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 44490 篇文献，本页显示第 1721 - 1740 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1721 | 2026-05-02 |
Retraction Note: A novel approach integrating topological deep learning from EEG Data in Alzheimer's disease
2026-Apr-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-50185-y
PMID:42050120
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1722 | 2026-05-02 |
How receptor conformation depends on lipid nanodisc size: Adenosine A2A receptor and implications for class-A GPCR proteins
2026-Apr-28, Biochimica et biophysica acta. Biomembranes
DOI:10.1016/j.bbamem.2026.184535
PMID:42061733
|
研究论文 | 使用原子级模拟研究脂质纳米盘大小如何影响腺苷A2A受体的构象，并探讨对A类GPCR蛋白的启示 | 首次通过深度学习方法系统揭示纳米盘尺寸依赖性对GPCR受体构象分布的调控作用，并发现直径约19 nm的纳米盘能模拟无应变的平面膜环境 | 仅模拟单一脂质成分，未考虑复杂膜环境（如胆固醇或不同脂质比例）的影响 | 评估纳米盘环境与细胞膜环境的差异，并确定纳米盘尺寸对GPCR受体构象的影响 | 腺苷A2A受体（GPCR家族成员）在不同尺寸纳米盘中的构象行为 | 分子模拟 | NA | 原子级分子动力学模拟 | NA | 模拟轨迹数据 | 约11 nm和约19 nm直径的纳米盘，以及无应变的平面膜作为对照 | NA | 深度学习方法（具体架构未提及） | 构象分布特征比较 | NA |
| 1723 | 2026-05-02 |
Estimating Protein Conformational States from High-Speed AFM Images with Molecular Dynamics and Deep Learning
2026-Apr-27, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.6c00142
PMID:41934646
|
研究论文 | 提出DeepAFM框架，整合深度学习与分子动力学模拟，从高速原子力显微镜图像中估计蛋白质构象状态并去噪 | 首次将深度学习与分子动力学模拟结合，用于解析噪声大、分辨率低的HS-AFM图像中的蛋白质构象状态，模型关注大尺度结构域运动区域，增强对噪声的鲁棒性 | 研究仅以膜蛋白SecYAEG-纳米盘复合物为案例，可能需进一步验证对其他蛋白质的通用性 | 开发一种能有效去噪并准确估计蛋白质构象状态的深度学习辅助分析策略 | 膜蛋白SecYAEG-纳米盘复合物中SecA的闭合与开放构象状态 | 计算机视觉 | 未提及 | 高速原子力显微镜， 分子动力学模拟 | 深度学习 | 图像 | 未提及 | PyTorch | 未提及 | 未提及 | 未提及 |
| 1724 | 2026-05-02 |
Deep Learning for Cardiac Image Analysis: Unveiling Advances in Deep Learning Architectures
2026-Apr-24, JACC. Cardiovascular imaging
DOI:10.1016/j.jcmg.2026.03.007
PMID:42065698
|
综述 | 讨论深度学习在心脏图像分析中的进展，包括图神经网络、Transformer、隐式神经表示、生成对抗网络和基础模型等新方法 | 系统综述了深度学习心脏图像分析中的多种新兴架构，如非欧几里得数据表示、动态成像序列建模与连续空间重建 | 未涵盖临床验证试验的实证结果，且未对不同架构进行直接性能对比 | 总结深度学习在心脏图像分析方法上的创新及其挑战与未来方向 | 心脏图像分析中的深度学习架构 | 计算机视觉 | 心血管疾病 | NA | 图神经网络、Transformer、隐式神经表示、生成对抗网络、基础模型 | 图像 | NA | NA | 图神经网络、Transformer、隐式神经表示、生成对抗网络、基础模型 | NA | NA |
| 1725 | 2026-05-02 |
