Поиск

В исследовании представлен масштабный сравнительный анализ методов отбора признаков и построения прогностических моделей на основе геномных данных, характеризующихся высокой размерностью и разреженностью. Авторы протестировали широкий спектр алгоритмов, включая классические статистические методы и современные подходы машинного обучения, на синтетических наборах данных с варьирующейся корреляцией и силой сигнала. Для практической верификации результаты были проверены на реальном когортном исследовании рака из базы данных The Cancer Genome Atlas (TCGA). Оценка проводилась по комплексному набору метрик: индексу конкордантности (C-index), F1-score, ошибке Brier score, RMSE и скорости вычислений. Исследование показало, что методы CoxBoost и Adaptive LASSO демонстрируют наиболее стабильные результаты по всем показателям, в то время как LASSO и Elastic Net наиболее эффективны при оценке конкордантности и F1-score. Результаты работы предоставляют онкологам и биоинформатикам четкие рекомендации по выбору оптимального математического аппарата в зависимости от специфических характеристик геномных данных.

Данный обзорный труд, опубликованный в журнале 'Artificial Intelligence in Medicine', посвящен исследованию роли технологий искусственного интеллекта в управлении болевыми синдромами у лиц пожилого возраста. Авторы анализируют текущее состояние применения алгоритмов машинного обучения для автоматизированной оценки интенсивности боли, что является критически важным для пациентов с когнитивными нарушениями. В работе рассматриваются различные методологии: от использования компьютерного зрения для анализа мимики лица до обработки биометрических данных и носимых устройств. Исследование подчеркивает потенциал ИИ в персонализации терапевтических стратегий и мониторинге состояния пациентов в режиме реального времени. Ключевым выводом является необходимость разработки специализированных моделей, учитывающих возрастную специфику физиологии и когнитивного статуса пожилых людей. Работа имеет высокую практическую значимость для интеграции интеллектуальных систем в гериатрическую практику и системы долгосрочного ухода.

Представлен новый биоинформатический инструмент KaryoScope, предназначенный для сверхбыстрой аннотации геномных сборок на уровне отдельных оснований. В отличие от существующих методов, которые специализируются на одном типе признаков, KaryoScope использует подход, не требующий выравнивания (alignment-free), что позволяет за считанные минуты анализировать наиболее вариабельные и клинически значимые участки: центромеры, субтеломеры и акроцентрические короткие плечи. При тестировании на сборках Human Pangenome Reference Consortium Release 2 инструмент успешно идентифицировал макросателлит SST1 в точках слияния при Робертсоновских транслокациях. Также было проведено первое в масштабах пангенома исследование структурного разнообразия макросателлита D4Z4 в субтеломерах 4q и 10q, что критически важно для диагностики фасциопанулокальбулярной мышечной дистрофии. Исследование выявило ранее не описанные полиморфизмы структуры центромер, включая хромосомно-специфичную потерю сателлитов и мегабазовые перестройки, подтвержденные методом FISH. Инструмент поставляется с готовой базой данных для человеческого генома и готов к применению в клинической генетике и сравнительном анализе пангеномов.

Исследователи представили cfMIND — инновационный фреймворк на базе машинного обучения, предназначенный для высокоточного обнаружения заболеваний через анализ метилирования внеклеточной ДНК (cfDNA) в плазме крови. В отличие от традиционных методов, которые агрегируют данные на уровне регионов и теряют важные сигналы, cfMIND работает на уровне отдельных чтений (read-level), что позволяет сохранять редкие специфические для определенных типов клеток биомаркеры. При тестировании на обширном наборе данных (n = 868) система продемонстрировала выдающуюся эффективность с показателем AUROC до 0,966. Фреймворк сохраняет высокую точность даже при сверхнизкой глубине секвенирования (0,2x) и эффективно выявляет рак на ранних стадиях. Особое внимание уделено универсальности: cfMIND работает на различных технологиях секвенирования и не требует переобучения при смене когорт. Помимо онкологии, метод показал успешность в диагностике незлокачественных заболеваний, в частности, бокового амиотрофического склероза (БАС). Функциональный анализ подтвердил, что выявленные системой признаки обогащены в ключевых регуляторных регионах, связанных с патогенезом заболеваний.

В статье представлен TorchRef — новый программный фреймворк с открытым исходным кодом, построенный на базе библиотеки PyTorch и предназначенный для макромолекулярной кристаллографической рефлексии. Ключевой особенностью разработки является использование автоматического дифференцирования для всех уточняемых параметров, включая атомные координаты, факторы смещения и оккупацию. Методология включает расчет структурных факторов на основе БПФ (FFT), моделирование объемного растворителя и использование стереохимических ограничений из библиотеки CCP4 Monomer Library. Результаты валидации на 1000 структурах из PDB показали, что TorchRef достигает медианного значения R-free в пределах 1% от эталонного ПО Phenix. При этом производительность вычислений на современных GPU превышает скорость CCTBX более чем в 100 раз. Фреймворк также позволяет реализовывать инновационные методы, такие как рефлексия моделей с временным разрешением (time-resolved crystallography) на основе разностей амплитуд, что недоступно классическим программам. Это делает TorchRef мощным инструментом для быстрого прототипирования новых методов в структурной биологии.

