Исследования, новости индустрии и регуляторные изменения в области применения искусственного интеллекта в здравоохранении
В исследовании представлена новая архитектура Ac-AI, объединяющая автоэнкодеры для извлечения скрытых признаков и адаптивные пороги принятия решений. Предложенный метод демонстрирует высокую точность и стабильность в прогнозировании сердечно-сосудистых рисков, сопоставимую или превосходящую классические модели вроде XGBoost и SVM.
Исследование посвящено использованию алгоритмов машинного обучения (XGBoost, Random Forest и др.) для прогнозирования риска инфекций (RTI/STI) у молодых женщин. С помощью анализа SHAP были выявлены ключевые факторы риска, а модель XGBoost показала высокую точность прогнозирования (89.1%).
В исследовании представлена Evolutionary Cell Ontology (ECO) — новая ИИ-нативная формальная среда, построенная на субстрате {Sigma}0, которая решает проблему разрыва между статистической корреляцией и механистическим пониманием в биологических моделях. В отличие от традиционных методов, ECO представляет биологические знания напрямую в виде векторно-кодированных реляционных графов, используя 16 структурных операторов, которые работают одновременно как глифы знаний и тензорные операции. Авторы разработали протокол LSCP (Latent Space Communication Protocol) для интеграции этих графов в остаточные потоки (residual streams) больших языковых моделей, что позволяет проводить аудит биологических знаний внутри нейросетей. В ходе симуляций эволюции семейства глобинов модель достигла точности реконструкции предковых состояний в 82–91%. При моделировании клеточного цикла млекопитающих система успешно воспроизвела два полных осцилляторных цикла с возникновением фазового портрета четырех аттракторов без явного программирования. Исследование показало, что расстояние в эмбеддингах ECO коррелирует с дивергенцией 60 семейств белков (коэффициент Пирсона r = 0.50), превращая непрозрачные фундаментные модели в измеримые и навигационные карты биологического покрытия.
Исследователи представили gANCHOR — инновационную базовую модель (foundation model) для анализа CAR T-клеточной терапии, использующую иерархический гиперграфовый механизм внимания. В отличие от существующих методов, gANCHOR интегрирует генно-путевые взаимосвязи через биологически обоснованное обучение представлений, что позволяет эффективно переходить от анализа отдельных клеток к прогнозированию клинического ответа пациента. Модель демонстрирует высокую устойчивость к эффекту батч-коррекции и сохраняет биологическую консервативность данных. При тестировании на выборке из 161 пациента, охватывающей пять различных исследований CAR T-клеточной терапии, gANCHOR показала выдающийся результат с F1-score 0,87, превзойдя существующие специализированные модели одноклеточного анализа. Помимо предсказательной способности, архитектура позволила выявить воспроизводимые генные программы, связанные с эффективностью и резистентностью к терапии, что открывает новые возможности для интерпретируемой персонализированной медицины в онкоиммунологии.
В статье представлен SHINE — инновационный вычислительный фреймворк на основе гиперграфов, предназначенный для совместного анализа пространственной экспрессии генов и метаболических сетей. Разработка решает критические проблемы мультиомиксных исследований: пространственное несовпадение данных, разницу в разрешении и сложные взаимодействия между транскриптомом и метаболомом. Методология SHINE использует обучение представлениям (representation learning) для интеграции данных, полученных с одного тканевого среза. В ходе тестирования на моделях болезни Паркинсона у мышей алгоритм успешно выявил области с истощением дофаминергических нейронов и реконструировал оси, связанные с дофамином. При анализе образцов рака легких и молочной железы у человека метод позволил точно сегментировать опухолевые микроокружения и идентифицировать пространственно организованные генно-метаболические программы. Технология демонстрирует высокую масштабируемость и точность в выявлении биомаркеров, что открывает новые возможности для прецизионной диагностики и понимания молекулярных механизмов заболеваний.
В данном исследовании представлен комплексный бенчмарк фундаментальной геномной модели Evo 2 на массиве из 19 429 вирусных геномов из базы RefSeq. Авторы проанализировали способность модели Evo 2 (параметром 20 млрд) улавливать сложную архитектуру вирусных геномов, выходящую за рамки простого нуклеотидного состава. С помощью линейных зондов было установлено, что на оптимальном промежуточном слое модель достигает точности 0.96 в классификации классов по системе Балтимора и 0.99 в определении домена хозяина. Ключевым результатом стало то, что эмбеддинги модели значительно превосходят базовые показатели (6-мерный состав) в декодировании плотности генов (R=0.77), доли кодирующих последовательностей (R=0.61) и перекрытия генов (R=0.64). В задачах генерации фрагментированных геномов модель показала перплексию 1.18 бит/нт для бактериофагов и 1.80 бит/нт для вирусов эукариот. Исследование доказывает, что Evo 2 действительно кодирует функциональную архитектуру вирусных геномов, что открывает новые возможности для биоинформатического анализа и синтетической биологии.