Deep learning-enabled ratiometric signal transduction for portable and intelligent colorimetric LAMP biosensing of Vibrio vulnificus
2026-Apr-22, Analytical biochemistry
IF:2.6Q2
DOI:10.1016/j.ab.2026.116136
PMID:42031193
|
研究论文 | 报道了一种结合深度学习比率信号转导策略的智能生物传感平台，用于自动检测创伤弧菌 | 首次将深度学习增强的比率信号转导与环介导等温扩增结合，通过自定义底部照明光学模块和绿蓝通道比率分析，有效抑制环境光噪声，将分析灵敏度比传统凝胶电泳提高一个数量级 | 未提及 | 开发便携式、智能化的病原体现场分子诊断平台 | 创伤弧菌 | 机器学习, 数字病理学 | 创伤弧菌感染 | 环介导等温扩增 (LAMP) | 卷积神经网络 (CNN) | 图像 | 5 μL 样品 | NA | CNN | 精确率, 召回率, 检测限, 相关系数 | NA |
| 1726 | 2026-05-02 |
Future cardiovascular events prediction from invasive coronary angiography: A graph representation learning perspective
2026-Apr-22, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2026.104079
PMID:42061118
|
研究论文 | 提出基于图神经网络的AngioGraphCAD框架，利用侵入性冠状动脉造影预测未来心血管事件 | 首次从图表示学习视角处理冠状动脉造影数据，通过几何图表示和掩码注意力机制实现病变级和患者级预测 | 未明确说明局限性，但可能包括样本量有限（仅两个队列共646名患者）、AUC值尚需提升（最高0.73） | 利用冠状动脉造影几何信息改进冠心病患者未来心血管事件的风险分层 | 冠心病患者的侵入性冠状动脉造影图像和临床数据 | 机器学习 | 冠心病 | 侵入性冠状动脉造影 | 图神经网络 | 图像和临床数据 | 两个队列：FAME2 563名患者、1551处狭窄；FCL 83名患者、382处狭窄 | NA | 图神经网络、掩码注意力机制 | AUC | NA |
| 1727 | 2026-05-02 |
MarineTox Predictor: An Online Library Platform for Enhancing Low-Resourced Saltwater Ecotoxicity Prediction via Knowledge Sharing from Freshwater Ecotoxicity
2026-Apr-20, Environmental science & technology
IF:10.8Q1
DOI:10.1021/acs.est.5c15496
PMID:42009490
|
研究论文 | 通过多任务深度学习与跨领域知识共享机制，开发了MarineTox预测器，用于预测26种海洋生物对31种盐毒性任务的毒性终点，并建立了在线平台支持海洋生态风险评估 | 首次利用淡水生态毒性数据通过跨领域知识共享机制，提升低资源盐毒性预测能力，并构建了多物种-子结构相互作用网络以解析结构依赖性毒性机制 | NA | 解决盐毒性数据稀缺问题，开发预测多种海洋物种毒性终点的计算工具，并建立在线平台支持化学品的海洋生态风险评估 | 26种海洋生物（跨越5个门类）的31种盐毒性任务，以及约68,000种化学品 | 机器学习 | NA | 多任务深度学习与跨领域知识共享 | 多任务深度学习 | 生态毒性数据 | 约68,000种化学品；1,200,000条生态毒性数据及危害阈值记录 | NA | 多任务深度学习模型 | 决定系数R² | NA |
| 1728 | 2026-05-02 |
Docking-based virtual screening: Past, present, and future
2026-Apr-15, Biophysical journal
IF:3.2Q2
DOI:10.1016/j.bpj.2026.04.011
PMID:41992616
|
综述 | 综述了基于分子对接的虚拟筛选的过去、现在和未来 | 系统总结了基于模板的方法、深度学习对接与打分函数、大规模和超大规模对接战役等最新进展 | 讨论了当前挑战，如方法准确性、计算资源需求及实际应用中的限制 | 回顾DBVS方法的发展历程，总结最新进展，并展望未来方向以提升早期药物发现的实际影响 | DBVS工作流程的主要组成部分（配体结合位点识别、化学库准备、分子对接方法）及其改进策略 | 计算机辅助药物设计 | NA | 分子对接、虚拟筛选 | 深度学习模型（如用于对接和打分） | 分子结构数据 | NA | NA | NA | NA | NA |