Данная работа представляет собой методологическое руководство по применению искусственного интеллекта для анализа данных жидкостной биопсии (LB) в онкологии. Авторы подчеркивают, что, несмотря на огромный потенциал неинвазивного обнаружения опухолевых биомаркеров, в литературе наблюдается дефицит исследований, успешно интегрирующих признаки LB с помощью ИИ. В статье предлагается структурированный подход к проектированию исследований, включая определение критериев отбора пациентов и выбор объема выборки. Особое внимание уделяется стратегиям предобработки данных: нормализации, коррекции батч-эффектов, а также методам обработки выбросов и пропущенных значений. Авторы рекомендуют использование различных алгоритмов машинного и глубокого обучения для селекции признаков с целью повышения робастности моделей. В работе также акцентируется необходимость проведения строгой внутренней и внешней валидации, а также оценки клинической применимости и интерпретируемости моделей, что является критическим фактором для их внедрения в реальную медицинскую практику.

Исследователи представили OpenBase — инновационную открытую платформу, предназначенную для стандартизации процессов генерации обучающих данных и глубокого обучения при идентификации различных неканонических оснований ДНК. Текущие методы нанопорового секвенирования ограничены лишь несколькими классическими эпигенетическими метками, что сужает возможности анализа химического разнообразия ДНК. OpenBase решает эту проблему, предлагая универсальный фреймворк для моделирования электрических сигналов, возникающих при прохождении молекул через нанопоры. Использование методов глубокого обучения позволяет достичь высокой точности распознавания на уровне единичных молекул, что критически важно для эпигенетических исследований. Данная разработка превращает нанопоровое секвенирование в широко доступный инструмент для детального изучения химической модификации генома. Внедрение OpenBase может значительно ускорить исследования в области молекулярной биологии и персонализированной медицины, предоставляя более глубокое понимание регуляторных механизмов ДНК.

Исследование посвящено изучению механизмов интерпретируемости предобученных геномных языковых моделей (gLM), в частности модели InstaDeeps Nucleotide Transformer v2 с 500 миллионами параметров. Авторы применили метод разреженных автоэнкодеров (SAE) ко всем 24 слоям энкодера для анализа латентных признаков. В ходе работы были построены графы знаний «последовательность-признак» для исследования пространства признаков SAE и проведено сравнение сообществ ДНК, связывающихся с цисплатином, и не связывающихся с ним с использованием центральности PageRank. Экспериментальные интервенции с использованием декодера и CNN-классификатора связывания показали асимметричные эффекты: подавляющие признаки могли полностью разрушить прогностический сигнал, в то время как признаки, связанные со связыванием, вызывали кумулятивный сдвиг предсказаний. Результаты доказывают, что представления gLM кодируют высокогранулярный синтаксис последовательностей и паттерны консервативности, ориентируясь на локальные биофизические ограничения, а не на сложные распределенные регуляторные логики. Это объясняет высокую эффективность моделей в молекулярных задачах при их относительной слабости в широком регуляторном выводе.

В статье представлен TAMIPAMI — инновационный экспериментальный и вычислительный фреймворк, предназначенный для быстрого поиска протоспейсер-прилежащих мотивов (PAM) и целевых прилежащих мотивов (TAM). Эти мотивы критически важны для распознавания мишеней нуклеазами CRISPR-Cas и TnpB при редактировании генома. Методология TAMIPAMI значительно упрощает процесс исследования, требуя всего одну контрольную библиотеку и одну библиотеку, обработанную Cas или TnpB, что снижает стоимость и сложность эксперимента. Разработанный авторами алгоритм позволяет определять минимальный точный набор вырожденных последовательностей IUPAC, описывающих наблюдаемые паттерны. В ходе тестирования платформа успешно восстановила канонические мотивы для широкого спектра нуклеаз, включая SpCas9, LbCas12a, AsCas12a, BrCas12b, Cas12i1 и AmaTnpB. Инструментарий доступен как в виде веб-приложения, так и в виде интерфейса командной строки, что делает его высокоэффективным решением для биоинформатического анализа и разработки новых систем генного редактирования.

