, The Journal of clinical investigation IF:13.3Q1 DOI:10.1172/JCI195228 PMID:41697751	研究论文	本研究开发了一种名为BIOPREVENT的机器学习算法，利用移植后生物标志物预测慢性移植物抗宿主病和死亡率风险	首次结合移植后90/100天测量的7种血浆蛋白和9个临床变量，开发了能够预测cGVHD和非复发死亡率的机器学习算法，并创建了公开可用的R Shiny网络应用程序支持临床使用	深度学习模型未表现出优于其他机器学习方法的性能，需要进一步研究探索该算法在指导预防性治疗中的作用	开发机器学习算法以改善造血细胞移植后慢性移植物抗宿主病和非复发死亡率的预测准确性	1,310名造血细胞移植受者	机器学习	移植物抗宿主病	血浆蛋白测量	CoxXGBoost, Group SCAD, Adaptive Group Lasso, Random Survival Forests, BART, 深度学习模型	临床变量和生物标志物数据	1,310名患者，分为训练集和验证集	R	贝叶斯加性回归树（BART）被选为最终模型	时间依赖性ROC曲线下面积（AUCt），校准曲线	NA