Поиск

Исследователи разработали CharacTERT — специализированный инструмент на базе машинного обучения, предназначенный для классификации миссенс-мутаций в гене hTERT, который кодирует каталитическую субъединицу теломеразы человека. В отличие от существующих универсальных предикторов, CharacTERT интегрирует как последовательностные, так и структурные признаки, учитывая уникальный биологический контекст фермента теломеразы. Разработанные модели продемонстрировали высокую точность: лучший показатель коэффициента корреляции Мэтьюса (MCC) составил 0,88 на наборах данных ClinVar и gnomAD, а чувствительность достигла 0,75 при тестировании по протоколам ACMG/AMP. Анализ признаков показал, что ключевыми детерминантами патогенности являются консервативность остатков hTERT и изменения гидрофобных и слабых полярных взаимодействий. Авторы также провели in silico насыщающий мутагенез, создав детальный мутационный ландшафт TERT. Инструмент представлен в виде удобного веб-сервера, который может существенно помочь в ранней диагностике заболеваний теломерного биогенеза (TBDs) и разработке стратегий персонализированной медицины.

Исследователи представили TRINUS — новую модель самообучения (self-supervised model), предназначенную для анализа пространственной транскриптомики. Основная инновация метода заключается в генеративном разделении внутренней идентичности клеточной линии и внешнего влияния микроокружения (нишевого давления). TRINUS использует библиотеку контекстно-свободных прототипов клеток для изоляции генетической программы, одновременно моделируя кооперативные зависимости между соседними клетками. В ходе тестирования на синтетических данных модель продемонстрировала превосходство над существующими методами в задачах кластеризации клеток и обнаружения пространственных доменов. Применение TRINUS на данных колоректального рака позволило картировать паттерны взаимодействий в масштабе всей ткани, а исследования мышиного органогенеза выявили специфические для стадий сигнальные зависимости. Особую значимость представляет возможность двунаправленного in silico проектирования: в микроокружении опухолей яичников модель смогла предсказать молекулярные модификации макрофагов, способные восстановить функцию соседних Т-клеток. Таким образом, TRINUS становится мощным инструментом для предиктивного тканевого инжиниринга и понимания механизмов клеточной коммуникации.

Исследование посвящено решению проблемы резистентности к бевацизумабу — ключевому фактору, ограничивающему долгосрочную эффективность терапии метастатического колоректального рака (КРР). Авторы разработали и валидировали прогностическую модель на основе сигнатуры из 8 генов (AXIN2, PSORS1C1, KRT74, SLC2A3, STIL, IL33, GALNT6, HSD11B2), используя анализ данных GEO (GSE19862, GSE86582) и TCGA. Результаты показали, что высокая оценка риска по данной сигнатуре коррелирует с более низкой общей выживаемостью (OS), при этом точность прогноза (AUC) достигает 0.757 для 5-летней выживаемости. Анализ иммунного микроокружения с помощью CIBERSORT и ESTIMATE выявил, что у пациентов группы высокого риска наблюдается повышенное содержание M2-макрофагов и нейтрофилов при снижении количества активированных CD4+ T-клеток памяти и дендритных клеток. Генетический анализ (GSEA) подтвердил обогащение путей TNF/NF-κB, IL-6/JAK/STAT3 и контрольных точек иммунного ответа в группе высокого риска. Данная сигнатура может служить инструментом для клинической стратификации пациентов и понимания механизмов иммуноопосредованной резистентности к терапии.

В исследовании представлен инновационный фреймворк двухпотокового сжатия для 16-битных медицинских изображений, предназначенный для сохранения тонких вариаций интенсивности, критически важных для клинической интерпретации. Авторы предложили раздельное моделирование наиболее значимых битов (MSB) и наименее значимых битов (LSB): структурный поток MSB кодируется методом JPEG со стратегией пропуска дублирующихся сегментов (DSS), а поток деталей LSB сжимается с помощью методов глубокого обучения. Эксперименты на четырех наборах данных МРТ и КТ показали, что предложенный метод превосходит традиционные и современные нейросетевые кодеки, обеспечивая минимальную скорость передачи битов при сохранении высокой точности реконструкции. Важным аспектом является сохранение локальных профилей интенсивности и консистентности при последующей сегментации изображений. Кроме того, авторы продемонстрировали возможность интеграции сжатых битовых потоков в ДНК-кодирование для создания последовательностей с благоприятными биохимическими свойствами, что открывает новые горизонты в долгосрочном хранении медицинских данных.

