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 40262 篇文献，本页显示第 161 - 180 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 161 | 2026-02-15 |
Deep learning for drug-drug interaction prediction: A comprehensive review
2024-Mar, Quantitative biology (Beijing, China)
DOI:10.1002/qub2.32
PMID:41676018
|
综述 | 本文全面回顾了基于深度学习的药物-药物相互作用预测方法，并将其分为四类进行总结与讨论 | 系统性地将近年来的深度学习方法归纳为四大类别（神经网络、图神经网络、知识图谱、多模态），并对比了深度学习与传统机器学习在DDI预测上的性能提升 | NA | 总结和评估基于深度学习的药物-药物相互作用预测方法，探讨现有挑战与未来方向 | 药物-药物相互作用预测方法 | 机器学习 | NA | 深度学习 | 神经网络, 图神经网络 | 多模态数据 | 大规模数据集 | NA | NA | NA | NA |
| 162 | 2026-02-15 |
Advanced deep learning methods for molecular property prediction
2023-Dec, Quantitative biology (Beijing, China)
DOI:10.1002/qub2.23
PMID:41675536
|
综述 | 本文综述了分子性质预测中的分子表示、常用数据集以及先进的深度学习方法 | 总结了分子性质预测领域的最新深度学习网络（如图神经网络和基于Transformer的模型）和策略（如3D预训练、对比学习、多任务学习、迁移学习和元学习） | 指出了数据集缺乏、信息利用率低以及针对疾病特异性不足等关键问题 | 加速药物发现过程并降低其成本 | 分子性质预测 | 机器学习 | NA | NA | 图神经网络, Transformer | 分子数据 | NA | NA | NA | NA | NA |
| 163 | 2026-02-15 |
Exploration on learning molecular docking with deep learning models
2023-Sep, Quantitative biology (Beijing, China)
DOI:10.15302/J-QB-022-0321
PMID:41675244
|
研究论文 | 本文提出并评估了一种结合深度学习与两种免费对接程序的虚拟筛选方法，用于快速高效地筛选超大型化合物库以获取多样化的潜在活性化合物 | 创新点在于将深度学习模型与免费对接程序结合，形成一种可显著降低计算成本且具有可转移性的策略 | NA | 研究目标是开发一种快速高效的虚拟筛选方法，用于从超大型化合物库中识别潜在活性化合物 | 研究对象是超大型化合物库中的化合物 | 机器学习 | NA | 分子对接 | 深度学习模型 | 化合物数据 | NA | NA | NA | NA | NA |
| 164 | 2026-02-15 |
DeepRCI: predicting RNA-chromatin interactions via deep learning with multi-omics data
2023-Sep, Quantitative biology (Beijing, China)
DOI:10.15302/J-QB-022-0316
PMID:41675247
|
研究论文 | 本文提出了一种名为DeepRCI的可解释计算框架，用于预测RNA与染色质之间的相互作用 | 开发了一个高度可解释的深度学习框架，结合多组学数据来预测RNA-染色质相互作用 | NA | 识别不同类型RNA与染色质之间的相互作用，以研究基因调控机制 | 染色质相关RNA（caRNA）及其与染色质的相互作用 | 机器学习 | NA | 多组学数据 | 深度学习 | 多组学数据 | NA | NA | NA | NA | NA |
| 165 | 2026-02-15 |
Pattern discovery of long non-coding RNAs associated with the herbal treatments in breast and prostate cancers
2023-Sep, Quantitative biology (Beijing, China)
DOI:10.15302/J-QB-023-0333
