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
18741	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
18742	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
18743	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
18744	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
18745	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
18746	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
18747	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）
18748	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
18749	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
18750	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
18751	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
18752	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
18753	2024-09-14	Hi-GeoMVP: a hierarchical geometry-enhanced deep learning model for drug response prediction 2024-03-29, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae204 PMID:38614131	研究论文	提出了一种名为Hi-GeoMVP的新型深度学习方法，用于药物反应预测	结合了分层药物表示和多组学数据，利用图神经网络和变分自编码器进行详细的药物和细胞系表示，并采用多任务学习方法	NA	提高药物反应预测的准确性，以支持个性化癌症治疗	药物反应预测	机器学习	NA	图神经网络，变分自编码器	深度学习模型	多组学数据	GDSC数据集
18754	2024-09-14	EvoAug-TF: extending evolution-inspired data augmentations for genomic deep learning to TensorFlow 2024-03-04, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae092 PMID:38366935	研究论文	本文介绍了EvoAug-TF，一个将进化启发式数据增强扩展到TensorFlow的工具包，用于基因组深度学习	EvoAug-TF将EvoAug的功能扩展到TensorFlow，使得更多基于TensorFlow的基因组深度学习模型能够应用进化启发式数据增强	NA	扩展EvoAug的功能至TensorFlow，以提高基因组深度学习模型的泛化能力和可解释性	基因组深度学习模型	机器学习	NA	深度神经网络（DNNs）	深度神经网络（DNNs）	基因组数据	NA
18755	2024-09-14	ViTAL: Vision TrAnsformer based Low coverage SARS-CoV-2 lineage assignment 2024-03-04, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae093 PMID:38374486	研究论文	本文介绍了一种基于Vision Transformer的深度学习算法ViTAL，用于低覆盖度SARS-CoV-2基因组的谱系分配	ViTAL结合了MinHash和Vision Transformer，能够在低覆盖度下实现高精度的谱系分配，显著优于现有的工具	NA	开发一种高效、廉价且准确的病毒谱系分配方法，以应对快速传播的病毒疾病	低覆盖度全基因组测序的SARS-CoV-2基因组	机器学习	COVID-19	低覆盖度全基因组测序（LC-WGS）	Vision Transformer	基因组数据	NA
18756	2024-09-14	pyM2aia: Python interface for mass spectrometry imaging with focus on deep learning 2024-03-04, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae133 PMID:38445753	研究论文	本文介绍了一个名为pyM2aia的Python包，专注于质谱成像（MSI）数据的深度学习任务	pyM2aia优化了MSI数据的内存处理和访问，便于深度学习应用	NA	开发一个适用于质谱成像数据深度学习任务的Python接口	质谱成像数据及其在深度学习中的应用	机器学习	NA	质谱成像	深度学习模型	图像	NA
18757	2024-09-14	iNGNN-DTI: prediction of drug-target interaction with interpretable nested graph neural network and pretrained molecule models 2024-03-04, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae135 PMID:38449285	研究论文	提出了一种可解释的嵌套图神经网络iNGNN-DTI，用于药物-靶点相互作用预测，并结合了预训练的分子和蛋白质模型	使用预训练的分子和蛋白质模型，通过交叉注意力模块捕捉药物和靶点子结构之间的相互作用信息，提高了特征表示能力	未提及	预测药物与蛋白质靶点之间的相互作用	药物和蛋白质靶点	机器学习	NA	图神经网络	嵌套图神经网络	图数据	三个基准数据集
18758	2024-09-14	AACFlow: an end-to-end model based on attention augmented convolutional neural network and flow-attention mechanism for identification of anticancer peptides 2024-03-04, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae142 PMID:38452348	研究论文	本文提出了一种基于注意力增强卷积神经网络和流注意力机制的端到端模型AACFlow，用于识别抗癌肽	本文创新性地结合了注意力增强卷积神经网络和多层卷积神经网络，形成深度表示学习模块，并引入基于流网络的多头流注意力机制，以挖掘序列的深层特征，提高模型效率	NA	开发一种高效的端到端模型，用于识别抗癌肽	抗癌肽的识别	机器学习	NA	卷积神经网络	CNN	序列	独立测试数据集
18759	2024-09-14	StructuralDPPIV: a novel deep learning model based on atom structure for predicting dipeptidyl peptidase-IV inhibitory peptides 2024-02-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae057 PMID:38305458	研究论文	本文介绍了一种名为StructuralDPPIV的新型深度学习模型，用于预测二肽基肽酶IV抑制肽	StructuralDPPIV模型结合了氨基酸的分子图特征和序列信息，显著优于现有的最先进方法	NA	开发一种有效的工具来发现二肽基肽酶IV抑制肽，以缓解糖尿病的影响	二肽基肽酶IV抑制肽的预测	机器学习	糖尿病	深度学习	深度学习模型	分子图特征和序列信息	独立测试数据集和两个湿实验数据集
18760	2024-09-14	T-S2Inet: Transformer-based sequence-to-image network for accurate nanopore sequence recognition 2024-02-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae083 PMID:38366607	研究论文	本文提出了一种基于Transformer的序列到图像网络T-S2Inet，用于提高纳米孔序列识别的准确性	本文创新性地提出了一个序列到图像（S2I）模块，将不等长序列转换为图像，并结合Transformer模型捕捉重要信息，从而提高分类准确性	NA	提高纳米孔序列识别的准确性	纳米孔序列数据	机器学习	NA	纳米孔测序	Transformer	序列数据	NA