В статье представлен метод прогнозирования выживаемости при немелкоклеточном раке легкого (НМРЛ) с использованием мультимодального подхода, объединяющего КТ-изображения, радиомику, клинические данные и шесть симуляционных прокси-признаков, моделирующих взаимодействие гетерогенности и морфологии опухоли. Модель на основе трансформерного маскированного автоэнкодера (TMAE) достигла C-index 0.641 на публичной когорте Lung1, что превосходит предыдущие мультимодальные результаты и демонстрирует потенциал симуляционных признаков для улучшения стратификации риска.
В ретроспективном перекрестном исследовании с участием 1461 взрослого оценивалась осуществимость и клиническая значимость ИИ-оценки риска сердечно-сосудистых заболеваний по изображениям сетчатки (Reti-CVD) в гибридной модели оказания помощи. Более высокий риск по Reti-CVD был связан с возрастом, мужским полом, диабетом, гипертонией и другими кардиометаболическими факторами, однако категориальное согласие с калькулятором PREVENT оказалось слабым (κ = 0.144). Результаты требуют проспективной валидации для подтверждения прогностической ценности.
Представлена NeuroPlast — параметрическая функция активации с шестью обучаемыми параметрами, встроенная в CNN-архитектуру NADN Ultra и обученная с нуля через двухфазную дистилляцию знаний. На четырех наборах медицинских изображений (МРТ опухолей мозга, рентген грудной клетки, рак кожи, COVID-19) статический вариант достигает точности 99.4–99.5% на COVID-19, превосходя базовые активации (ReLU, GELU, Swish, Mish, PReLU) с небольшим, но стабильным отрывом. Ключевой вывод: дистилляция знаний — основной фактор, позволяющий архитектурам, обученным с нуля, приближаться к уровню предобученных моделей.
В статье сравниваются два полууправляемых подхода к классификации опухолевых патчей на гистологических изображениях рака молочной железы: базовый, использующий контролируемую модель для генерации псевдометок, и улучшенный, применяющий состязательное контрастивное обучение (AdCo) на 347 884 неразмеченных патчах. AdCo заменяет фиксированную очередь памяти на обучаемый банк состязательных негативов, что повышает качество представлений. Методы оцениваются на 18 комбинациях архитектур и четырех наборах данных, показывая преимущества состязательного самоконтролируемого предобучения.
В статье представлен конвейер in silico, который использует условную языковую модель Finenzyme для генерации ферментных последовательностей, а затем оценивает их структурную стабильность с помощью симуляций молекулярной динамики. Симуляции 236 ферментов из четырёх классов EC показали, что 82,6% структур сохраняют стабильность, что подтверждает потенциал подхода для биомедицинских и промышленных применений.
Представлена улучшенная структура ConvNeXt-Tiny с модулем пространственной адаптивной многомасштабной свертки (SAMC) для классификации заболеваний сетчатки по OCT-изображениям. Модель достигает точности 98,39% на наборе данных OCT-C8 с восемью классами, а также включает анализ калибровки, неопределенности, устойчивости к помехам и интерпретируемости, подтверждая клиническую значимость.
Представлена мультимодальная модель BCMM, объединяющая МРТ молочной железы и клинические данные для прогнозирования остаточной опухолевой нагрузки (RCB) после неоадъювантной терапии. Модель достигла AUC 0.826 на внутренней перекрестной валидации в когорте I-SPY1, что демонстрирует перспективность подхода, но требует внешней валидации.
Представлена ARTNet — трансформерная нейросеть для автоматической классификации и сегментации диабетической ретинопатии (ДР) по снимкам глазного дна. Модель объединяет три подсети: адаптивную канальную калибровку, пространственное внимание к клинически значимым областям и трансформерный энкодер для глобального контекста. На наборах данных Diabetic Retinopathy Detection, APTOS-2019 и IDRiD модель достигает точности 96.45% и превосходит современные подходы, поддерживая реальный скрининг в офтальмологии.
В исследовании на основе клинического испытания COMPASS созданы молекулярные цифровые двойники пациентов с помощью байесовской фундаментальной модели рака FarrSight®. Индивидуальные прогнозы ответа на mFOLFIRINOX показали значительно лучшие показатели AUC, точности, PPV и NPV по сравнению с классификацией Moffitt, что указывает на потенциал для улучшения отбора пациентов на терапию.