PMID:41675250
|
研究论文 | 本研究通过RNA-seq数据构建共表达网络，探索长链非编码RNA与草药治疗在乳腺癌和前列腺癌中的关联 | 首次系统性地研究了lncRNAs与草药治疗在癌症中的潜在关系，并应用深度学习模型预测癌症相关lncRNAs | 研究主要基于RNA-seq数据，未进行实验验证，且样本量未明确说明 | 识别lncRNAs与草药治疗在乳腺癌和前列腺癌中的关联 | 乳腺癌和前列腺癌的RNA-seq数据 | 自然语言处理 | 乳腺癌,前列腺癌 | RNA-seq | 深度学习 | RNA-seq数据 | NA | NA | NA | NA | NA |
| 166 | 2026-02-15 |
DeepDrug: A general graph-based deep learning framework for drug-drug interactions and drug-target interactions prediction
2023-Sep, Quantitative biology (Beijing, China)
DOI:10.15302/J-QB-022-0320
PMID:41675249
|
研究论文 | 本文提出了一种名为DeepDrug的通用图基深度学习框架，用于预测药物-药物相互作用和药物-靶点相互作用 | DeepDrug在一个统一框架内同时处理药物-药物相互作用和药物-靶点相互作用预测问题，能够提取药物和靶蛋白的全面特征 | NA | 加速药物发现过程，通过计算预测药物-药物相互作用和药物-靶点相互作用 | 药物和靶蛋白 | 机器学习 | NA | NA | 图神经网络 | 图数据 | NA | NA | DeepDrug | NA | NA |
| 167 | 2026-02-15 |
Prediction of chromatin looping using deep hybrid learning (DHL)
2023-Jun, Quantitative biology (Beijing, China)
DOI:10.15302/J-QB-022-0315
PMID:41675657
|
研究论文 | 本文提出了一种基于深度混合学习（DHL）的方法，用于预测染色质环化，结合了深度学习模型DNABERT与传统机器学习算法 | 创新点在于将基于Transformer的DNABERT深度学习模型与SVM、RF、KNN等传统机器学习模型集成，形成深度混合学习（DHL）框架，以提高染色质环化预测的精度 | 未在摘要中明确提及具体限制 | 研究目的是利用深度混合学习预测染色质环化，以理解基因组空间组织对复杂性状的影响 | 研究对象是染色质环化数据，具体基于ChIA-PET实验，涉及CTCF和RNAPII数据集 | 机器学习 | NA | Hi-C, ChIA-PET | BERT, SVM, RF, KNN | 基因组序列数据 | NA | NA | DNABERT, Transformer | 精度 | NA |
| 168 | 2026-02-15 |
Computational methods for identifying enhancer-promoter interactions
2023-Jun, Quantitative biology (Beijing, China)
DOI:10.15302/J-QB-022-0322
PMID:41675661
|
综述 | 本文系统综述了自2010年以来用于识别增强子-启动子相互作用（EPIs）的计算方法，包括传统机器学习和深度学习模型，并总结了相关数据集资源和在疾病（如癌症）中的应用 | 提供了增强子-启动子相互作用预测方法的系统性总结，特别关注了基于深度学习和迁移学习的模型，这些模型可直接从DNA序列预测EPIs，减少了生物信息学研究者的参数训练时间 | NA | 总结和梳理增强子-启动子相互作用的识别方法，为研究者提供应用和优化这些方法的框架 | 增强子、启动子及其相互作用（EPIs） | 生物信息学 | 癌症 | 测序技术 | 传统机器学习, 深度学习 | 遗传、基因组和表观基因组特征数据, DNA序列 | NA | NA | NA | NA | NA |
| 169 | 2026-02-15 |
3D genomic organization in cancers
2023-Jun, Quantitative biology (Beijing, China)
DOI:10.15302/J-QB-022-0317
PMID:41675662
|
