深度学习在生物医药领域中的应用

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
16661	2024-09-14	Oncotree2vec - a method for embedding and clustering of tumor mutation trees 2024-06-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae214 PMID:38940124	研究论文	提出了一种名为oncotree2vec的方法，用于肿瘤突变树的嵌入和聚类	通过学习突变树的向量表示，捕捉亚克隆之间的不同关系，实现无监督的肿瘤突变树聚类	NA	理解肿瘤的基因组异质性，为个性化治疗提供依据	肿瘤突变树及其在肿瘤聚类中的应用	计算肿瘤学	NA	NA	NA	突变树	三个模拟研究和两个真实数据集，包括43棵来自六种癌症类型的树和123棵AML突变树
16662	2024-09-14	FMCA-DTI: a fragment-oriented method based on a multihead cross attention mechanism to improve drug-target interaction prediction 2024-06-03, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae347 PMID:38810106	研究论文	提出了一种基于多头交叉注意力机制的片段导向方法FMCA-DTI，用于改进药物-靶点相互作用预测	利用多头交叉注意力机制学习不同片段之间的复杂交互特征，并通过分支链挖掘和类别片段挖掘获取药物和蛋白质的多种片段类型	未提及	改进药物-靶点相互作用预测	药物和蛋白质的片段及其相互作用	机器学习	NA	多头交叉注意力机制	多头交叉注意力机制	片段数据	三个基准数据集
16663	2024-09-14	Interpretable deep learning in single-cell omics 2024-06-03, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae374 PMID:38889275	review	本文介绍了单细胞组学技术和可解释深度学习的基本概念，并回顾了应用于单细胞组学研究的最新可解释深度学习模型	本文探讨了在单细胞组学数据分析中提高深度学习模型可解释性的研究进展	本文指出了当前可解释深度学习模型在单细胞组学研究中的局限性，并讨论了未来的发展方向	探讨单细胞组学数据分析中深度学习模型的可解释性问题	单细胞组学数据和深度学习模型	机器学习	NA	深度学习	NA	单细胞组学数据	NA
16664	2024-09-14	Deep learning for colorectal cancer detection in contrast-enhanced CT without bowel preparation: a retrospective, multicentre study 2024-Jun, EBioMedicine IF:9.7Q1 DOI:10.1016/j.ebiom.2024.105183 PMID:38848616	研究论文	本文开发了一种深度学习模型，用于在没有肠道准备的情况下通过增强CT扫描检测结直肠癌，并评估其是否能提高放射科医生的检测性能	本文首次在没有肠道准备的情况下，利用深度学习模型在增强CT扫描中检测结直肠癌，并显著提高了放射科医生的检测准确性	本文仅在回顾性、多中心研究中验证了模型的有效性，未来需要在更多临床环境中进行验证	开发和评估一种深度学习模型，以提高在没有肠道准备的情况下通过增强CT扫描检测结直肠癌的准确性	结直肠癌的检测	计算机视觉	结直肠癌	深度学习	深度学习模型	图像	共使用了1196个癌症样本和1034个正常样本进行模型训练，并在多个测试集中进行了验证
16665	2024-09-14	BindingSiteDTI: differential-scale binding site modelling for drug-target interaction prediction 2024-05-02, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae308 PMID:38730554	研究论文	提出了一种名为BindingSiteDTI的新型DTI网络，通过差分尺度方案对结合位点进行建模，以增强药物-靶点相互作用的预测	引入了差分尺度方案，从不同尺度的分子大小中提取多尺度子结构，并从药物中提取固定尺度的子结构，以识别结构相似的子结构标记，并在子结构级别建模隐藏关系	未提及	提高药物-靶点相互作用预测的准确性和可靠性	药物和靶点的子结构及其相互作用	机器学习	NA	深度学习	BindingSiteDTI网络	分子结构数据	使用了DUD-E、human和BindingDB等流行基准数据集进行实验
16666	2024-09-14	Inferring gene regulatory networks from single-cell transcriptomics based on graph embedding 2024-05-02, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae291 PMID:38810116	研究论文	本文提出了一种基于图嵌入的监督深度学习框架IGEGRNS，用于从单细胞转录组数据中推断基因调控网络	该方法通过GraphSAGE捕捉基因的上下文信息，并使用Top-k池化和堆叠CNNs来预测基因间的潜在调控关系，相比现有方法在时间序列scRNA-seq数据集上表现更好	NA	推断基因调控网络以理解复杂的生物过程	单细胞转录组数据中的基因调控网络	机器学习	NA	图嵌入	CNN	转录组数据	六个时间序列scRNA-seq数据集
16667	2024-09-14	Automated segmentation and recognition of C. elegans whole-body cells 2024-05-02, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae324 PMID:38775410	研究论文	本文介绍了一种新的自动化细胞分割与识别管道，用于C. elegans全身体细胞的3D荧光显微图像	提出了一种基于位移矢量场的深度学习模型，用于解决高度拥挤细胞的可靠分割问题，并利用细胞位置和结构相似性的统计先验实现细胞识别	仅在L1阶段C. elegans和一些其他细胞类型上进行了验证	开发一种无需标记的自动化方法，用于C. elegans全身体细胞的分割与识别	C. elegans全身体细胞的3D荧光显微图像	计算机视觉	NA	深度学习	基于位移矢量场的深度学习模型	3D荧光显微图像	558个C. elegans全身体细胞，116个C. elegans图像堆栈，包含64,728个细胞
16668	2024-09-14	Genotype sampling for deep-learning assisted experimental mapping of a combinatorially complete fitness landscape 2024-05-02, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae317 PMID:38745436	研究论文	本文探讨了使用深度学习辅助实验映射组合完全适应度景观的基因型采样策略	本文展示了多层感知器、循环神经网络、卷积网络和变换器等多种模型在解释适应度变异方面的有效性，并发现简单的采样策略在训练深度学习神经网络时表现最佳	本文仅针对特定蛋白质的适应度景观进行了研究，结果的普适性有待进一步验证	研究如何通过深度学习从较小的实验测量的基因型样本中预测大量基因型的适应度	蛋白质基因型的适应度景观	机器学习	NA	深度学习	多层感知器、循环神经网络、卷积网络、变换器	基因型数据	超过260,000个蛋白质基因型
16669	2024-09-14	BTR: a bioinformatics tool recommendation system 2024-05-02, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae275 PMID:38662583	研究论文	本文介绍了一种名为BTR的生物信息学工具推荐系统，该系统利用深度学习和图神经网络技术来推荐适合特定工作流程的工具	BTR系统通过将工作流程表示为图结构，并利用自然语言处理技术分析工具描述，从而提高了工具推荐的准确性	NA	开发一种能够有效推荐生物信息学工具的系统，以简化科学工作流程的构建	生物信息学工具推荐系统	生物信息学	NA	图神经网络，自然语言处理	深度学习模型	文本	NA
16670	2024-09-14	scTPC: a novel semisupervised deep clustering model for scRNA-seq data 2024-05-02, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae293 PMID:38684178	研究论文	本文介绍了一种名为scTPC的新型半监督深度聚类模型，用于单细胞RNA测序数据	scTPC模型结合了三重约束、成对约束和交叉熵约束，基于深度学习进行半监督聚类，并引入了加权交叉熵损失来处理不平衡的细胞类型数据集	NA	研究目的是开发一种能够有效处理单细胞RNA测序数据中高维度、稀疏性和“假”零值问题的半监督聚类模型	单细胞RNA测序数据	机器学习	NA	单细胞RNA测序	深度学习模型	基因表达数据	10个真实数据集和5个模拟数据集
16671	2024-09-14	Revisiting drug-protein interaction prediction: a novel global-local perspective 2024-05-02, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae271 PMID:38648052	研究论文	本文提出了一种新的计算框架，通过整合药物-蛋白质二部图中节点的全局和局部特征，用于高效的药物-蛋白质相互作用推断	本文创新性地结合了全局和局部特征，通过能量约束扩散机制和Transformer架构，提高了药物-蛋白质相互作用预测的准确性	NA	提高药物-蛋白质相互作用预测的准确性，以促进药物再利用和个性化医学研究	药物和蛋白质的相互作用	机器学习	NA	MinHash, HyperLogLog, 能量约束扩散机制	Transformer, 多层感知器	图数据	NA
16672	2024-09-14	CopyVAE: a variational autoencoder-based approach for copy number variation inference using single-cell transcriptomics 2024-05-02, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae284 PMID:38676578	研究论文	本文介绍了一种基于变分自编码器（VAE）的深度学习框架CopyVAE，用于从单细胞转录组数据中推断拷贝数变异（CNV）	CopyVAE在检测CNV的敏感性和特异性方面优于现有方法	NA	提高从单细胞测序数据中推断拷贝数变异的准确性和可靠性	拷贝数变异（CNV）	机器学习	NA	单细胞RNA测序	变分自编码器（VAE）	转录组数据	NA
16673	2024-09-14	Machine learning in cardiac surgery: a narrative review 2024-Apr-30, Journal of thoracic disease IF:2.1Q3 DOI:10.21037/jtd-23-1659 PMID:38738250	综述	本文综述了机器学习在心脏外科中的应用，特别是其在预测分析和临床决策支持中的作用	机器学习方法在心脏外科中用于生成术前风险概况，能够准确预测临床结果	与传统风险指标相比，机器学习在预测性能上的改进有限，当前在临床设置中的应用仍然有限	探讨机器学习在心脏外科中的临床应用及其在预测分析和临床决策支持中的潜力	心脏外科中的机器学习方法及其在临床决策支持中的应用	机器学习	心血管疾病	机器学习	NA	电子健康记录数据	NA
16674	2024-09-14	Demystifying AI: Current State and Future Role in Medical Education Assessment 2024-04-01, Academic medicine : journal of the Association of American Medical Colleges IF:5.3Q1 DOI:10.1097/ACM.0000000000005598 PMID:38166201	研究论文	本文探讨了人工智能在医学教育评估中的现状和未来角色，介绍了精准教育的概念，并讨论了AI在解决传统评估方法局限性方面的潜力和挑战	提出了精准教育的概念，并探讨了AI在个性化教育体验中的应用，包括主动数据收集、客观评估和资源负担减轻	讨论了将AI整合到医学教育中的关键挑战和伦理考虑，如算法透明性、数据隐私和偏见传播	探讨AI在医学教育评估中的应用，旨在提高评估效率和公平性	医学教育评估中的数据复杂性、资源限制、偏见、反馈转化和教育连续性	机器学习	NA	人工智能（AI）、机器学习（ML）、深度学习（DL）	NA	数据	NA
16675	2024-09-14	phylaGAN: data augmentation through conditional GANs and autoencoders for improving disease prediction accuracy using microbiome data 2024-03-29, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae161 PMID:38569898	研究论文	本文提出了一种基于条件生成对抗网络（C-GAN）和自动编码器的深度学习框架phylaGAN，用于通过数据增强提高微生物组数据疾病预测的准确性	本文创新性地结合了条件生成对抗网络和自动编码器，生成模拟的微生物组数据，以解决现有机器学习方法在微生物组数据预测中面临的样本量小、样本不平衡和高成本等问题	本文未详细讨论生成的合成数据在实际临床应用中的潜在风险和伦理问题	提高微生物组数据疾病预测的准确性	微生物组数据	机器学习	NA	条件生成对抗网络（C-GAN）、自动编码器	C-GAN、自动编码器	微生物组数据	涉及两个数据集（T2D研究和肝硬化研究）以及一个外部验证队列（肥胖和瘦弱受试者分类）
16676	2024-09-14	MINDG: a drug-target interaction prediction method based on an integrated learning algorithm 2024-03-29, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae147 PMID:38483285	研究论文	提出了一种基于集成学习算法的药物-靶点相互作用预测方法MINDG	结合了深度学习和图学习的优势，通过混合深度网络提取序列特征，并提出高阶图注意力卷积网络来捕捉结构特征，最终通过多视角自适应集成决策模块提升预测性能	NA	解决现有药物-靶点相互作用预测方法的局限性，提升预测性能	药物-靶点相互作用	机器学习	NA	深度学习，图学习	混合深度网络，高阶图注意力卷积网络	序列数据，结构数据	两个数据集
16677	2024-09-14	TemStaPro: protein thermostability prediction using sequence representations from protein language models 2024-03-29, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae157 PMID:38507682	研究论文	本文介绍了一种基于蛋白质语言模型嵌入的蛋白质热稳定性预测方法	利用预训练的蛋白质语言模型生成嵌入，通过迁移学习高效训练和验证高性能预测模型	NA	开发一种可靠的蛋白质热稳定性预测方法	蛋白质序列及其热稳定性	机器学习	NA	蛋白质语言模型	NA	序列	超过一百万个序列
16678	2024-09-14	Contrastive pre-training and 3D convolution neural network for RNA and small molecule binding affinity prediction 2024-03-29, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae155 PMID:38507691	研究论文	本文介绍了一种名为RLaffinity的新型深度学习模型，用于预测RNA与小分子的结合亲和力，基于3D结构	首次提出基于3D卷积神经网络和对比学习预训练模型的RNA与小分子结合亲和力预测方法	NA	开发一种计算模型，有效提取相关特征并准确预测RNA与小分子的结合亲和力	RNA与小分子的结合亲和力	机器学习	NA	3D卷积神经网络	3D-CNN	3D结构	NA
16679	2024-09-14	Integrating physics in deep learning algorithms: a force field as a PyTorch module 2024-03-29, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae160 PMID:38514422	研究论文	本文介绍了一种将物理力场集成到深度学习算法中的方法，通过实现一个可微分的PyTorch模块MadraX，使得深度学习算法能够与物理力场进行端到端的交互	本文的创新点在于将物理力场实现为一个可微分的PyTorch模块，使得深度学习算法能够直接利用物理规则进行训练和预测	本文未提及具体的局限性	研究目的是解决深度学习算法在结构生物学中由于数据有限而难以收敛到有意义解的问题	研究对象是深度学习算法与物理力场的集成	机器学习	NA	深度学习	PyTorch模块	NA	NA
16680	2024-09-14	MotGen: a closed-loop bacterial motility control framework using generative adversarial networks 2024-03-29, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae170 PMID:38552318	研究论文	本文提出了一种基于生成对抗网络的闭环细菌运动控制框架，用于实时调节细菌运动动态	首次提出了一种基于生成对抗网络的闭环控制框架，能够实时调节细菌运动动态，填补了现有研究中对细菌运动动态系统探索的空白	NA	开发一种能够实时调节细菌运动动态的新方法，以应用于生物医学领域	细菌的运动性能和运动模式	机器学习	NA	生成对抗网络	生成对抗网络	图像	NA