| 1729 | 2026-05-02 |
ANNalog: generation of MedChem-similar molecules
2026-Apr-15, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-026-01186-6
PMID:41987312
|
研究论文 | 提出了一种基于Transformer的序列到序列生成模型ANNalog，用于生成与药物化学相似的分子类似物 | 使用同一生物活性测定中的分子对训练生成模型，能同时生成结构相似类似物和进行骨架跃迁，并采用编辑距离引导的对齐预处理提升性能 | NA | 生成兼具结构相似性和骨架跃迁能力的药物化学类似物 | 从ChEMBL33数据库中提取的同一生物活性测定中的分子对 | 机器学习 | NA | NA | Transformer | SMILES字符串 | 使用ChEMBL33数据库中的分子对，具体数量未提及 | NA | Transformer | NA | NA |
| 1730 | 2026-05-02 |
Altered chromatin accessibility and nucleosome positioning landscape upon HDAC and LSD1 inhibition in cancer cell
2026-Apr-11, bioRxiv : the preprint server for biology
DOI:10.64898/2026.04.08.717275
PMID:41993470
|
研究论文 | 介绍了一种结合深度学习自动分析染色质可及性图谱的多模态平台，用于研究HDAC和LSD1抑制对癌细胞中染色质可及性和核小体定位的影响 | 首次整合NicE-viewSeq与自动化深度学习空间分辨染色质可及性分析，揭示了单药与双药抑制策略的比较效果及CoREST-RUNX调控轴机制 | NA | 探索HDAC和LSD1抑制对癌细胞染色质可及性和核小体定位的影响及机制，优化组合表观遗传治疗策略 | 癌细胞 | 机器学习 | 癌症 | NicE-viewSeq | 深度学习 | 测序数据 | NA | NA | NA | NA | NA |
| 1731 | 2026-05-02 |
Deep learning detection of retinitis pigmentosa inheritance forms through synthetic data expansion of a rare disease dataset
2026-Apr-11, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-47341-9
PMID:41965358
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1732 | 2026-05-02 |
Machine Learning and Artificial Intelligence in Nutrition Research: Analytical Methods, Applications, and Key Considerations
2026-Apr-09, The Journal of nutrition
IF:3.7Q2
DOI:10.1016/j.tjnut.2026.101528
PMID:41966331
|
综述 | 本文综述了机器学习与人工智能在营养研究中的应用，涵盖数据处理、降维、监督/无监督学习及深度学习等方法，并讨论了模型验证与实践考量 | 系统梳理了从数据预处理到模型验证的完整分析流程，强调了多组学整合方法和深度学习在处理非结构化数据中的优势，并提供了可复现性和通用性的实用指导 | 未系统性评估不同方法在具体营养数据上的性能差异，且对样本量限制和过拟合问题的讨论较为概括，缺乏实证案例对比 | 为营养研究中的机器学习应用提供框架性指导，促进方法学的负责任实施 | 营养研究中的高维数据（如多组学、多模态数据）以及文本、序列等非结构化数据 | 机器学习 | NA | NA | CNN, RNN, LSTM, Transformer, 大语言模型, 随机森林, 梯度提升回归, LASSO, 支持向量机, k近邻 | 高维数据, 非结构化数据, 序列数据, 文本数据, 多组学数据 | NA | NA | 随机森林, 梯度提升回归, LASSO, 支持向量机, k近邻, CNN, RNN, LSTM, 大语言模型 | NA | NA |
| 1733 | 2026-05-02 |
