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
18721	2024-09-14	SFINN: inferring gene regulatory network from single-cell and spatial transcriptomic data with shared factor neighborhood and integrated neural network 2024-07-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae433 PMID:38950180	研究论文	本文介绍了一种基于共享因子邻域和集成神经网络（SFINN）的新型深度学习框架，用于从单细胞和空间转录组数据中推断转录因子与目标基因之间的潜在相互作用和因果关系	SFINN利用共享因子邻域构建基于基因表达数据的细胞邻域网络，并整合来自空间位置信息的细胞网络，通过图卷积神经网络和全连接神经网络的集成框架来确定基因是否相互作用	NA	开发一种准确推断基因调控网络（GRN）的算法，以应对单细胞RNA测序（scRNA-seq）数据中的噪声、技术误差和丢失现象	单细胞和空间转录组数据中的转录因子与目标基因之间的相互作用和因果关系	机器学习	NA	单细胞RNA测序（scRNA-seq），空间转录组测序	图卷积神经网络（GCN），全连接神经网络	基因表达数据	NA
18722	2024-09-14	PredGCN: a Pruning-enabled Gene-Cell Net for automatic cell annotation of single cell transcriptome data 2024-07-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae421 PMID:38924517	研究论文	本文提出了一种名为PredGCN的剪枝启用的基因-细胞网络，用于单细胞转录组数据的自动细胞注释	PredGCN通过结合基因拼接网络和细胞分层网络，并采用剪枝操作来动态处理异质性细胞识别问题，显著提高了细胞类型注释的准确性和跨物种数据的可扩展性	NA	解决现有自动细胞注释方法在分类器架构和训练数据质量与多样性方面的局限性	单细胞转录组数据的细胞类型注释	机器学习	NA	深度学习	GCN（图卷积网络）	转录组数据	涉及多种物种的真实单细胞转录组数据集
18723	2024-09-14	DeepGSEA: explainable deep gene set enrichment analysis for single-cell transcriptomic data 2024-07-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae434 PMID:38950178	研究论文	本文介绍了一种名为DeepGSEA的可解释深度基因集富集分析方法，用于单细胞转录组数据	DeepGSEA利用可解释的原型神经网络，能够在单细胞基因表达数据中进行深入的基因集富集分析，并提供可视化的结果	NA	开发一种新的深度学习方法，用于单细胞转录组数据的基因集富集分析，并提高分析的可解释性	单细胞转录组数据中的基因集富集分析	机器学习	NA	单细胞RNA测序 (scRNA-seq)	神经网络	基因表达数据	NA
18724	2024-09-14	CodonBERT: a BERT-based architecture tailored for codon optimization using the cross-attention mechanism 2024-07-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae330 PMID:38788220	研究论文	本文提出了一种基于BERT的架构CodonBERT，用于密码子优化，通过交叉注意力机制提高mRNA疫苗的稳定性和蛋白质表达	CodonBERT利用BERT架构和交叉注意力机制，有效捕捉密码子和氨基酸之间的长期依赖关系，为特定优化目标提供定制化训练框架	当前深度学习方法如循环神经网络在捕捉密码子偏好长期依赖方面能力较弱	开发一种新的深度学习架构，用于mRNA疫苗设计中的密码子优化	mRNA序列的稳定性和蛋白质表达	机器学习	NA	BERT	BERT	文本	高表达转录本来自人类蛋白质图谱，混合不同比例的高密码子适应指数密码子序列
18725	2024-09-14	A deep learning method to predict bacterial ADP-ribosyltransferase toxins 2024-07-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae378 PMID:38885365	研究论文	提出了一种基于深度学习的模型ARTNet，用于预测细菌ADP-核糖基转移酶毒素	引入了一种有效的数据增强方法来解决数据稀缺问题，并使用ART相关域子序列代替原始全序列，显著提高了模型性能	NA	开发一种高效准确的模型来预测细菌ADP-核糖基转移酶毒素	细菌ADP-核糖基转移酶毒素	机器学习	NA	深度学习	ARTNet	序列数据	NA
18726	2024-09-14	Unlocking Hidden Risks: Harnessing Artificial Intelligence (AI) to Detect Subclinical Conditions from an Electrocardiogram (ECG) 2024-Jul-01, Journal of insurance medicine (New York, N.Y.) DOI:10.17849/insm-51-2-64-76.1 PMID:39266002	研究论文	本文探讨了利用人工智能（AI）从心电图（ECG）中检测亚临床状况的潜力	应用深度学习模型在正常心电图中检测疾病，达到了以往技术和人类专家未曾达到的准确度	尽管结果令人鼓舞，但仍需谨慎乐观	提供对AI辅助心电图技术的基本理解，并探讨其在心血管医学中的应用	心电图（ECG）及其在检测亚临床状况中的应用	机器学习	心血管疾病	人工智能（AI）	深度学习模型	心电图（ECG）数据	NA
