ИИ в медицине

Обзорная статья рассматривает применение ИИ в гастроэнтерологической эндоскопии для обнаружения неопластических и преднеопластических поражений, критикуя фокус на диагностической точности в ущерб оценке клинических исходов и экономической эффективности. Авторы предлагают использовать стохастические микросимуляционные модели для оценки стоимости-эффективности и подчёркивают незаменимую роль человека как связующего звена между технологическими инновациями и реальным клиническим результатом.

Статья представляет структурированный обзор литературы по объяснимому ИИ (XAI) в здравоохранении и предлагает новый фреймворк управления (CPI-XAI) для операционных систем, таких как управление потоком пациентов и распределение ресурсов. Исследование выявляет значительный дисбаланс: большинство работ по XAI сосредоточено на диагностике, тогда как прозрачность алгоритмов для клинических операций остается слабо изученной областью.

В статье предложен новый гибридный метод LCCSE-IPCNN-ViT, объединяющий улучшенную параллельную сверточную нейронную сеть (IPCNN) и Vision Transformer (ViT) для классификации рака легкого и оценки его стадии. Модель демонстрирует высокую точность (97,3%) и чувствительность (97,8%), превосходя существующие методы по скорости и снижению ложноположительных срабатываний, что делает её перспективной для ранней диагностики.

Статья предлагает новую модель EMSSTGAN на основе графовых сетей внимания для автоматического измерения толщины воротникового пространства (NT) на УЗИ. Метод включает предварительную обработку изображений, сегментацию области NT и точное измерение толщины для оценки риска хромосомных аномалий, достигая точности 98,15%. Это решение устраняет субъективность ручного измерения и повышает надежность ранней диагностики.

В статье исследуется возможность сокращения разрыва между большими языковыми моделями (LLM) и специализированными моделями для предсказания вариантов белков за счет увеличения объема биологических доказательств, а не изменения параметров самой модели. Авторы предлагают метод BioEvidence — обучаемый без дообучения и независимый от архитектуры интерфейс, который преобразует структурную и эволюционную информацию из стандартных биологических инструментов в компактные доказательства для замороженных LLM. На бенчмарке ProteinGym демонстрируется эффект масштабирования доказательств: производительность улучшается по мере обогащения данных, причем структурные и эволюционные доказательства дают синергетический эффект при комбинировании. Важно отметить, что использование некорректных доказательств для неверных вариантов снижает точность даже ниже базового уровня без доказательств. Метод позволяет достичь уровня специализированных предикторов в задачах нулевого обучения, причем улучшение сохраняется на данных, выпущенных после момента остановки обучения модели. Результаты показывают, что внешние доказательства являются дополнительной осью масштабирования для научных предсказаний наряду с возможностями модели и усилиями на рассуждение.

В статье представлен метод RAMP (Rank-preserving Alignment of Multi-platform Proteomics) — новая неконтролируемая вычислительная рамка для выравнивания данных протеомики, полученных с различных платформ, таких как цитометрия, секвенирование и пространственная визуализация. В отличие от существующих методов, ориентированных на РНК, которые приоритизируют общие эмбеддинги, RAMP выравнивает общие белковые маркеры без необходимости предварительной аннотации типов клеток, используя специфические для образца якоря и монотонные преобразования. Ключевым преимуществом подхода является сохранение порядка экспрессии маркеров внутри образца, что предотвращает опасные ошибки интерпретации, такие как обратное изменение рангов экспрессии, которые могут привести к неверной идентификации клеточных популяций. Метод был протестирован на семи задачах интеграции, показав наилучший баланс между коррекцией батчей и сохранением типов клеток, а также улучшил качество входных данных для линейных моделей, k-NN и небольших нейросетей в задачах кросс-платформенной аннотации и предсказания отсутствующих маркеров. Практическая значимость RAMP продемонстрирована на нескольких клинических примерах: в костном мозге метод позволил импутировать пропавший канал CD19 в данных CODEX, восстановив пространственное распределение В-клеток; в меланоме перенос пространственной информации выявил связь пролиферирующих CD8 Т-клеток с выживаемостью; в раке легких предсказанные состояния HLA-ABC ассоциировались с худшим безрецидивным выживанием; в раке головы и шеи анализировались ниши фибробластов и макрофагов. Результаты подтверждают ценность гармонизированных входных данных для предиктивного обучения и обосновывают использование RAMP в качестве предварительной обработки для протеомических фундаментальных моделей.

Исследование предлагает Instability Quotient Criterion (IQC) — метрику для количественной оценки стабильности отбора признаков в моделях машинного обучения, в частности в регрессии Elastic Net (ENET), которая широко применяется в биологии и общественном здравоохранении для выделения значимых предикторов из больших наборов данных. Основная проблема, которую решает IQC, — неспособность ENET обеспечивать воспроизводимый отбор признаков при малом числе наблюдений и высоком уровне шума, что критично для биомедицинских исследований. Методология IQC опирается на ансамблевое моделирование и энтропию Шеннона для определения стабильности выбранных признаков. С помощью симуляционных исследований авторы продемонстрировали, что IQC способен выявлять значительное снижение стабильности модели при уменьшении объёма данных, увеличении размерности и росте доли шумового сигнала, а также предложен наивный порог разделения на низкую и высокую стабильность. В кейс-стади на данных микрочипов экспрессии генов IQC выявил проблемы стабильности дифференциально-экспрессируемых генов при классификации подтипов острого лейкоза, несмотря на высокую точность классификации. Это указывает на то, что модельная нестабильность препятствует интерпретации биологически значимых генов для различения подтипов рака, что имеет прямое значение для персонализированной онкологии.

В статье представлен метод GroundAnnot, направленный на решение проблемы галлюцинаций больших языковых моделей (LLM) при биологической аннотации генов. Исследователи разработали клиентское ПО, которое интегрируется с популярными бэкендами обогащения (PANTHER, Enrichr, g:Profiler) и накладывает строгие ограничения на вывод моделей: LLM может использовать только те идентификаторы терминов Gene Ontology (GO) и их метки, которые реально возвращены бэкендом. Эксперименты с тремя моделями (Qwen2.5-7B, Qwen3.8-27B и GPT-OSS-120B) на наборах генов заболеваний показали, что без ограничений валидность обогащения составляла всего 15,3–35,1%. Ключевой вывод: использование ограниченного словаря (closed vocabulary) полностью устранило генерацию несуществующих или неуместных биологических терминов, повысив надежность интерпретаций. Хотя модели все еще допускали ошибки в сопоставлении ID с актуальными описаниями, внедрение жестких контрактов на входные данные значительно повысило точность и доверие к ИИ-ассистентам в биоинформатике.

В данном исследовании представлена масштабная in silico кампания по предсказанию структур вирусных белков с использованием моделей AlphaFold2 и AlphaFold-Multimer. Авторы проанализировали 2 812 вирусных протеомов, относящихся к 23 семействам вирусов, представляющим интерес для здоровья человека, и успешно предсказали структуры 5 279 гетеродимеров и 2 749 гомодимеров. Метод структурного кластеризации интерфейсов позволил сократить исходный набор данных в пять раз, выделив 1 598 консолидированных кластеров, из которых 471 (29,5%) не имели обнаружимого сходства с экспериментально определенными интерфейсами в базе данных PDB. Полученные результаты дали новые данные о гликопротеинах, имеющих значение для вакцинологии, а также продемонстрировали высокую точность предсказания специфичности и сайтов расщепления вирусных протеаз, которые являются ключевыми мишенями для разработки противовирусных препаратов. Все предсказанные мономеры и высоконадежные димеры доступны для интерактивного просмотра в Портале подготовки к пандемиям базы данных AlphaFold, а полный набор данных доступен для массовой загрузки. Это исследование демонстрирует мощь ИИ-моделей в ускорении фундаментальных вирусологических исследований и разработке новых терапевтических стратегий.

В статье представлена новая методология оценки OCTAVE (Octave-scale Evaluation), предназначенная для более точной проверки моделей искусственного интеллекта, предсказывающих пространственную экспрессию генов на основе гистологических изображений. Авторы критикуют стандартный метрический подход, основанный на среднем коэффициенте корреляции Пирсона (PCC) по генам, указывая на его неспособность различать пространственные масштабы: модель может получать высокие баллы просто за улавливание крупной организации ткани, игнорируя мелкомасштабные детали. Для демонстрации этой проблемы используется концепция «доменного оракула», который показывает, что даже простые статистические предсказания на основе разбиения ткани достигают 82–123% от результата сложных обучаемых моделей при стандартном разрешении (~100 мкм). Методология OCTAVE решает эту проблему, разделяя предсказания и измерения на пространственные полосы шириной в микрометры и оценивая их соответствие на каждом отдельном масштабе. Анализ данных Xenium с разрешением 16 мкм выявил, что на мелких масштабах (~20 мкм) недостатки моделей становятся значительно более очевидными, чем это видно через призму PCC, а оракул отстает от обученной модели в 2,4 раза больше, чем по среднему PCC. Исследование охватило 57 различных кодировщиков изображений и показало, что finest band (самый мелкий масштаб) меняет рейтинг 261 пары из 1596 по сравнению со стандартной метрикой, что доказывает несостоятельность текущих бенчмарков шириной 50 мкм для валидации тонкой структуры. Внедрение OCTAVE позволяет напрямую валидировать способность ИИ-моделей предсказывать экспрессию генов на конкретных пространственных масштабах, что критически важно для развития точной цифровой патологии и пространственной транскриптомики.

В статье представлен новый метод EnsPlex, предназначенный для повышения точности предсказания структур белковых комплексов, в частности антиген-антительных взаимодействий. Подход объединяет несколько источников структурного сэмплирования, включая AlphaFold-Multimer, AlphaFold3, Boltz-1 и конформационно-расширенный докинг HADDOCK, что позволяет значительно расширить пространство возможных конформаций. Для отбора наиболее точных моделей из большого пула кандидатов обучена нейросеть FACET, которая использует метрики DockQ в качестве целевых переменных для обучения. Исследование проводилось на наборе из 102 систем антиген-антитело, где EnsPlex продемонстрировал относительное улучшение показателя успеха предсказания на 27,8% по сравнению со встроенным ранжированием AlphaFold3 при сопоставимых вычислительных затратах. Метод также показал эффективность во внутреннем ранжировании кандидатов и при работе с внешними данными, отфильтрованными по гомологии. Результаты подтверждают практическую ценность интеграции мультисорцевого сэмплирования и обучения с учителем для задач структурной биоинформатики. Данный подход решает проблему нехватки вычислительных ресурсов при генерации множества моделей, позволяя выбирать наиболее релевантные структуры. Работа демонстрирует прогресс в области применения глубокого обучения для анализа молекулярных взаимодействий.

В статье представлен метод AbRefine — фреймворк для направленного дизайна комплементарно-определяющих регионов (CDR) антител, который решает проблему неоднозначности выбора аминокислот, возникающую при использовании только структурных данных. Метод объединяет предсказания, основанные на геометрии остова белка, с распределениями последовательностей, полученными из предварительно обученной языковой модели антител, где все CDR-области были замаскированы. Ключевым компонентом является модуль слияния, учитывающий информацию (IAF), который динамически вычисляет веса для объединения двух предсказательных распределений на основе неопределённости и информационного содержания, при этом сохраняя предварительно обученные модели неизменными. Эксперименты показали, что использование согласованных каркасов антител превосходит случайные на 7,37 процентных пункта, а наибольший прирост эффективности наблюдается в позициях с высокой структурной неопределённостью. По сравнению со статическим слиянием, предложенный подход улучшил показатели восстановления последовательности AbMPNN на 1,53 процентных пункта и значительно снизил негативную логарифмическую правдоподобность для моделей AbMPNN и AntiFold. Результаты подтверждают, что контекст каркаса содержит полезную информацию, выходящую за рамки простой геометрии остова, и что адаптивное слияние на основе обучения весов позволяет эффективно повышать точность дизайна антител без ухудшения структурной совместимости.

В данном исследовании применяется комплексный подход компьютерного моделирования (in-silico) для поиска новых потенциальных ингибиторов фермента Ag85C, который играет ключевую роль в жизнедеятельности Mycobacterium tuberculosis. Методология включает первичный молекулярный докинг, построение фармакофорных моделей и анализ свойств ADME/фармакокинетики. На этапе первичного докинга наиболее сильные аффинности связывания с ключевыми остатками активного центра продемонстрировали препараты деламанид и претоманид. На основе полученных данных была разработана надежная фармакофорная модель, которая использовалась для виртуального скрининга библиотеки из 4254 противотуберкулезных соединений. В результате скрининга были выделены три перспективных кандидата: F0314-0040, F0398-0505 и F0349-2716, показавшие высокую аффинность связывания при последующих исследованиях докинга. Анализ ADME и фармакокинетики подтвердил благоприятный профиль всасывания и соответствие критериям лекарственной формы для этих соединений. Интеграция вычислительных методов позволила создать всесторонний подход для рационального дизайна новых противотуберкулезных агентов, что существенно ускоряет начальные этапы разработки лекарств.

В статье представлен SCITRAM (Single-Cell Integrated TRAnscription regulation Modeler) — вычислительный инструмент на базе искусственного интеллекта, предназначенный для анализа данных одноядерной трансксриптомики. В отличие от традиционных методов, сводящихся к простой стратификации клеток по экспрессии генов, SCITRAM реконструирует первичные сети генной регуляции и моделирует транскрипционные каскады, активируемые ключевыми транскрипционными факторами. Методология включает два основных этапа: построение графа регуляторных взаимодействий и последующее in-silico моделирование эффектов активации выявленных факторов. Производительность платформы была валидирована на трех сложных биологических моделях: истощение Т-клеток при терапии солидных опухолей, линейная стратификация при панкреатической эндокриногенезе и формирование нервной ткани в моделях церебральных органоидов. Результаты показывают, что SCITRAM эффективно идентифицирует мастер-регуляторы клеточной гетерогенности без необходимости использования командной строки, предоставляя пользователям удобный графический интерфейс. Это решение устраняет барьеры для биоинформатического анализа, позволяя исследователям изучать сложные регуляторные программы в контексте развития заболеваний и тканевого морфогенеза. Инструмент представляет значительный интерес для персонализированной медицины и фундаментальных биомедицинских исследований, ускоряя переход от сырых данных к биологическим гипотезам.

В статье представлен новый фреймворк глубокого метаобучения под названием GGE (General Gene Expression), разработанный для решения проблемы классификации транскриптомов человека в условиях дефицита размеченных данных. Авторы обучили модель на массиве из 5 220 различных биомедицинских задач предсказания, извлеченных из 1 779 уникальных наборов данных, что позволи алгоритму выучить универсальную инициализацию, захватывающую общие биологические паттерны. Ключевое преимущество подхода заключается в его способности достигать высокой точности на новых наборах данных даже при наличии лишь небольшого количества образцов с известными метками, что критически важно для редких заболеваний или дорогостоящих экспериментов. Исследование демонстрирует, что GGE превосходит традиционные классификаторы в условиях ограниченных данных, сохраняя эффективность независимо от используемых платформ RNA-seq и методов предварительной обработки. Дополнительно, анализ на основе механизма внимания выявил гены, стабильно вносящие вклад в производительность модели across различных биологических задач, что открывает новые возможности для понимания общих детерминант биологических состояний. Результаты работы доказывают, что GGE является мощным инструментом для биомедицинских исследований, где сбор больших размеченных наборов данных затруднен или невозможен, обеспечивая надежную классификацию транскриптомов.

В статье представлен новый интерпретируемый фреймворк AuditPPI, предназначенный для аудита моделей предсказания белок-белковых взаимодействий (PPI), основанных на языковых моделях белков. Авторы используют разреженные автоэнкодеры (SAE) для извлечения признаков из замороженной языковой модели и преобразования их в инвариантные к порядку отпечатки пар, что позволяет переформулировать задачу предсказания PPI как проблему табличного обучения. Методология включает мультимасштабный аудит информации, поддерживающей предсказания, с использованием различных бенчмарков, включая белок-разделенные и контролирующие топологию. Ключевые результаты показывают, что хотя AuditPPI достигает конкурентоспособной предсказательной точности, стандартные бенчмарки часто опираются на контекстуальные сокращения, такие как субклеточная ко-локализация, а не на специфические биологические сигналы интерфейсов взаимодействий. Структурный анализ не выявил значительного обогащения признаков в интерфейсах после контроля за поверхностной экспозицией, что указывает на отсутствие механической достоверности у многих существующих предикторов. Работа демонстрирует, что предсказательный успех не всегда означает понимание биологического механизма, и предлагает практический инструмент для оценки того, захватывают ли модели реальные сигналы взаимодействий или используют артефакты данных. Это исследование критически важно для развития надежных ИИ-систем в структурной биологии и фармакологии, так как помогает отделить истинные биологические инсайты от статистических совпадений.

В статье представлен метод QuImputer, который решает задачу импутации генотипов путем кодирования априорных данных о частоте аллелей и знакового сцепленного неравновесия (LD) в оптимизационную задачу QUBO/Изинга. В отличие от традиционных подходов, переменными оптимизации являются только отсутствующие генотипы, что позволяет передавать задачу как классическим алгоритмам полного поиска, так и симуляторам квантового приближенного алгоритма оптимизации (QAOA) или реальным квантовым процессорам. Исследование проведено на выборке из 100 образцов риса по 12 хромосомам с использованием 1,88 миллиарда оцененных генотипов для сравнения с классическим инструментом Beagle 5.4. Результаты показали, что Beagle превосходит QuImputer по чувствительности к редким альтернативным аллелям (2,52% против 0,54%), коэффициенту F1 и R-квадрат, однако QuImputer демонстрирует меньшую частоту ложноположительных результатов (ошибка I типа 0,38% против 2,23%). На валидационных задачах IBM Fez квантовое оборудование нашло точные оптимумы, что подтверждает работоспособность формулировки, хотя локальная поддержка LD для многих маскированных носителей редких аллелей оказалась ограниченной. Работа устанавливает основу для изучения более сложных моделей информации и альтернативных классических или квантовых решателей в биоинформатике.

В статье проводится критический анализ методов машинного обучения для предсказания антидиабетических пептидов (ADP), выявляя существенную проблему «разрыва между происхождением и функцией» (provenance-to-function gap). Авторы демонстрируют, что стандартные бенчмарки часто содержат утечку данных из-за случайного разбиения гомологичных последовательностей, что искусственно завышает точность моделей. При переоценке датасета Basith et al. с учетом гомологии (группировка пептидов по предшественникам) корреляция Мэтьюса (MCC) для моделей падала с 0.92-0.96 до 0.39-0.43 при идентичности последовательностей менее 50%, что указывает на сильную зависимость точности от сходства с обучающей выборкой, а не от реального понимания биологической функции. Исследование охватывает 16 других пептидных бенчмарков, показывая, что проблема утечки гомологии является распространенной: в 11 из 14 тестируемых наборов данные фрагментов одного семейства чаще имеют одинаковую метку, чем случайно. Для решения этой проблемы предложен новый базовый уровень ADP-Hybrid, основанный на ансамбле деревьев решений для каждого слоя классификации. Модель ADP-Hybrid достигла MCC 0.843 на первом слое при скорости вывода в 21-38 раз выше, чем у опубликованных ранее архитектур, и 0.801 на втором слое против 0.858 у конкурентов. Работа подчеркивает необходимость строгого контроля гомологии при оценке ИИ-моделей в биоинформатике и предоставляет открытый протокол и наборы данных для воспроизводимых исследований. Результаты имеют критическое значение для разработчиков алгоритмов предсказания биологических активных молекул, так как показывают, что многие заявленные достижения ИИ могут быть артефактом некорректного разделения данных.

В исследовании, опубликованном в журнале npj Digital Medicine 3 октября 2026 года, представлена новая интерпретируемая система диагностики на основе УЗИ молочных желез, использующая мультимодальный подход с поиском с дополнением (Retrieval Augmented Generation, RAG). Методология включает интеграцию визуальных данных УЗИ с текстовыми клиническими контекстами для повышения точности и прозрачности решений искусственного интеллекта. Система прошла многонациональную клиническую валидацию, что подтверждает её надежность в различных демографических и технических условиях. Ключевым элементом является проведение исследования с участием врачей-радиологов, где ИИ-ассистент сравнивался с экспертной оценкой, демонстрируя значительное улучшение чувствительности и специфичности диагностики. Результаты показывают, что внедрение интерпретируемых ИИ-моделей позволяет не только повысить точность выявления патологий, но и обеспечить доверие со стороны медицинского персонала за счет объяснимости выводов. Это исследование закладывает основу для клинического внедрения мультимодальных ИИ-систем в рутинную практику маммологии и УЗИ-диагностики.