Исследование посвящено изучению генетических профилей экспрессии эндометриоза, которые варьируются в зависимости от анатомического расположения очагов и фазы менструального цикла. Авторы провели масштабный анализ, составив атлас на основе секвенирования РНК единичных клеток (scRNA-seq), охвативший 672 051 клетку от 112 доноров, включая эутопический эндометрий, менструальные выделения, яичники и перитонеальный эндометрий. С помощью машинного обучения были обучены классификаторы, которые позволили выявить подмножество «основных» клеток очага, сохраняющих идентичность маточного эндометрия, но при этом отличающихся от окружающих тканей. Результаты показали, что транскриптомные различия между этими клетками в различных очагах остаются стабильными на всех фазах цикла и даже при приеме гормональной терапии. Выявленные специфические генные сигнатуры позволили успешно классифицировать статус заболевания и подтипы очагов на независимых данных 168 пациентов. Данное открытие закладывает основу для разработки методов диагностики и подтипирования эндометриоза, не зависящих от текущего гормонального фона пациента.
В исследовании представлен новый биоинформатический подход для полногеномного поиска гомологов бактериальных некодирующих РНК (нРНК), который преодолевает ограничения традиционного поиска по сходству последовательностей. Методология объединяет предсказание субоптимальных вторичных структур с использованием алгоритма скользящего окна в межгенных областях (IGR) и анализ геномного синтенного порядка. Важной инновацией стало использование ChatGPT для автоматизации идентификации биологических связей между генами с различными функциональными аннотациями, что позволило уточнить контекст синтенного анализа. В ходе тестирования метода были успешно обнаружены новые гомологи РНК spot42 (ген spf) в геномах Glaciecola и Pseudoalteromonas, а также гены РНК ms1 в геномах Frankia и Bifidobacterium, которые ранее не удавалось идентифицировать стандартными методами. Результаты демонстрируют высокую эффективность интеграции структурных данных и ИИ-ассистированного анализа для расширения понимания регуляторных элементов бактериальных геномов.
В исследовании анализируется эффективность применения различных алгоритмов машинного обучения для рескоринга совпадений пептид-спектров (PSM) в масс-спектрометрической протеомике. Авторы сравнивают стандартные линейные модели (LSVM) с более сложными нелинейными алгоритмами, такими как Random Forest и XGBoost, доступными в инструменте Mokapot. С помощью метода «ловушки» (entrapment approach) было выявлено, что усложнение моделей приводит к росту числа идентифицированных PSM, однако этот прирост является следствием переобучения и смещения в сторону случайных совпадений с целевой базой данных. В частности, для наиболее сложных моделей фактический уровень ложноположительных результатов (entrapment FDR) достиг 6,3%, в то время как расчетный показатель (decoy FDR) составлял всего 1%. Таким образом, чрезмерная сложность моделей создает иллюзию высокой точности и дает неоправданно оптимистичные оценки FDR. Результаты подчеркивают критическую необходимость баланса между сложностью алгоритма и риском переобучения при автоматизированном анализе протеомных данных.
Исследование представляет CurateMake — воспроизводимый рабочий процесс на базе Snakemake, предназначенный для создания, гармонизации и валидации референсных баз данных ITS (Internal Transcribed Spacer) для метабаркодинга. Авторы интегрировали данные из четырех крупнейших репозиториев (UNITE, BOLD, PLANiTS и CALeDNA), используя стандартизацию регионов через ITSx и гармонизацию имен по каталогу Catalogue of Life. В ходе тестирования на 3,58 миллионах последовательностей система расширила базу до 5,19 миллиона записей, эффективно восстанавливая субрегионы ITS1 и ITS2. Ключевым результатом стала высокая точность коррекции ошибок: при уровне искажения данных в 15% CurateMake исправил 42% ошибок, что значительно превосходит показатели использования только гармонизации имен (28%). Метод продемонстрировал снижение энтропии внутри кластеров, что подтверждает улучшение таксономической связности данных. Инструмент обеспечивает прослеживаемость происхождения данных и позволяет проводить аудит аннотаций на разных этапах обработки.