综述 | 本文综述了三维基因组组织在癌症中的作用及其研究进展 | 整合了生物信息学技术，特别是机器学习和深度学习，在三维癌症基因组研究中的应用潜力 | NA | 探讨三维基因组结构在癌症发生、发展和治疗中的作用机制 | 三维染色质结构（染色质区室A/B、拓扑关联结构域和增强子-启动子相互作用） | 生物信息学 | 癌症 | 机器学习和深度学习 | NA | 基因组数据 | NA | NA | NA | NA | NA |
| 170 | 2026-02-14 |
Development of a deep neural network model for simultaneous analysis of extracellular analyte gradients for a population of cells
2026-Jun, Artificial intelligence in the life sciences
DOI:10.1016/j.ailsci.2026.100156
PMID:41669397
|
研究论文 | 本研究开发了一种结合单壁碳纳米管荧光传感平台与深度学习模型的方法，用于快速分析细胞群体释放的细胞外一氧化氮空间梯度 | 首次将YOLOv8分割模型与单壁碳纳米管荧光传感平台结合，实现了对多种形态和聚集细胞群体的自动识别及细胞外分析物空间梯度的同步分析 | 未明确说明模型在不同细胞类型或实验条件下的泛化能力，也未讨论荧光信号可能受到的环境干扰 | 开发一种能够快速分析细胞外分析物空间分布的自动化方法，以研究细胞通讯动态 | 细胞群体释放的细胞外一氧化氮 | 计算机视觉 | NA | 荧光传感、单壁碳纳米管传感 | CNN | 图像 | 100对图像 | NA | YOLOv8 | 召回率, 精确率 | NA |
| 171 | 2026-02-14 |
Redefining obstructive sleep apnea diagnosis: An attention augmented CNN-BiLSTM hybrid alternative to traditional PSG testing
2026-Jun, MethodsX
IF:1.6Q2
DOI:10.1016/j.mex.2026.103808
PMID:41684745
|
研究论文 | 本研究提出了一种结合注意力机制的CNN-BiLSTM混合模型，用于自动检测阻塞性睡眠呼吸暂停，以替代传统的多导睡眠图诊断方法 | 提出了一种集成注意力机制的CNN-BiLSTM混合架构，并采用ANOVA选择的生理信号子集，以提高特征表示能力和分类性能 | NA | 开发一种替代传统多导睡眠图检测方法的自动化阻塞性睡眠呼吸暂停诊断方案 | 阻塞性睡眠呼吸暂停患者 | 机器学习 | 阻塞性睡眠呼吸暂停 | NA | CNN, BiLSTM | 生理信号数据 | 基于两个公开数据库 | NA | CNN-BiLSTM混合架构 | 准确率, F1分数 | NA |
| 172 | 2026-02-14 |
Gaborformer: A method for depression detection through hybrid acoustic feature extraction and fusion
2026-May-01, Journal of affective disorders
IF:4.9Q1
DOI:10.1016/j.jad.2026.121172
PMID:41513150
|
研究论文 | 提出了一种名为Gaborformer的新型抑郁症检测框架，通过混合声学特征提取与融合来提升检测性能 | 提出了结合可学习Gabor滤波器与CNN的GaborNet模块，并引入分类迭代邻域成分分析（CINCA）进行特征选择，同时采用Conformer模型捕捉高维信号中的抑郁相关特征 | 未在摘要中明确说明研究的局限性 | 开发一种基于语音的抑郁症检测（SDD）先进方法 | 抑郁症患者的语音数据 | 自然语言处理 | 抑郁症 | 混合声学特征提取与融合 | CNN, Conformer | 语音数据 | DAIC-WOZ和MODMA两个数据集 | NA | GaborNet, Conformer | NA | NA |
| 173 | 2026-02-14 |
Deep learning for depression prediction in older adults: A retrospective cohort study from CHARLS (2011-2020) with independent cohort validation in CLHLS (2008-2018)
2026-May-01, Journal of affective disorders
IF:4.9Q1
DOI:10.1016/j.jad.2026.121206
PMID:41554486
|
研究论文 | 本研究开发并验证了一种名为双注意力残差网络（DARNet）的深度学习模型，用于预测中国老年人群的抑郁风险 | 首次系统地将深度学习应用于中国老年抑郁预测，并提出了结合注意力机制的DARNet模型，通过独立队列验证了其有效性，并利用SHAP方法进行多维可解释性分析 | 研究数据主要来源于中国纵向调查，未来需要整合多中心临床数据以增强模型的普适性和现实应用价值 | 开发个体化的早期预测工具，以识别老年抑郁高风险个体并指导分层干预 | 中国老年人群（年龄>60岁） | 机器学习 | 老年疾病 | LASSO回归, SHAP方法 | 深度学习 | 纵向调查数据 | CHARLS队列2781名老年人（2011-2020年五波数据），CLHLS独立队列（2008-2018年） | NA | 双注意力残差网络（DARNet） | 准确率, F1分数, AUROC, AUPRC | NA |
| 174 | 2026-02-14 |
Peptide-responsive photonic hydrogels integrated with deep learning assistance for early MMP-9 detection
2026-May-01, Biosensors & bioelectronics
IF:10.7Q1
DOI:10.1016/j.bios.2026.118444
PMID:41619461
|
研究论文 | 本文开发了一种基于肽响应光子水凝胶与深度学习辅助的早期MMP-9检测平台 | 结合MMP-9响应性光子水凝胶和深度学习智能手机应用，实现快速、便携、高灵敏度的视觉与定量检测 | 未明确提及长期稳定性、大规模临床验证或与其他生物标志物的交叉反应性 | 开发一种用于早期检测MMP-9的快速、便携、低成本检测方法 | 基质金属蛋白酶-9（MMP-9） | 生物传感器与深度学习 | 炎症性疾病与癌症 | 酶联免疫吸附试验（ELISA）、迈克尔型加成反应、智能手机成像 | 深度学习模型 | 图像数据（水凝胶颜色变化） | 复杂生物流体样本（具体数量未提及） | 未明确指定 | 未明确指定 | 灵敏度（10.60 nm mL/ng）、检测限（0.62 ng/mL）、与ELISA的一致性 | 智能手机平台（具体型号未指定） |
| 175 | 2026-02-14 |
Diagnostic value of a second-generation super-resolution deep learning-based reconstruction combined with a metal artifact reduction algorithm for pelvic CT
2026-Apr, Skeletal radiology
IF:1.9Q3
DOI:10.1007/s00256-025-05080-4
PMID:41240086
|
研究论文 | 本研究评估了第二代超分辨率深度学习重建算法与金属伪影减少算法结合在骨盆CT图像中的诊断价值 | 首次将第二代超分辨率深度学习重建与金属伪影减少算法结合应用于金属髋关节植入患者的CT图像评估 | 回顾性研究设计，样本量较小（40例患者），仅评估了骨盆区域 | 评估深度学习重建算法与金属伪影减少算法结合对CT图像质量的改善效果 | 金属髋关节植入患者的骨盆CT图像 | 医学影像分析 | 骨科植入物相关 | CT成像 | 深度学习重建算法 | 医学影像 | 40例患者（30例女性，年龄54-93岁） | NA | 第二代超分辨率深度学习重建 | 标准差, 伪影指数, 5点评分 | NA |
| 176 | 2026-02-14 |
Ultrasound-guided sound speed correction for photoacoustic computed tomography
2026-Apr, Photoacoustics
IF:7.1Q1
DOI:10.1016/j.pacs.2026.100804
PMID:41685117
|
研究论文 | 本文提出了一种基于双模态深度学习的框架，通过联合处理共配准的光声和超声图像来校正组织中的异质性声速，以提高光声计算机断层扫描的图像质量 | 利用共配准超声图像中的丰富斑纹和高信噪比来估计空间变化的声速图，并将其与光声图像融合，以计算减少像差的光声图像，从而克服了传统方法在深层区域因光衰减导致信号衰减而限制声速准确性的问题 | 方法在数值和组织模拟体模上进行了测试，展示了跨域泛化能力，但可能未在更广泛的真实生物组织或临床场景中全面验证其鲁棒性和适用性 | 校正光声计算机断层扫描中组织空间异质性声速，以提高图像重建质量 | 光声和超声图像，以及数值和组织模拟体模 | 计算机视觉 | NA | 光声计算机断层扫描，超声成像 | 深度学习框架 | 图像 | NA | NA | NA | NA | NA |
| 177 | 2026-02-14 |
DASNet: A Convolutional Neural Network with SE Attention Mechanism for ccRCC Tumor Grading
2026-Mar, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-025-00693-8
PMID:40126867
|
研究论文 | 本文提出了一种名为DASNet的卷积神经网络，结合SE注意力机制，用于通过CT图像对透明细胞肾细胞癌（ccRCC）进行肿瘤分级 | 引入了Domain Adaptive Squeeze-and-Excitation Network（DASNet），结合了SE注意力机制和域对抗神经网络（DANNs），以增强模型在ccRCC分级中的识别准确性和泛化能力 | 未明确说明模型在外部验证集上的性能或临床实际应用中的潜在限制 | 开发一种非侵入性且高效的分类方法，用于早期检测和分级透明细胞肾细胞癌（ccRCC） | 透明细胞肾细胞癌（ccRCC）的CT图像，包括不同分级和肾血管平滑肌脂肪瘤（AML）样本 | 计算机视觉 | 肾癌 | CT成像 | CNN | 图像 | 未明确指定具体样本数量，但使用了增强和平衡的数据集，并包含AML样本 | 未明确指定，但可能涉及深度学习框架如TensorFlow或PyTorch | EfficientNet, RegNet | 准确率 | 未明确指定 |
| 178 | 2026-02-14 |
SPCF-YOLO: An Efficient Feature Optimization Model for Real-Time Lung Nodule Detection
2026-Mar, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-025-00720-8
PMID:40455403
|
研究论文 | 本文提出了一种名为SPCF-YOLO的实时检测框架，用于CT图像中的肺结节检测，通过层次特征融合与解剖上下文建模提升检测性能 | 结合了空间到深度卷积模块、共享特征金字塔卷积模块、改进的金字塔挤压注意力模块和改进的上下文Transformer模块，以优化特征融合并增强对小目标的敏感性 | 未明确提及模型在更广泛数据集或临床环境中的局限性，如数据偏差或计算资源需求 | 开发一个高效的实时肺结节检测模型，以提高CT图像中肺结节检测的准确性和速度 | CT图像中的肺结节 | 计算机视觉 | 肺癌 | CT成像 | YOLO | 图像 | NA | NA | SPCF-YOLO, SPDConv, SFPConv, PSA, CoTB | 平均精度均值, F1分数, 帧率 | NA |
| 179 | 2025-06-07 |
A Multi-Task Deep Learning Approach for Simultaneous Sleep Staging and Apnea Detection for Elderly People
2026-Mar, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-025-00721-7
PMID:40474036
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 180 | 2026-02-14 |
CPE-Pro: A Structure-Sensitive Deep Learning Method for Protein Representation and Origin Evaluation
2026-Mar, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-025-00732-4
PMID:40483648
|
研究论文 | 本文提出了一种名为CPE-Pro的结构敏感深度学习模型，用于蛋白质结构的表示和来源评估 | 整合了预训练的蛋白质结构序列语言模型和几何向量感知器-图神经网络，以学习结构感知的蛋白质表示并捕获结构差异，从而实现对四种结构数据来源的准确分类 | 未明确提及具体局限性，但未来研究方向包括扩展架构至更多蛋白质结构范式及开发低pLDDT预测结构的评估方法 | 评估蛋白质结构的来源，以评估实验解析和计算预测方法的可靠性，并指导下游生物学研究 | 蛋白质结构 | 机器学习 | NA | 深度学习 | SSLM, GVP-GNN | 蛋白质结构数据 | NA | NA | SSLM, GVP-GNN | NA | NA |