В статье представлен AnnFlux — новый метод на основе нейронных стохастических дифференциальных уравнений (SDE), который моделирует динамику клеточных популяций в ответ на генетические и химические вмешательства (возмущения). В отличие от большинства существующих моделей, которые учат статическое отображение между возмущением и конечным состоянием клеток, AnnFlux обучает дрейфовое поле в латентном пространстве клеточных состояний, учитывая временную эволюцию и комбинаторные эффекты возмущений. Ключевая особенность — объектно-обусловленное conditioning: модель позволяет запрашивать дрейф для каждого отдельного возмущающего объекта (гена или лекарства), что делает дрейфы сопоставимыми между разными генами и препаратами. Метод продемонстрировал способность интерполировать пропущенный временной шаг в тайм-курсе эпителиально-мезенхимального перехода и предсказывать ответы на невиданные ранее возмущения. Кроме того, AnnFlux улучшает точность распределения (distributional fidelity) и предсказывает ответы на комбинации возмущений, которые не встречались в обучающих данных. В независимом пан-раковом пространственном атласе предсказанный AnnFlux IFN-сигнатурный ответ был ассоциирован с близостью к TLS (третичным лимфоидным структурам), что подтверждает биологическую значимость предсказаний. Предложенная структура позволяет отображать эволюцию клеточных состояний как непрерывные траектории и представлять невиданные возмущения с помощью эмбеддингов на основе предварительных знаний. Работа имеет прямое отношение к применению ИИ в медицине, особенно в области персонализированной медицины и понимания механизмов действия лекарств.
Детская глиома низкой степени злокачественности (pLGG) — наиболее распространенный тип опухоли мозга у детей, составляющий около 30% всех опухолей центральной нервной системы у детей. pLGG имеет множество молекулярных подтипов, различающихся по прогрессированию заболевания, характеру рецидивов и ответу на лечение. Традиционные лабораторные методы молекулярного профилирования и гистопатологии трудоемки, дороги и медленны. Существующие методы ИИ/МО для молекулярной классификации pLGG обычно выделяют лишь два-три подтипа. Авторы разработали интегрированный подход мета-кластеризации Meta-pLGG, который позволяет выявлять высокоразрешающие молекулярные подтипы и их транскрипционную гетерогенность. Метод включает многократную случайную проекцию (RP) для снижения размерности транскриптомных данных, кластеризацию с помощью шести алгоритмов (иерархическая, K-means, SOM, NMF, GMM, спектральная) и взвешенную мета-кластеризацию (wMetaC) для объединения результатов. На данных 532 пациентов с pLGG подход показал превосходную стабильность и дискриминационную способность по сравнению с традиционными методами. Анализ консенсусной матрицы выявил два основных мега-подтипа, один из которых делится на три подгруппы, другой — на две. Дифференциальный анализ экспрессии генов, молекулярных путей и связей ген-лекарство-болезнь показал значительную транскрипционную гетерогенность между пятью подгруппами. Результаты демонстрируют более высокую производительность и надежность мета-кластеризации для выявления подтипов pLGG, что может способствовать более точной молекулярной классификации и персонализированной терапии.
Визуализационная масс-цитометрия (IMC) позволяет одновременно количественно определять более 40 белковых маркеров на уровне отдельных клеток в тканях, однако биологически достоверное фенотипирование в масштабе остается критическим узким местом. Неконтролируемая кластеризация либо фрагментирует когерентные популяции, либо, наоборот, объединяет биологически некогерентные в один кластер, а контролируемые классификаторы навязывают закрытый словарь признаков. Кроме того, наличие редких субпопуляций (кодирующих клинически значимую биологию) наряду с обильными субпопуляциями может негативно сказываться на эффективности детекции. Авторы представляют AltraFlowSOM — полууправляемое расширение FlowSOM, которое встраивает частичные экспертные аннотации непосредственно в обучение самоорганизующейся карты (SOM) через двухслойную архитектуру SuperSOM, балансируя привязку топологии к меткам с неконтролируемым обнаружением новых популяций. За счет привязки карты к биологически размеченным референсным точкам AltraFlowSOM обходит каноническую зависимость между коррекцией батч-эффектов и кластеризацией. В оценке с перекрестной валидацией leave-one-out на двух независимых когортах IMC — волчаночный нефрит (n=22 ROI) и синдром Шегрена (n=10 ROI) — AltraFlowSOM превзошел все неконтролируемые и контролируемые базовые методы по скорректированному индексу Рэнда, F1-мерам (макро и взвешенной), взвешенной чистоте и идентификации редких популяций. Медианное восстановление Treg-клеток превысило показатели всех сравниваемых методов. AltraFlowSOM разрешает трилемму масштабируемости, выравнивания и открытия, устанавливая полууправляемую SOM как обобщаемый метод для высокоразмерного фенотипирования IMC.