FunctionaL Assigning Sequence Homing (FLASH) maps phenotype to sequence with deep and machine learning
2026-Apr-07, bioRxiv : the preprint server for biology
DOI:10.64898/2026.04.04.715981
PMID:41993257
|
研究论文 | 提出一种基于深度和机器学习的新型框架FLASH，能够直接从原始测序读段预测表型，并在超过35,000个细菌、真菌和病毒分离株中实现高精度预测 | FLASH是可解释的、基于统计的深度学习框架，能直接操作原始测序读段，预测从未在训练中见过的变异，识别从头药物靶标和跨物种毒力预测因子，并完成GWAS无法实现的任务（如预测噬菌体的细菌宿主范围） | 未明确提及，但可能受限于测序数据质量和计算资源需求 | 开发一种能够克服GWAS局限性的新型深度学习方法，实现直接从原始测序数据预测表型 | 细菌、真菌和病毒分离株（超过35,000个） | 机器学习 | 感染性疾病 | 原始测序读段分析 | 深度学习模型 | 测序数据 | 超过35,000个细菌、真菌和病毒分离株 | NA | NA | 准确率 | NA |
| 1734 | 2026-05-02 |
Graph transformer for ancient ancestry inference
2026-Apr-07, bioRxiv : the preprint server for biology
DOI:10.64898/2026.04.05.714076
PMID:41993422
|
研究论文 | 利用图变换器从古代祖先的基因重组图中推断局部祖先 | 将图变换器引入古代祖先推断框架，利用深度学习改进基于古代DNA参考的局部祖先推断准确性 | NA（摘要未提及局限性） | 开发一种基于图变换器（ARGMix）的方法，利用古代DNA样本作为参考，提高混合人群中局部祖先推断的准确性和鲁棒性 | 古代和现代欧洲人群的DNA样本 | 机器学习 | NA | 古代DNA测序 | 图变换器 | 基因序列数据 | NA（摘要未明确样本数量） | PyTorch | 图变换器 | 准确率, 鲁棒性 | NA（摘要未提及） |
| 1735 | 2026-05-02 |
GAZE2REPORT: RADIOLOGY REPORT GENERATION VIA VISUAL-GAZE PROMPT TUNING OF LLMS
2026-Apr-07, ArXiv
PMID:41994171
|
研究论文 | 提出GAZE2REPORT框架，通过扫描路径预测模块和图神经网络生成视觉-注视联合令牌，结合指令和报告令牌微调大语言模型的LoRA层，实现无注视输入的放射学报告自动生成 | 首次将眼动注视数据作为医学先验知识融入放射学报告生成流程，提出扫描路径预测模块实现在推理阶段无需真实眼动数据，通过视觉-注视联合令牌与指令令牌的多模态提示微调大语言模型 | 多模态数据融合的复杂性、眼动数据获取成本高、推理阶段缺乏真实注视输入的实用性限制 | 提升放射学报告生成质量与可解释性，实现医生视觉注意力与AI决策过程的对齐 | 放射学报告生成任务中的医学影像与眼动注视数据 | 自然语言处理、计算机视觉、数字病理学 | 未明确指定具体疾病类别 | 眼动追踪、扫描路径预测 | 大语言模型（LLM）、图神经网络（GNN） | 医学影像、眼动注视数据、文本报告 | 未在摘要中说明样本数量 | PyTorch | LoRA微调的大语言模型、图神经网络、扫描路径预测模块 | 未在摘要中说明评估指标 | NA |
| 1736 | 2026-05-02 |
Monotherapy cancer drug-blind response prediction is limited to intraclass generalization
2026-Apr, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1013232
PMID:42018603
|
研究论文 | 本文量化了单药癌症药物反应预测模型在药物盲测中的泛化能力，发现其受限于药物间机制重叠，并揭示了数据集行为是性能瓶颈而非模型本身 | 首次量化了药物盲测泛化能力对药物机制重叠的依赖，并证明单一机制训练可显著提升特定机制的预测性能 | 研究仅基于现有大型药基因组学数据集，无法预先确定克服药物盲测失败所需的数据量，且未涉及新数据采集的实验验证 | 阐明单药癌症药物反应预测模型在药物盲测中失败的根本原因，并评估模型泛化能力的真实来源 | 多种深度学习模型架构和多个大型药基因组学数据集中的细胞系药物反应 | 机器学习 | 癌症 | NA | 深度学习模型（多种架构） | 药基因组学数据 | 多个大型药基因组学数据集中的细胞系和药物，具体数量未明确 | NA | NA（文中提及多种架构但未具体列出） | NA（文中提及性能评估但未明确具体指标） | NA |