18727	2024-09-14	MolLM: a unified language model for integrating biomedical text with 2D and 3D molecular representations 2024-06-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae260 PMID:38940177	研究论文	本文介绍了一种名为MolLM的统一预训练语言模型，该模型能够同时捕捉2D和3D分子信息以及生物医学文本	MolLM模型创新性地整合了2D和3D分子结构与生物医学文本，通过对比学习方法提升了分子表示能力	NA	开发一种能够同时处理2D和3D分子结构以及生物医学文本的统一语言模型	2D和3D分子结构以及生物医学文本	自然语言处理	NA	对比学习	Transformer	文本和分子结构	160K分子-文本配对
18728	2024-09-14	scGrapHiC: deep learning-based graph deconvolution for Hi-C using single cell gene expression 2024-06-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae223 PMID:38940151	研究论文	本文介绍了一种基于深度学习的图解卷积框架scGrapHiC，用于利用单细胞基因表达数据预测伪批量scHi-C接触图	scGrapHiC通过图解卷积从批量Hi-C接触图中提取全基因组单细胞相互作用，并使用scRNA-seq作为指导信号，显著提高了细胞类型特异性拓扑关联域的恢复率	NA	开发一种新方法，利用广泛可用的基因组信号生成细胞类型特异性的scHi-C接触图，以研究细胞类型特异性的染色质相互作用	单细胞Hi-C数据和单细胞RNA测序数据	机器学习	NA	深度学习	图解卷积	基因组数据	七个细胞类型共分析数据集
18729	2024-09-14	Predicting single-cell cellular responses to perturbations using cycle consistency learning 2024-06-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae248 PMID:38940153	研究论文	本文提出了一种名为cycleCDR的新型深度学习框架，用于预测细胞对外部扰动的响应	利用自编码器将未扰动的细胞状态映射到潜在空间，并假设药物扰动对细胞状态的影响遵循线性加性模型，通过循环一致性约束确保扰动和去扰动过程的准确性	NA	开发一种能够预测细胞对外部扰动响应的深度学习模型	细胞对外部药物或基因扰动的响应	机器学习	NA	深度学习	自编码器	转录组数据和蛋白质组数据	涉及四种不同类型的数据集，包括批量转录组响应、批量蛋白质组响应和单细胞转录组响应
18730	2024-09-14	Enhancing generalizability and performance in drug-target interaction identification by integrating pharmacophore and pre-trained models 2024-06-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae240 PMID:38940179	研究论文	提出了一种名为HeteroDTA的新方法，用于增强药物-靶点相互作用识别的泛化能力和性能	结合了药效团和预训练模型，构建了多视角化合物特征提取模块，并提出了上下文感知的非线性特征融合方法	现有方法仅考虑原子-键图或一维序列表示，忽略了具有特定生物活性的功能团信息，且依赖有限标记数据导致泛化性能差	提高药物-靶点相互作用预测的准确性和泛化能力	药物-靶点相互作用	机器学习	NA	深度学习	NA	图数据	使用公开基准数据集进行实验
18731	2024-09-14	Approximating facial expression effects on diagnostic accuracy via generative AI in medical genetics 2024-06-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae239 PMID:38940144	研究论文	研究了面部表情对遗传疾病诊断准确性的影响，并使用生成式AI技术模拟不同表情	通过生成式AI技术模拟面部表情变化，研究其对遗传疾病诊断准确性的影响	研究仅限于四种遗传综合征，且样本量相对较小	探讨面部表情对遗传疾病诊断准确性的影响	Williams综合征、Angelman综合征、22q11.2缺失综合征和Noonan综合征	机器学习	遗传疾病	生成对抗网络（GAN）	GAN	图像	约3500名遗传疾病患者的面部图像
18732	2024-09-14	CODEX: COunterfactual Deep learning for the in silico EXploration of cancer cell line perturbations 2024-06-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae261 PMID:38940173	研究论文	本文提出了一种名为CODEX的反事实深度学习框架，用于模拟高吞吐量筛选数据中的因果关系，并探索癌症细胞系扰动的影响	CODEX利用反事实推理进行严格的因果建模，能够预测药物特定的细胞反应，包括细胞存活和分子变化，并促进药物组合的模拟探索	NA	开发一种能够优先考虑干预措施以进行进一步实验调查的框架	癌症细胞系的化学和遗传扰动	机器学习	癌症	反事实推理	深度学习	高吞吐量筛选数据	NA
18733	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
18734	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
18735	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
18736	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
18737	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
18738	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
18739	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
18740	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