В статье представлен NANOTAXI — инновационный программный инструмент с графическим интерфейсом (GUI) на базе R Shiny, предназначенный для автоматизированной таксономической классификации данных секвенирования 16S рРНК с использованием технологии Oxford Nanopore. Платформа решает проблему сложности биоинформатического анализа длинных чтений, предоставляя пользователям возможность мониторинга данных в реальном времени и проведения глубокого микробиомного анализа. Система интегрирует четыре различных таксономических классификатора и пять эталонных баз данных, что позволяет гибко настраивать стратегии анализа под конкретные вычислительные ресурсы. Помимо классификации, NANOTAXI поддерживает расчет альфа- и бета-разнообразия, ординацию, тестирование дифференциальной экспрессии и функциональный анализ с помощью PICRUSt2. Валидация на синтетических сообществах и контрольных образцах ZymoBIOMICS подтвердила биологическую достоверность полученных профилей. Сравнительное тестирование (бенчмаркинг) показало, что классификатор Emu обеспечивает минимальный уровень ложноположительных результатов на уровне видов, в то время как Kraken2 демонстрирует наивысшую скорость, обеспечивая непрерывный мониторинг в режиме, близком к реальному времени.

В данной исследовательской работе представлен первый алгоритм контрфактуальных объяснений (Counterfactual Explanation, CE), специально разработанный для работы с сетями сходства пациентов (Patient Similarity Networks, PSNs). В отличие от традиционных методов, использующих табличные данные, авторы применяют графовые нейронные сети (GNN), которые учитывают не только индивидуальные признаки пациента, но и его связи с клинически и биомолекулярно схожими индивидами. Предложенный метод является универсальным и не зависит от конкретной модели классификатора (model-agnostic), что позволяет интегрировать его в различные системы поддержки принятия врачебных решений. Исследование проводилось на синтетических данных и на реальной когорте пациентов с болезнью Альцгеймера. Результаты показали, что новый алгоритм демонстрирует конкурентоспособность по сравнению с классическими методами для табличных данных и признанным инструментом GNNExplainer. Данная разработка имеет критическое значение для повышения интерпретируемости ИИ в медицине, позволяя врачам понимать, какие именно изменения в клинических или биомолекулярных показателях могли бы изменить прогноз заболевания.

Исследователи представили MetFoundation — инновационную метаболомную базовую модель, обученную методом самообучения (self-supervised learning) на данных ЯМР-метаболомики более 430 000 участников из UK Biobank. В отличие от традиционных «часов старения», которые предполагают однородность процессов, MetFoundation способна улавливать сложную нелинейную структуру системного метаболизма. С помощью тонкой настройки выживаемости авторы разработали модель старения, тесно связанную с риском смертности и возрастными заболеваниями. Ключевым достижением стало выявление 13 уникальных метаболических подтипов, которые демонстрируют различную предрасположенность к деменции и диабету даже при одинаковых показателях ускорения старения. Для практического применения была создана облегченная модель, позволяющая аппроксимировать сложные метаболомные данные, используя лишь стандартные анализы крови. Валидация на данных из Китая (CHARLS) подтвердила высокую обобщающую способность модели и её потенциал для персонализированной медицины.

Исследование посвящено поиску новых методов борьбы с мультирезистентным патогеном Acinetobacter baumannii, который использует образование биопленок для выживания и устойчивости к антибиотикам. Ученые сосредоточились на таргетировании липопротеина NLPA, закрепленного во внутренней мембране бактерии и отвечающего за адаптацию биопленок. С помощью интегрального in silico конвейера и структуры, полученной через AlphaFold, был проведен виртуальный скрининг около 1,6 миллиона соединений. После оценки свободной энергии связывания (MM/GBSA) и молекулярно-динамического моделирования были выделены наиболее перспективные кандидаты, соответствующие правилу пяти Липинского. В ходе in vitro тестирования соединение NLPA-3 показало умеренную антибактериальную активность с МПК 125 мкг/мл и обеспечило ингибирование формирования биопленки на 55,75% при концентрации 4x МПК. Особую значимость представляют исследования на макрофагах, где NLPA-3 снизил выживаемость внутриклеточных бактерий до 19,25% при концентрации 50 мкг/мл, что подтверждает потенциал мишени NLPA для разработки антивирулентных препаратов.

В исследовании представлен HiCP2GAN — инновационный фреймворк, использующий генеративно-состязательные сети (GAN) для повышения разрешения карт хроматиновых взаимодействий (Hi-C). Основная проблема Hi-C заключается в высокой стоимости получения данных высокого разрешения, что приводит к разреженности карт и затрудняет анализ регуляции генов. Авторы предложили архитектуру «plug-and-play», где в качестве дискриминатора используется предобученная фундаментальная модель на базе Vision Transformer, обученная на колоссальном массиве из 118 миллионов патчей Hi-C различных видов и типов клеток. В отличие от традиционных методов, требующих обучения дискриминатора с нуля, HiCP2GAN использует биологически значимые градиенты от предобученной модели, что обеспечивает стабильность обучения и лучшую обобщающую способность. Методология включает адаптацию энкодера фундаментальной модели в качестве основы дискриминатора с тонкой настройкой (finetuning) только первых слоев при заморозке глубоких слоев трансформера. Эксперименты на линиях клеток человека подтвердили, что HiCP2GAN превосходит стандартные генераторы и классические GAN-модели по качеству восстановления структуры хроматина. Фреймворк является универсальным (generator-agnostic), что позволяет интегрировать его с любыми существующими архитектурами генерации данных Hi-C.

В исследовании представлен новый математический фреймворк ATLAS (Auxiliary-Transformed Location-Aware Smoothing), предназначенный для решения проблемы аппроксимации локально-специфичных моделей при условии пространственной гладкости. В отличие от существующих методов, которые штрафуют шероховатость непосредственно параметров модели, ATLAS накладывает штраф на трансформации параметров с использованием вспомогательных ковариат. В качестве практического применения авторы разработали модель пространственной деконволюции для транскриптомики, которая позволяет оценивать коэффициенты смешивания опухолевых клеток в тысячах точек на одном тканевом срезе. Для решения вычислительных сложностей, вызванных нелинейным правдоподобием и невыпуклым штрафом, предложен алгоритм ADMM (метод множителей Лагранжа для расщепления переменных). Результаты симуляционных исследований подтверждают, что ATLAS обеспечивает существенно более точное обнаружение пространственных доменов по сравнению с традиционными методами сглаживания параметров. Особая эффективность метода проявляется в случаях, когда вспомогательные ковариаты обладают калиброванной пространственной структурой, что критически важно для точной биомедицинской визуализации.

Исследование представляет инновационный метод калибровки моделей обыкновенных дифференциальных уравнений (ODE) для анализа редких заболеваний, где клинические данные крайне скудны и зашумлены. Авторы предложили подход устойчивой к шуму калибровки в латентном пространстве, который объединяет экспертные ODE-модели с обученными латентными представлениями. Методология включает использование синтетических траекторий ODE для обучения специфичного для модели автоэнкодера и импутера, что позволяет дополнить дефицитные реальные наблюдения. В ходе тестирования на симуляционной модели ABCDE было доказано, что предложенный импутер превосходит базовые методы (carry-forward) при умеренных сдвигах параметров, а калибровка сохраняет устойчивость даже при наличии дополнительных переменных шума. Применение метода на кастомной модели для пациентов с буллезным эпидермолизом показало, что феноменологическая модель успешно воспроизводит траектории пациентов на основе разреженных данных. Данная разработка имеет высокую значимость для персонализированной медицины и моделирования патологий с ограниченным объемом данных.

Исследователи представили Static2Dynamic — инновационный фреймворк, предназначенный для реконструкции динамических биологических процессов на основе набора статических изображений. Методология решает проблему невозможности непрерывного наблюдения за развитием тканей или прогрессированием заболеваний в реальном времени. Алгоритм работает в три этапа: восстановление непрерывного псевдовремени (pseudotime) в глубоком репрезентативном пространстве, обучение генеративной модели изображений и последующая реконструкция временно согласованных видеороликов. В ходе количественной валидации на двух масштабных наборах данных микроскопических видео, созданных специально для бенчмаркинга, метод продемонстрировал высокую точность сопоставления траекторий псевдовремени с реальной биологической динамикой. Технология позволяет моделировать прошлое и будущее состояния клеток, расширяя границы наблюдаемого пространства живых систем. Статическое изображение теперь может служить отправной точкой для симуляции полных траекторий развития, которые ранее были недоступны для прямой записи.