| 1737 | 2026-05-02 |
Artificial Intelligence-Based Exosome Analysis for Improving Diagnostic Performance of Breast Lesions on Ultrasound: Protocol of a Prospective, Multicenter Cohort Study
2026-Apr, Journal of breast cancer
IF:2.2Q3
DOI:10.4048/jbc.2025.0206
PMID:41918185
|
研究论文 | 一项前瞻性多中心队列研究，评估基于外泌体的表面增强拉曼光谱与人工智能平台（exosome-SERS-AI）对超声诊断可疑乳腺病变的增效作用 | 首次在临床试验中系统评估外泌体SERS-AI技术联合超声对BI-RADS 3-5级乳腺病变的诊断性能提升效果 | 该研究为方案描述，尚未完成数据采集和分析，结果需待2026年揭晓 | 评估exosome-SERS-AI能否提高超声对可疑乳腺病变的诊断准确性 | 乳腺病变患者的血浆外泌体样本及超声影像数据 | 机器学习 | 乳腺癌 | 表面增强拉曼光谱（SERS）、外泌体分离技术 | 深度学习模型（未指定具体类型） | 拉曼光谱信号、超声影像、组织病理数据 | 500名40岁以上女性患者（各250例良性和恶性病变） | NA | NA | 敏感性、特异性、阳性预测值、阴性预测值、受试者工作特征曲线下面积 | NA |
| 1738 | 2026-05-02 |
Transfer Learning From Hand-Trained Deep Learning Models to Estimate Bone Age From Knee Radiographs
2026-Apr, Orthopaedic journal of sports medicine
IF:2.4Q2
DOI:10.1177/23259671261424923
PMID:42063486
|
research paper | 基于膝关节X光片，利用迁移学习从手工训练的深度学习模型估算骨骼年龄 | 首次利用膝关节X光片通过深度学习模型进行骨骼年龄估算，避免了传统方法需额外手部X光片的辐射暴露，且模型性能优于现有方法 | 需要外部验证和模型优化才能应用于日常临床实践 | 开发基于膝关节X光片的深度学习模型用于骨骼年龄估算 | 18岁及以下骨科患者的膝关节X光片 | computer vision, machine learning | geriatric disease | NA | ConvNeXT | image | 2374张裁剪后的膝关节图像 | NA | ConvNeXT | mean absolute error, Bland-Altman analysis, saliency maps | NA |
| 1739 | 2026-05-02 |
Novel two-stage deep learning framework for automated pressure injury classification
2026-Mar-27, BMJ health & care informatics
IF:4.1Q2
DOI:10.1136/bmjhci-2025-101636
PMID:41895731
|
研究论文 | 提出一个两阶段深度学习框架，用于自动从临床图像中对压力损伤进行分期 | 通过结合目标检测（YOLOv9）和图像分类（DenseNet161）的两阶段方法，无需手动定位病灶即可实现自动化分期，提高临床可解释性 | 在处理伤口内异质性、早期细微边界识别以及图像质量差异方面仍存在挑战 | 开发一个直接从临床图像自动进行压力损伤分期的AI框架，以提高诊断准确性和一致性 | 中国医科大学医院收集的1807张压力损伤图像 | 计算机视觉 | 压力损伤 | NA | YOLOv9, DenseNet161 | 图像 | 1807张压力损伤图像（训练及验证集），测试集n=365 | PyTorch | YOLOv9, DenseNet161 | 准确率, 灵敏度, 特异度, F1分数, AUC, mAP@0.5 | NA |
| 1740 | 2026-03-18 |
Deep learning-based physiological risk stratification in night-shift hospital workers
2026-Mar-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-43982-y
PMID:41839952
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |