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
1841	2026-09-18	RCAN-DDI: Relation-aware cross adversarial network for drug-drug interaction prediction 2025-Sep, Journal of pharmaceutical analysis IF:6.1Q1 DOI:10.1016/j.jpha.2024.101159 PMID:41079788	研究论文	该文章提出了一种关系感知交叉对抗网络RCAN-DDI，用于结合药物的结构特征和拓扑特征进行药物-药物相互作用预测	提出关系感知交叉对抗网络，通过交叉对抗机制充分融合药物的结构模态与拓扑模态特征，挖掘不同信息源之间的相关性与互补性，而非简单拼接或加权求和	摘要中未明确提及研究局限性	准确预测药物-药物相互作用，提升用药安全性	药物及其相互作用关系	机器学习	NA	深度学习	交叉对抗网络	药物结构数据、药物相互作用网络拓扑数据	NA	NA	关系感知结构特征学习模块、基于DDI网络的拓扑特征学习模块、交叉对抗网络	NA	NA
1842	2026-09-18	drGT: Attention-Guided Gene Assessment of Drug Response Utilizing a Drug-Cell-Gene Heterogeneous Network 2025-Aug-27, ArXiv PMID:38800657	研究论文	该文提出了drGT，一种基于药物-细胞-基因异构图和注意力机制的图深度学习模型，用于预测药物敏感性并辅助生物标志物识别	利用注意力系数实现药物响应预测的可解释性，通过PubMed文献文本挖掘验证高系数基因与药物的共现关系，并结合富集分析识别药物影响的生物过程	在未见细胞系上的预测性能相对较低（AUROC为70.6%），模型可解释性部分依赖文献支持而非完全独立验证	解决药物响应预测中结果解释与已有知识对比的挑战，提升预测模型的可解释性	药物、基因、细胞系及其响应关系	机器学习	癌症	图深度学习、文本挖掘、富集分析	图神经网络	图数据、文本	976种药物（来自NCI60数据集，具有已知药物-靶点相互作用），涵盖Sanger GDSC、NCI60和Broad CTRP基准数据集中的多种药物和癌细胞系	PyTorch	异构图注意力网络	AUROC	NA
1843	2026-09-18	Decoding the Functional Interactome of Non-Model Organisms with PHILHARMONIC 2025-Aug-25, bioRxiv : the preprint server for biology DOI:10.1101/2024.10.25.620267 PMID:39553947	研究论文	本文介绍了一种名为PHILHARMONIC的计算方法，结合深度学习蛋白质相互作用网络推断、无监督谱聚类和远程同源，用于非模式生物的功能发现	结合深度学习蛋白质相互作用网络推断、鲁棒的无监督谱聚类和远程同源，能够从仅有的测序蛋白质组中预测蛋白质功能、功能社区和高级网络结构，并在非模式生物中实现高精度	未明确提及，但可能依赖于蛋白质相互作用预测的准确性，且对于极端非模式生物的性能可能受限	解决非模式生物中基因功能注释的挑战，提供功能发现和生物学假设生成的通用引擎	非模式生物，包括珊瑚Acropora millepora及其共生藻Symbiodinium	机器学习	NA	深度学习, 无监督谱聚类, 远程同源	深度学习模型	蛋白质序列, 蛋白质相互作用数据, 基因表达数据, 通路数据	未明确说明具体样本数量	NA	NA	高精度，但未具体说明指标	NA
1844	2026-09-18	RNAbpFlow: Base pair-augmented SE(3)-flow matching for conditional RNA 3D structure generation 2025-Aug-22, bioRxiv : the preprint server for biology DOI:10.1101/2025.01.24.634669 PMID:39896539	研究论文	提出RNAbpFlow，一种基于序列和碱基对条件化的SE(3)-等变流匹配模型，用于生成RNA三维结构集合	利用核碱基中心表示，实现全原子RNA结构的端到端生成，无需显式或隐式使用进化信息或同源结构模板；碱基对条件化带来广泛可泛化的性能提升	未明确提及局限性	解决RNA三维结构预测的挑战，生成RNA三维结构集合	RNA分子	计算生物学	NA	深度学习，流匹配	SE(3)-等变流匹配模型	序列，结构	大规模基准测试	NA	RNAbpFlow	NA	NA
1845	2026-09-18	Vision Transformer Autoencoders for Unsupervised Representation Learning: Revealing Novel Genetic Associations through Learned Sparse Attention Patterns 2025-Aug-22, medRxiv : the preprint server for health sciences DOI:10.1101/2025.03.24.25324549 PMID:40196251	研究论文	设计基于视觉Transformer的自编码器，从脑部MRI中无监督学习表型，并通过GWAS发现新的遗传关联	首次使用ViT自编码器替代CNN提取脑影像表型，发现10个新基因座，其中3个与脑结构无已知关联，归因于ViT学习稀疏注意力模式捕获非局部模式	未明确说明	通过深度学习从脑影像中提取表型，进行全基因组关联分析以发现与脑结构相关的遗传位点	英国生物银行参与者的脑部MRI影像和基因型数据	计算机视觉, 机器学习, 神经影像遗传学	NA	全基因组关联分析, 脑部MRI	视觉Transformer自编码器	图像, 基因型	来自英国生物银行的参与者（具体数量未提供）	NA	视觉Transformer自编码器	NA	NA
1846	2026-09-18	Identifying Sex-Specific Sub-phenotypes of Alzheimer's Disease Progression Using Longitudinal Electronic Health Records 2025-Aug-21, medRxiv : the preprint server for health sciences DOI:10.1101/2024.07.07.24310055 PMID:39040206	研究论文	该研究开发了一种时间自编码器框架，利用纵向电子健康记录数据识别阿尔茨海默病进展中性别特异性的亚表型	首次将时间自编码器框架应用于大规模纵向电子健康记录数据，识别出五个性别分层的阿尔茨海默病亚表型，揭示了女性和男性主导群体在AD发病和共病积累方面的时间动态异质性	摘要中未明确提及研究的局限性	识别阿尔茨海默病进展中性别特异性的亚表型，以深入理解AD进展中的性别异质性，并为早期风险分层、个性化干预和临床试验设计提供可扩展工具	阿尔茨海默病患者，来源于OneFlorida+临床研究联盟的纵向电子健康记录数据	机器学习	阿尔茨海默病	纵向电子健康记录分析	自编码器	文本	NA	NA	时间自编码器	NA	NA
1847	2026-09-18	Antisense oligonucleotide depletion of CCDC146 is a broad-spectrum therapeutic strategy for ALS 2025-Aug-19, medRxiv : the preprint server for health sciences DOI:10.1101/2024.03.30.24305115 PMID:38633814	研究论文	该研究通过基因组深度学习分析发现CCDC146的非编码变异与ALS患者生存相关，并通过反义寡核苷酸抑制CCDC146可挽救ALS模型中的生存缺陷和病理。	首次发现CCDC146作为ALS生存的新修饰因子，并证明靶向CCDC146的反义寡核苷酸是治疗散发性和遗传性ALS的广谱策略。	未明确提及研究限制。	探究ALS的遗传机制并寻找新的治疗靶点。	ALS患者（包括散发性和家族性）、iPSC来源的运动神经元、ALS小鼠模型。	机器学习	肌萎缩侧索硬化	全基因组分析、基因组深度学习、反义寡核苷酸（ASO）、遗传编辑	深度学习	基因组数据、图像、文本	6,715名ALS患者	NA	NA	生存率、生存缺陷挽救、TDP-43病理逆转	NA
1848	2026-09-18	A deep learning method for predicting interactions for intrinsically disordered regions of proteins 2025-Aug-15, bioRxiv : the preprint server for biology DOI:10.1101/2024.12.19.629373 PMID:39763873	研究论文	本文开发了一种名为Disobind的深度学习方法，通过蛋白质序列预测内在无序区域（IDR）与其结合伙伴之间的蛋白质间接触图和界面残基	Disobind考虑了结合伙伴的上下文信息，不依赖结构和多序列比对，在IDR界面预测上优于现有最先进方法及AlphaFold-multimer和AlphaFold3	未明确提及	预测内在无序蛋白质或区域（IDPs/IDRs）与其伙伴之间的相互作用界面	内在无序蛋白质或区域（IDPs/IDRs）及其结合伙伴	机器学习	NA	蛋白质语言模型	深度学习	蛋白质序列	NA	NA	ProtT5	NA	NA
1849	2026-09-18	Structural Connectome Analysis using a Graph-based Deep Model for Prediction of Non-Imaging Variables 2025-Aug-14, bioRxiv : the preprint server for biology DOI:10.1101/2025.03.09.642165 PMID:40161600	研究论文	本文提出了一种基于图卷积网络（GCN）的深度模型，用于基于扩散磁共振图像衍生的结构脑连接预测非成像变量（如年龄和MMSE评分）	模型架构的创新，特别是连接注意力模块，该模块在学习脑图嵌入表示的同时提供图级注意力，并采用并行多分支GCN机制	未明确提及局限性，可能包括对特定数据集的依赖和泛化能力待验证	基于结构脑连接预测非成像变量，以增进对健康和疾病的理解	结构脑连接图（来自扩散磁共振图像），以及年龄和MMSE评分	医学图像分析	神经退行性疾病	扩散磁共振成像	图卷积网络（GCN）	图数据（脑连接图）	PREVENT-AD和OASIS3数据集，具体样本量未在摘要中说明	NA	并行多分支图卷积网络（GCN）	NA	NA
1850	2026-09-18	Assessing the potential of deep learning for protein-ligand docking 2025-Aug-12, ArXiv PMID:38827451	研究论文	本文介绍了PoseBench，首个用于蛋白质-配体对接的综合基准测试，系统评估了深度学习对接和结构预测方法在预测（apo）蛋白结构对接、同时结合多个配体以及无结合口袋先验知识等场景下的表现	提出了首个全面的蛋白质-配体对接基准测试PoseBench，首次引入多配体基准数据集，系统评估了深度学习共折叠方法在apo-to-holo对接和蛋白质-配体结构预测中的行为，并揭示了这些方法在新型结合姿态、多序列比对敏感性和多配体预测中的局限性	流行方法如AlphaFold 3在面对具有新型蛋白质-配体结合姿态的预测目标时仍面临挑战；某些深度学习共折叠方法对其输入多序列比对高度敏感；深度学习方法在预测新型或多配体蛋白质目标时难以在结构准确性和化学特异性之间取得平衡	系统研究最新对接和结构预测方法在（1）使用预测（apo）蛋白结构进行对接（2）同时结合多个（辅因子）配体到给定目标蛋白（3）无结合口袋先验知识等情境下的行为，以深入理解对接方法在现实世界中的实用性	蛋白质-配体对接方法，包括深度学习共折叠方法、传统对接算法和深度学习对接基线算法；涉及的蛋白质包括apo蛋白、holo蛋白、多配体蛋白复合物	计算生物学、药物发现、蛋白质结构预测	NA	深度学习、蛋白质-配体对接、蛋白质结构预测	深度学习共折叠方法（如AlphaFold 3）	蛋白质结构数据、配体数据、多序列比对	NA	NA	AlphaFold 3及其他深度学习共折叠架构	NA	NA
1851	2026-09-18	ProtoECGNet: Case-Based Interpretable Deep Learning for Multi-Label ECG Classification with Contrastive Learning 2025-Aug-12, ArXiv PMID:40395940	研究论文	提出了一种基于原型的深度学习模型ProtoECGNet，用于可解释的多标签心电图分类，并提供基于案例的解释	结合了1D CNN全局原型、2D CNN时间局部原型和2D CNN全局原型的多分支架构，并引入了一种新的对比损失函数，用于多标签学习中的原型聚类和分离	未明确提及	开发可解释且透明的深度学习模型，用于多标签心电图分类，以促进临床采纳	心电图信号	机器学习, 数字病理学	心血管疾病	心电图分类	CNN	时序信号	PTB-XL数据集的71个标签	NA	1D CNN, 2D CNN	NA	NA
1852	2026-09-18	Powerful and accurate case-control analysis of spatial molecular data 2025-Aug-07, bioRxiv : the preprint server for biology DOI:10.1101/2025.02.07.637149 PMID:39975274	研究论文	本文提出了一种名为VIMA的方法，通过结合深度学习和统计方法，从空间分子数据中发现与疾病相关的空间特征。	VIMA结合了变分自编码器集成和元分析，能够灵活且精确地发现数据依赖的微环境，而不依赖于手动定义的细胞类型或空间结构。	未明确说明	开发一种强大的方法，用于空间分子数据的病例-对照分析，以识别与疾病相关的关键空间结构。	空间分子数据，包括类风湿关节炎的免疫荧光数据、溃疡性结肠炎的CODEX数据以及痴呆的空间转录组数据。	数字病理学	类风湿关节炎, 溃疡性结肠炎, 痴呆	免疫荧光显微镜, CODEX, 空间转录组学	变分自编码器	图像, 文本	未明确说明	未明确说明	变分自编码器	未明确说明	未明确说明
1853	2026-09-18	An artificial intelligence-based framework for Alzheimer's disease diagnosis from magnetic resonance imaging volumes via video vision transformer 2025-Aug-06, Intelligent medicine IF:4.4Q2 DOI:10.1016/j.imed.2025.07.001 PMID:41122755	研究论文	该研究提出了一种基于视频视觉Transformer的人工智能诊断框架ViTranZheimer，通过将MRI体积视为视频序列来分析，以提高阿尔茨海默病分类的准确性	利用视频视觉Transformer（ViViT）处理MRI体积，通过将MRI切片视为视频帧来捕捉切片间的时序依赖关系，从而捕获复杂的结构关系	仅在公开数据集ADNI上评估，样本量相对较小（351例），未在其他独立数据集上验证泛化能力	开发一种先进的基于人工智能的诊断框架，利用视频视觉Transformer分析MRI，提高阿尔茨海默病分类的准确性	阿尔茨海默病患者、轻度认知障碍患者和正常对照的MRI数据	计算机视觉, 数字病理学	阿尔茨海默病, 神经退行性疾病	MRI, T1加权磁共振成像	Transformer, 视频视觉Transformer	图像（MRI体积）	351例T1加权MRI扫描（正常对照129例，轻度认知障碍145例，阿尔茨海默病77例）	NA	Video Vision Transformer (ViViT), CNN-BiLSTM, ViT-BiLSTM	准确率, 精确率, 召回率, F1分数, AUC	NA
1854	2026-09-18	Carafe enables high quality in silico spectral library generation for data-independent acquisition proteomics 2025-Aug-04, bioRxiv : the preprint server for biology DOI:10.1101/2024.10.15.618504 PMID:39463980	研究论文	本文介绍了Carafe工具，它通过在DIA数据上直接训练深度学习模型来生成高质量实验特定的谱库，以提高DIA蛋白质组学分析的性能。	Carafe是首个直接在DIA数据上训练深度学习模型以生成实验特定谱库的工具，而非依赖DDA数据或DDA训练的模型。	未明确说明限制，可能包括模型泛化能力、数据依赖性等。	开发一种工具，能够从DIA数据中生成高质量的谱库，以改善DIA蛋白质组学数据的分析。	DIA质谱数据	机器学习	不适用	数据独立采集质谱	深度学习	质谱数据	未指定	不适用	未指定	碎片离子强度预测、肽段检测	未指定
1855	2026-09-18	Cell-APP: A generalizable method for cell annotation and cell-segmentation model training 2025-Aug-04, bioRxiv : the preprint server for biology DOI:10.1101/2025.01.23.634498 PMID:39896521	研究论文	本文提出Cell-APP工具，利用配对透射光和核荧光图像自动注释高质量细胞分割训练数据，并训练基于视觉Transformer的细胞分割模型	Cell-APP通过可提示深度学习模型和核特征分类自动生成细胞分割训练数据，无需繁琐的手工注释，支持创建细胞系特异性和多细胞系分割模型	需要配对透射光和核荧光图像作为输入，可能依赖荧光标记的可用性	开发一种自动化方法用于细胞注释和细胞分割模型训练，以克服手工注释的瓶颈，提高模型的规模和多样性	透射光显微镜图像中的细胞，包括有丝分裂和非有丝分裂细胞	数字病理学	NA	透射光显微镜，核荧光成像，深度学习分割	视觉Transformer	图像	NA	NA	Vision Transformer	NA	NA
1856	2026-09-18	Improving RNA Secondary Structure Prediction Through Expanded Training Data 2025-Aug-02, bioRxiv : the preprint server for biology DOI:10.1101/2025.05.03.652028 PMID:40654677	研究论文	该研究通过构建大规模多样化的RNA配对序列和二级结构数据集RNASSTR，并重新训练深度学习模型SincFold，探索扩展训练数据对RNA二级结构预测性能的提升	开发了大规模且多样化的RNASSTR数据集，包含配对的RNA序列及其对应的二级结构，显著扩展了RNA结构预测的训练数据；通过在该数据集上重新训练SincFold模型，证明扩展训练数据能够改善对未见RNA家族的泛化能力	摘要中未明确提及具体局限性，但研究指出RNA结构预测仍未达到当代蛋白质模型的精度水平	探究训练数据不足是否为限制RNA二级结构预测精度的主要因素，并通过扩展训练数据提升预测性能	RNA序列及其二级结构	机器学习	NA	NA	CNN	序列, 结构	NA	NA	SincFold	NA	NA
1857	2026-09-18	Surrogate modeling of Cellular-Potts Agent-Based Models as a segmentation task using the U-Net neural network architecture 2025-Jul-27, ArXiv PMID:40386573	研究论文	本文开发了一种基于U-Net架构的卷积神经网络代理模型，用于加速Cellular-Potts模型（CPM）的仿真评估，并以血管生成机制模型为案例进行了验证	首次将Cellular-Potts Agent-Based模型的代理建模转化为图像分割任务，采用U-Net架构并考虑周期性边界条件，实现了590倍的仿真加速，同时能有效捕捉血管出芽、延伸、吻合及血管腔收缩等涌现行为	未明确讨论模型在更大空间和时间尺度上的泛化能力，也未提及训练数据的规模及模型在不同参数配置下的鲁棒性	利用深度学习代理模型加速计算昂贵的Cellular-Potts模型仿真，实现对生物过程在更大时空尺度上的快速评估	Cellular-Potts模型（CPM）及其在血管生成（vasculogenesis）研究中的应用	机器学习	心血管疾病	NA	CNN	图像	NA	NA	U-Net	NA	NA
1858	2026-09-18	CNV-Finder: Streamlining Copy Number Variation Discovery 2025-Jul-26, bioRxiv : the preprint server for biology DOI:10.1101/2024.11.22.624040 PMID:39605431	研究论文	本文介绍了一种名为CNV-Finder的新型流程，该流程结合深度学习技术，特别是LSTM网络，用于从Illumina基因分型阵列数据中快速识别拷贝数变异（CNV），并提供了一个交互式Web应用供研究人员查看和确认结果。	开发了集成LSTM网络的CNV-Finder流程，能够高效处理大规模阵列数据，快速识别CNV，并通过交互式Web应用整合人类反馈以提高模型性能并降低假阳性率。	未明确提及，但可能受限于训练数据的代表性和模型在更广泛基因组区域的泛化能力。	加速大规模CNV识别，优先筛选样本以进行后续验证分析，并提高CNV检测的准确性和效率。	与神经系统疾病（如阿尔茨海默病、帕金森病、进行性核上性麻痹、特发性震颤）可能相关的四个基因：Parkin、Lrrk2、MAPT和SNCA。	机器学习	神经系统疾病	Illumina基因分型阵列、MLPA、短读长和长读长全基因组测序	LSTM	图像（阵列信号强度数据，如LRR和BAF）	未明确提及，但包括来自GP2和痴呆特定数据库的多个队列。	NA	LSTM	未明确提及，但可能包括准确性、假阳性率等。	NA
1859	2026-09-18	Counterfactual Diffusion Models for Interpretable Morphology-based Explanations of Artificial Intelligence Models in Pathology 2025-Jul-22, bioRxiv : the preprint server for biology DOI:10.1101/2024.10.29.620913 PMID:39554184	研究论文	本文提出了MoPaDi框架，利用自监督扩散自编码器结合任务特定分类器和多实例学习，为病理全切片图像生成反事实解释，通过改变形态特征翻转深度学习分类器的预测，并在四个任务上进行了验证。	提出了MoPaDi框架，首次将自监督扩散自编码器与任务特定分类器结合用于病理图像的反事实解释生成，并集成多实例学习以应对弱监督场景，通过改变视觉特征实现预测翻转，揭示了驱动分类的形态学特征。	摘要中未明确提及研究的局限性。	旨在提高病理学中深度学习模型的可解释性，通过生成反事实解释揭示哪些形态学特征驱动分类器的预测。	组织病理学全切片图像。	数字病理学	肺癌、前列腺癌、其他癌症（涉及癌症亚型分类和微卫星不稳定性生物标志物分类）	扩散自编码器、多实例学习	扩散模型、自编码器	图像	未明确提及具体样本量。	未提及	扩散自编码器	MS-SSIM、AUC、病理学家误判率	未提及
1860	2026-09-18	Delta Marches to autonomously learn histopathology rules by generative latent space traversals 2025-Jul-16, bioRxiv : the preprint server for biology DOI:10.1101/2025.03.18.643999 PMID:40166226	研究论文	该文章提出了Delta-Marches框架，利用生成模型的语义潜在空间遍历来自主学习组织病理学规则，并在透明细胞肾细胞癌分级中进行了验证	提出了一种基于生成模型潜在空间遍历的机制可解释性框架，能够生成高保真合成图像并模拟类别间的受控形态变化，克服了样本间变异性，实现了亚细胞分辨率的可解释转化，自主发现传统评分标准中未包含的血管减少特征	仅在一个特定的组织病理学场景（透明细胞肾细胞癌分级）中进行了原型验证，尚未在更广泛的组织类型和疾病中验证其通用性	开发一种能够从空间分散信息中产生细粒度见解的机制可解释性框架，将复杂的空间分布特征转化为图像分类规则	透明细胞肾细胞癌组织病理学图像	数字病理学	肾癌	NA	生成模型（Generative Model）	图像	NA	NA	NA	NA	NA