Исследователи разработали REGA (Regulatory Elements Guided Analysis) — интерпретируемую программную платформу, предназначенную для реконструкции генных регуляторных сетей (GRN) на основе данных экспрессии генов. Методология REGA использует справочные каталоги регуляторных элементов (RE) для выявления программ взаимодействия транскрипционных факторов, регуляторных элементов и генов. В ходе тестирования на наборах данных ChIP-seq, Hi-C и eQTL метод показал превосходство над существующими базовыми моделями, даже превосходя алгоритмы, использующие большее количество входных данных. При применении к данным snRNA-seq из проекта PsychENCODE, REGA успешно идентифицировала модули, связанные с заболеваниями, и связала регуляторную дисрегуляцию с генетическими рисками. Кроме того, инструмент продемонстрировал эффективность в пространственной транскриптомике, связывая внутриклеточные регуляторные программы с межклеточной коммуникацией через лиганды и рецепторы. REGA представляет собой масштабируемое решение для глубокого понимания механизмов регуляции генов, что критически важно для поиска новых терапевтических мишеней.
В исследовании представлен инновационный метод сетевого мультиомиксного анализа DrDimont, примененный к транскриптомным, протеомным, фосфопротеомным и киназным данным микрососудистых эндотелиальных клеток легких пациентов с легочной артериальной гипертензией (ЛАГ). Авторы расширили функционал платформы DrDimont, интегрировав взаимодействия киназ-киназ на основе фосфорилирования субстратов, что позволило построить специфичные для состояния биологические сети. В ходе анализа были выявлены ключевые изменения в сигнальных путях, сосредоточенные вокруг киназ семейства MAPK, включая MAPK13, MAP2K и IRAK1, а также специфические белковые маркеры, такие как ACADSB и GPX7. Приоритезация потенциальных лекарственных кандидатов путем картирования мишеней на дифференциальную сеть позволила выделить такролимус (FK506), антинеопластические ингибиторы MAPK (селуметиниб, траметиниб) и агенты, влияющие на митохондриальную транскрипцию ДНК (эпирубицин, топотекан). Результаты демонстрируют, что интеграция активности киназ в объяснимые мультиомиксные сети позволяет находить терапевтические гипотезы, которые невозможно обнаружить при использовании классического анализа дифференциальной экспрессии одиночных слоев данных.
Исследование посвящено анализу влияния продолженного предобучения (CPT) на специализированную область биологии для крупномасштабных моделей. Ученые протестировали модель Mixture-of-Experts с 26 миллиардами параметров (Gemma-4-26B-A4B), подвергнув её обучению на 8,7 млрд токенов, включающих ДНК, белки и биомедицинские тексты. Результаты показали, что вместо ожидаемого «катастрофического забывания» общих знаний, CPT значительно улучшило показатели: MMLU вырос на 13 пунктов, а точность генерации кода (MBPP) увеличилась с 0,33 до 0,63. В биомедицинской области (BixBench) показатель MCC подскочил с 0,23 до 0,92, что подтверждает глубокую адаптацию модели к научным данным. Единственным негативным эффектом стало снижение правдивости (TruthfulQA на 8,8 пункта), что интерпретируется как доменный дрейф. Авторы доказывают, что CPT и последующая тонкая настройка (SFT) являются взаимодополняющими этапами: CPT расширяет внутренний потенциал модели, а SFT направляет его на конкретные задачи.
Разработчики представили CasanovoGUI — новое open-source приложение на базе Java, предназначенное для упрощения процесса секвенирования пептидов de novo с помощью глубокого обучения. Проблема текущих методов заключается в сложности использования модели Casanovo, которая требует ручной настройки Python-окружения, конфигурации GPU и управления зависимостями, что часто приводит к ошибкам у лабораторных исследователей. CasanovoGUI решает эту задачу, предоставляя интуитивно понятный интерфейс point-and-click для Windows, macOS и Linux. При первом запуске программа автоматически развертывает изолированную среду Python и устанавливает сборку Casanovo, оптимизированную под имеющееся GPU-оборудование. Приложение не только автоматизирует расчеты, но и интегрирует инструменты визуализации: аннотированные спектры с показателями достоверности для каждого остатка в просмотрщике PDV, а также функционал сопоставления пептидов с референсным протеомом. Это значительно снижает порог вхождения для биохимиков и ускоряет интерпретацию результатов масс-спектрометрии.
В исследовании представлен Shifu — инновационный фреймворк, предназначенный для решения проблем предсказания вторичной структуры РНК с помощью глубокого обучения. Авторы указывают на критическую проблему существующих методов: использование единых оценочных показателей скрывает локальные ошибки моделей и может свидетельствовать о простом заучивании обучающих данных. Решение состоит из трех компонентов: Shifu-Corpus, представляющего собой аудит-контролируемый датасет из 254 123 последовательностей из шести баз данных с защитой от утечек данных; системы оценки Shifu Trifecta, оценивающей модели по трем осям (точность, охват разнообразия РНК и надежность уверенности); и семейства компактных языковых моделей Shifu-LMR. Эксперименты показали, что изменение обучающего корпуса влияет на точность на 0,13, а компактная модель Shifu-LMR-Nano с 65 миллионами параметров демонстрирует лидирующие показатели точности, при этом работая на обычном ноутбуке. Разработчики открывают доступ к датасету, коду и архитектурам моделей для дальнейшего использования в биоинформатике.
Согласно аналитическому отчету компании «Информзащита» за период 2025–2026 годов, использование инструментов искусственного интеллекта в «теневом» режиме (Shadow AI) стало значимым фактором киберугроз. Исследование выявило, что около 20% всех зафиксированных утечек конфиденциальной информации напрямую связаны с несанкционированным применением нейросетей сотрудниками организаций. Основная проблема заключается в передаче чувствительных данных в публичные LLM-модели для анализа или суммаризации без соблюдения протоколов безопасности. Данный тренд создает серьезные риски для медицинских учреждений и других организаций с жестким регулированием данных, так как информация попадает в обучающие выборки сторонних сервисов. Эксперты подчеркивают необходимость внедрения систем контроля использования ИИ и разработки внутренних политик безопасности для предотвращения компрометации корпоративных данных. Результаты исследования указывают на необходимость пересмотра подходов к кибербезопасности в эпоху массового внедрения генеративного ИИ.
Компания ChatPush, специализирующаяся на омниканальных коммуникациях, объявила о миграции своей ключевой ИТ-инфраструктуры в облачную среду VK Cloud. Данный стратегический шаг направлен на создание технологической базы для внедрения новых сервисов на основе искусственного интеллекта в платформу. Переезд в облако позволит компании масштабировать вычислительные мощности, необходимые для работы сложных ML-моделей и обработки больших объемов данных в реальном времени. Основной целью является запуск интеллектуальных инструментов автоматизации клиентского опыта, которые помогут бизнесу оптимизировать взаимодействие с пользователями. Использование инфраструктуры VK Cloud обеспечит необходимую отказоустойчивость и безопасность данных при развертывании новых AI-функций. В долгосрочной перспективе это позволит ChatPush трансформироваться из классического коммуникационного сервиса в интеллектуальную платформу с глубокой интеграцией нейросетевых решений.
Компания ARinteg объявила о включении своего программного продукта «Мастер ПДн» в Единый реестр российского ПО, выданный Минцифры (запись № 34402). Данное решение специализируется на автоматизации процессов защиты персональных данных (ПДн), что является критически важным аспектом для цифровизации здравоохранения. Внедрение подобных инструментов позволяет медицинским организациям обеспечивать соответствие законодательству РФ при обработке чувствительной информации пациентов. Продукт помогает автоматизировать аудит безопасности и управление доступом, снижая риски утечек данных. Хотя статья не фокусируется на медицинских алгоритмах, использование ПО для защиты данных напрямую относится к инфраструктурной безопасности ИИ-решений в медицине. Это важный шаг для создания доверенной среды при использовании электронных медицинских карт и систем поддержки принятия врачебных решений.
Программный продукт Innostage AIDR, специализирующийся на обеспечении безопасности и защиты систем искусственного интеллекта, официально включен в Единый реестр российского программного обеспечения Минцифры России. Данное решение направлено на решение критически важных задач по защите алгоритмов машинного обучения и данных, на которых они обучаются, от несанкционированного вмешательства и атак. Включение в реестр подтверждает статус продукта как отечественного программного обеспечения, что крайне важно для внедрения ИИ-решений в государственном секторе и медицине, где требования к безопасности данных пациентов и целостности диагностических алгоритмов являются приоритетными. Использование Innostage AIDR позволяет медицинским организациям минимизировать риски, связанные с эксплуатацией нейросетевых моделей в клинической практике. Продукт обеспечивает защиту от специфических угроз, таких как состязательные атаки (adversarial attacks) и отравление обучающих выборок. Это создает необходимую инфраструктурную базу для безопасного масштабирования медицинских ИИ-сервисов в рамках цифровой трансформации здравоохранения.
Группа «Т-Технологии» выпустила в открытый доступ T-Search — специализированную русскоязычную модель, предназначенную для агентного поиска с использованием технологии RAG (Retrieval-Augmented Generation). В отличие от стандартных поисковых систем, T-Search способна выполнять многошаговые запросы, имитируя логику работы ИИ-агента для глубокого анализа данных. Модель оптимизирована для решения сложных бизнес-задач, требующих не просто выдачи ссылок, а синтеза информации из множества источников. Технология позволяет значительно повысить точность извлечения знаний и минимизировать галлюцинации нейросетей при работе с корпоративными базами данных. Это решение представляет интерес для интеграции в медицинские информационные системы и исследовательские платформы, где требуется автоматизированный поиск по научным публикациям или сложным клиническим протоколам. Внедрение подобных агентных моделей может автоматизировать процесс сбора доказательной базы для врачей и аналитиков.