Исследование, опубликованное в журнале npj Digital Medicine, представляет инновационный подход к лечению подозреваемого сепсиса у новорожденных с использованием технологии цифровых двойников. Традиционные медицинские протоколы часто не учитывают динамические изменения размеров органов младенцев и сопутствующую терапию, что критически влияет на скорость выведения антибиотиков из организма. Предложенная модель цифрового двойника интегрирует физиологические параметры неонатального организма с динамикой бактериальной эволюции. Это позволяет создавать персонализированные режимы дозирования антибиотиков, адаптированные под конкретного пациента в режиме реального времени. Применение данной методологии может значительно повысить эффективность терапии и снизить риск токсичности препаратов. Технология открывает новые возможности для прецизионной медицины в критических состояниях новорожденных.

В исследовании, опубликованном в журнале 'Artificial Intelligence in Medicine', авторы предлагают инновационный метод борьбы с алгоритмической предвзятостью при анализе рентгенограмм грудной клетки. Основная проблема современных ИИ-систем заключается в том, что они могут опираться на нерелевантные признаки (например, маркеры оборудования или демографические особенности), что ведет к ошибкам в диагностике. Исследователи Xinwei Lai и коллеги разработали архитектуру на основе обучения распутанных представлений (disentangled representation learning), которая позволяет разделить клинически значимые признаки патологий и мешающие факторы (confounders). Методология направлена на создание дебайасированных признаков, что обеспечивает более высокую точность и справедливость (fairness) моделей при работе с различными группами пациентов. Результаты демонстрируют, что предложенный подход существенно снижает риск ложноположительных и ложноотрицательных диагнозов, вызванных систематическими ошибками в данных. Данная работа имеет критическое значение для внедрения ИИ в клиническую радиологическую практику, гарантируя надежность автоматизированной диагностики.

Представлена новая аналитическая платформа Shiny AMMOA, разработанная как графический интерфейс (GUI) на базе R Shiny для упрощения интегративного анализа мультиомных данных при изучении старения мышей. Инструмент позволяет исследователям проводить сквозной анализ транскриптомных, протеомных и метаболомных данных без необходимости глубоких навыков программирования. Платформа поддерживает тестирование дифференциальной экспрессии, анализ обогащения путей и визуализацию молекулярных изменений на диаграммах KEGG. В ходе тестирования Shiny AMMOA успешно воспроизвела ключевые результаты существующих исследований, выявив возрастные изменения в таких процессах, как ответ на несвернутые белки (UPR), организация внеклеточного матрикса и метаболические пути. Продукт демократизирует доступ к сложным биоинформатическим методам, позволяя экспериментальным биологам быстро приоритизировать биологические мишени и генерировать гипотезы на системном уровне. Платформа доступна как локально через GitHub, так и в облегченном веб-варианте.

Статья рассматривает использование ИИ в педиатрической интенсивной терапии, смещая фокус с раннего предупреждения кризисов на своевременную деэскалацию лечения. Авторы подчеркивают, что избыточное пребывание в ОИТ несет серьезные риски для развития детей, и ИИ может помочь отслеживать физиологические траектории для более быстрого вывода пациентов из критического состояния.

Исследование оценивает уровень знаний и отношение хирургов, студентов и ординаторов к использованию ИИ и ChatGPT в медицинской практике. Результаты показывают, что молодые специалисты более открыты к внедрению ИИ, особенно в планировании операций и диагностике, несмотря на нехватку формального обучения.

Статья анализирует использование генеративного ИИ (ChatGPT, Claude, Gemini) в качестве инструмента психологической поддержки. Автор рассматривает риски галлюцинаций и нарушения конфиденциальности, а также предлагает рекомендации по регулированию этой сферы для минимизации вреда и использования потенциала технологий.

В статье проводится критический анализ применения ИИ в токсикологии, включая вопросы безопасности биопрепаратов и синтетических пептидов. Авторы предлагают фреймворк «TREAT» и концепцию «e-validation» для преодоления разрыва между технической эффективностью моделей и их признанием регуляторами.