CyChat — это новое приложение для Cytoscape Desktop, которое интегрирует чат-интерфейс и агента на основе большой языковой модели (LLM) непосредственно в среду Cytoscape. Оно позволяет исследователям описывать свои задачи на естественном языке, а CyChat автоматически переводит эти запросы в исполняемые рабочие процессы Cytoscape Automation, генерирует и запускает код Python, а также экспортирует сессии чата с выполненным кодом в виде автономных Jupyter-ноутбуков. Это устраняет компромисс между удобными графическими интерфейсами, которые трудно документировать, и воспроизводимой автоматизацией на Python или R, требующей навыков программирования. Приложение включает встроенную среду выполнения Python и поддерживает как облачные, так и локально размещенные LLM, что снижает барьеры для начала работы. В оценке на десяти рабочих процессах Cytoscape с использованием семи различных LLM-провайдеров лучшая конфигурация достигла уровня успешного выполнения более 99%. В качественной оценке на основе опубликованной визуализации сети CyChat выполнил задачу за 1,5–5 минут, тогда как у вычислительных биологов ручные рабочие процессы через GUI занимали 15–20 минут. CyChat доступен в Cytoscape App Store по адресу https://apps.cytoscape.org/apps/cychat. Это значительный шаг к демократизации сетевого анализа, делая его доступным для исследователей без глубоких знаний программирования и повышая воспроизводимость исследований.
В статье представлен OmegAMP — генеративная модель на основе условной диффузии для дизайна антимикробных пептидов (АМП). Модель позволяет контролировать чистый заряд, среднюю гидрофобность и длину последовательности, поддерживая три режима: создание новых пептидов de novo, генерацию аналогов и дизайн с заданными мотивами. В ходе экспериментов на 204 пептидах, охарактеризованных в мокрых лабораторных условиях, генерация de novo позволила получить антимикробные соединения с широкой активностью против клинических изолятов грамотрицательных бактерий с множественной лекарственной устойчивостью. Генерация аналогов превратила шесть неактивных прототипов в активные антимикробные пептиды, при этом механизм разрушения мембраны и безопасность для клеток млекопитающих определялись исходным прототипом. Мотив-управляемая генерация аналогов сохраняла связывание липополисахарида у активных прототипов, а редизайн неактивной лейциновой молнии придал ей антимикробную активность, сохранив способность нарушать ДНК in vitro. В моделях инфекций на мышах (кожа и бедро) лидирующие кандидаты снижали бактериальную нагрузку, причем один из мотив-управляемых кандидатов, нарушающих ДНК, системно соответствовал контролю с фторхинолоном. OmegAMP открывает программируемый путь к новым пептидным антибиотикам, чей механизм действия и безопасность следуют из выбранного прототипа.
OpenBind — это открытая научная инициатива, направленная на создание крупномасштабных экспериментальных наборов данных для разработки и оценки методов структурного машинного обучения в области молекулярных открытий. Первый публичный релиз OpenBind представляет собой, по данным авторов, крупнейший публичный набор данных структура-аффинность для одной мишени. Набор данных сфокусирован на 2A-протеазе энтеровирусов и включает 925 кристаллографических событий связывания от 699 соединений, а также измерения аффинности для 601 соединения. Данные объединяют структуры из начального фрагментного скрининга и последующих молекул, связывая экспериментально определенные режимы связывания белок-лиганд с биофизическими измерениями в рамках целостной кампании по поиску противовирусных препаратов. Авторы использовали набор данных для оценки предсказания структуры белок-лиганд, предсказания аффинности связывания и виртуального скрининга с помощью репрезентативных структурных методов, включая докинг и кофолдинг. Это выявило несколько ключевых проблем: производительность докинга сильно зависит от конформации кармана связывания, позы сложно ранжировать, а предсказание аффинности на основе структуры остается сложной задачей. Тонкая настройка OpenFold3-p2 на структурах фрагментного скрининга значительно улучшила предсказание поз и виртуальный скрининг для родственных соединений, демонстрируя, как ранние экспериментальные структуры могут поддерживать адаптацию моделей под конкретную мишень. Этот релиз предоставляет исследователям ценный ресурс для разработки и валидации методов структурного ИИ, особенно в области докинга и предсказания аффинности.
В журнале npj Digital Medicine опубликовано исследование, представляющее фундаментальную модель голосовых биомаркеров, предназначенную для мониторинга бокового амиотрофического склероза (БАС) и скрининга болезни Паркинсона. Модель обучалась на крупном наборе аудиоданных, включающем записи речи пациентов с нейродегенеративными заболеваниями и здоровых контролей. Используя методы глубокого обучения, модель извлекает акустические признаки, связанные с дизартрией и другими речевыми нарушениями, характерными для этих заболеваний. Для БАС модель позволяет отслеживать прогрессирование заболевания по изменениям речевых характеристик, что может служить неинвазивным и доступным инструментом мониторинга в клинической практике. Для болезни Паркинсона модель демонстрирует высокую точность скрининга, позволяя выявлять ранние признаки заболевания по голосу. Валидация проводилась на независимых когортах, показав устойчивые результаты. Исследование подчеркивает потенциал голосовых биомаркеров как масштабируемого решения для нейродегенеративных заболеваний, что может улучшить раннюю диагностику и персонализированное лечение.
В статье представлена методология разработки и переноса алгоритмов эпигенетических биомаркеров на основе метилирования ДНК (DNAm) на новый чип Illumina Methylation Screening Array (MSA). Традиционные биомаркеры DNAm были созданы на устаревших массивах EPIC, и их прямое применение на MSA невозможно без адаптации. Авторы использовали парные биологические образцы, профилированные на EPICv1 и MSA (1764 пары), а также повторы внутри массива, чтобы оценить согласованность на уровне отдельных CpG-сайтов с помощью средней абсолютной ошибки (MAE) и внутриклассовой корреляции (ICC). Из 140 150 общих CpG-сайтов 40 786 (29,1%) соответствовали критериям стабильности (MAE < 0,05 и ICC > 0,6). На основе стабильных сайтов были обучены 134 эпигенетических прокси-биомаркера (EBP) непосредственно на MSA, с применением или без применения анализа главных компонент с ядром (kPCA) для гармонизации на уровне образцов. Все 134 модели достигли ICC(2,1) ≥ 0,80 (медиана 0,97) на одном чипе и 96,3% — ICC(2,1) ≥ 0,60 (медиана 0,81) на разных чипах, при медианной корреляции Спирмена 0,48 с наблюдаемыми значениями. Среди 72 моделей с сопоставимым базовым уровнем стабильных проб 70 (97%) показали улучшение кросс-чиповой ICC (медианное улучшение +0,18). Кроме того, три известные эпигенетические часы были перенесены на MSA: OMICmAge и SystemsAge были переобучены для оценки значений, полученных на EPICv1 (коэффициент корреляции на тестовой выборке 0,944 и 0,912–0,949 соответственно), а DunedinPACE потребовал нормализации стабильных проб и робастной линейной калибровки, что повысило кросс-массивный ICC(2,1) с 0,784–0,810 до 0,891–0,925 и снизило MAE с 0,085–0,089 до 0,041–0,050 на трех наборах образцов. Результаты показывают, что сокращенный набор проб не препятствует воспроизводимому измерению биомаркеров DNAm, но стратегия переноса должна соответствовать архитектуре модели. Работа имеет прямое значение для клинических исследований и биобанков, где MSA может стать экономически эффективной альтернативой для крупномасштабного скрининга эпигенетических маркеров.
В статье, опубликованной в npj Digital Medicine 3 сентября 2026 года, представлен новый подход к автоматической семантической интерпретации сердечно-сосудистого магнитно-резонансного томографа (CMR) с использованием большой модели рассуждений (large reasoning model). Авторы разработали метод, который генерирует явную цепочку диагностических рассуждений (chain of diagnosis), объясняющую, как модель приходит к конкретному заключению по изображениям CMR. Это повышает интерпретируемость и доверие к ИИ-системам в клинической практике. Методология включает интеграцию визуальных признаков CMR с текстовыми рассуждениями, что позволяет модели не только ставить диагноз, но и обосновывать его шаг за шагом. Валидация проводилась на наборе клинических данных, где модель продемонстрировала высокую точность в выявлении патологий сердца, таких как кардиомиопатии и ишемическая болезнь. Результаты показали, что явные цепочки рассуждений улучшают согласованность с заключениями экспертов-радиологов и снижают количество ложноположительных результатов. Работа открывает перспективы для внедрения объяснимого ИИ в диагностическую радиологию, особенно в кардиологии, где точность и прозрачность решений критически важны. Статья подчеркивает значимость больших языковых моделей в медицинской визуализации и предлагает практический инструмент для поддержки врачей при анализе МРТ сердца.
В исследовании оценивалась способность больших языковых моделей (GPT-4.1, Claude, Gemini) автоматически определять временные изменения (новые, улучшенные, ухудшенные, стабильные, разрешенные находки) в последовательных отчетах рентгенографии грудной клетки. На наборе данных LUNGUAGE (1500 примеров) лучший результат показала модель GPT-4.1 с few-shot стратегией промптов: точность 0.8369, макро-F1 0.7888. Авторы делают вывод, что LLM перспективны для временных клинических рассуждений, а эффективность зависит от архитектуры модели и стратегии промптов.
В исследовании разработаны и оценены модели машинного обучения (логистическая регрессия, случайный лес, XGBoost) для прогнозирования риска первого падения у пожилых пациентов с хроническими заболеваниями в Стране Басков. Модели достигли AUC 0.71, ключевыми предикторами стали визиты в отделение неотложной помощи, наличие опекуна и возраст, однако низкая точность ограничивает клиническое применение.