Данное исследование, опубликованное в журнале npj Digital Medicine, представляет собой рандомизированное контролируемое испытание эффективности применения систем искусственного интеллекта для обнаружения колоректальных поражений в условиях частных клиник. В работе анализируется, насколько использование ИИ-ассистентов помогает эндоскопистам повысить точность выявления полипов и других патологий во время колоноскопии. Методология исследования направлена на сравнение показателей обнаружения аденом (ADR) между группами врачей, использующих ИИ-поддержку, и контрольной группой, выполняющей процедуры стандартным способом. Ожидается, что внедрение подобных технологий позволит значительно снизить риск пропуска клинически значимых поражений, что критически важно для профилактики колоректального рака. Результаты подчеркивают практическую значимость интеграции компьютерного зрения в рутинную эндоскопическую практику для повышения качества медицинского обслуживания и точности диагностики.

В исследовании представлен SynOmicsBench — первый специализированный фреймворк для сравнительного анализа методов генерации синтетических данных, адаптированный для высокоразмерных транскриптомных данных в онкологии. Авторы провели бенчмаркинг на основе трех клинических испытаний рака, оценивая методы по трем ключевым направлениям: биологическая полезность, статистическая точность и устойчивость к атакам на конфиденциальность. Результаты показали, что ни один метод не является универсальным, однако Gaussian Copula продемонстрировал наиболее сбалансированные показатели, за ним следует модель Avatar. Исследование выявило, что простая метрическая схожесть не гарантирует сохранение сложных молекулярных зависимостей. Синтетические данные успешно воспроизводят направленность биомедицинских сигналов, хотя и с ослабленным размером эффекта и повышенной вариативностью между репликами. Данная работа предлагает инструмент поддержки принятия решений для выбора оптимальных методов синтеза данных, способствуя безопасному использованию ИИ в прецизионной онкологии без нарушения приватности пациентов.

В исследовании представлен kaleidoCell — новый высокопроизводительный Python-фреймворк с GPU-ускорением, предназначенный для консенсусной нетривиальной матричной факторизации (NMF). Инструмент позволяет идентифицировать воспроизводимые мета-программы в крупных гетерогенных наборах данных секвенирования единичных клеток (scRNA-seq). При бенчмаркинге против R-пакета geneNMF kaleidoCell продемонстрировал двукратное увеличение скорости обработки данных. В качестве прикладного примера авторы использовали анализ глиобластомы при лечении панобинастатом (ингибитором HDAC). Исследование выявило, как ингибирование HDAC изменяет состояния злокачественных клеток на уровне единичных клеток, подтвердив подавление программ, схожих с нейральными и олигодендроцитарными предшественниками. Кроме того, с помощью kaleidoCell был обнаружен ранее неизвестный механизм действия панобинастата — потеря идентичности астроцитоподобных программ. Работа подчеркивает значимость новых вычислительных методов для понимания транскрипционной гетерогенности опухолей и разработки персонализированных стратегий лечения.

Представлена TransXplorer — новая бесплатная веб-платформа, предназначенная для комплексного анализа данных секвенирования РНК (RNA-seq), которая объединяет разрозненные этапы биоинформатического исследования в единый рабочий процесс. В отличие от существующих инструментов, TransXplorer позволяет пройти путь от обработки необработанных FASTQ-файлов (с использованием HISAT2 или Salmon) до клинической и фармакологической интерпретации. Платформа реализует дифференциальный анализ экспрессии генов через DESeq2, edgeR и limma-voom, а также обеспечивает автоматическое обнаружение и коррекцию батч-эффектов (пакетных эффектов) с помощью метрик PVCA, kBET и Silhouette. Важной особенностью является интеграция функционального обогащения для более чем 1800 видов, построение сетей коэкспрессии (WGCNA), деконволюция типов клеток и предсказание транскрипционных факторов. Система позволяет связывать генные сигнатуры с потенциальными лекарственными препаратами через базы DGIdb и OpenTargets, а также проводить анализ выживаемости на когортах TCGA. Тестирование на наборах данных GSE151427 и TCGA-KIRP подтвердило точность коррекции батч-эффектов и способность платформы идентифицировать клинически значимые гены и терапевтические мишени.

В исследовании представлен комплексный бенчмарк эффективности белковых языковых моделей (PLM), таких как ESM2 (650M и 3B параметров) и ProtT5-XL, для предсказания номеров Enzyme Commission (EC), что критически важно для аннотации геномов и биоинженерии. Авторы протестировали 1296 моделей, комбинируя три архитектуры PLM с девятью нейросетевыми архитектурами на четырех уровнях иерархии EC и различных порогах идентичности последовательностей. Результаты показали, что простые MLP-классификаторы достигают точности до 98.0% на уровне EC1 и около 97.0% на уровне EC4, сопоставимо с BLAST для белков из обучающей выборки. Однако при работе с эволюционно отдаленными эукариотами (например, Giardia lamblia) модели на базе PLM показали колоссальное превосходство над BLAST, увеличив точность на 31.8 процентных пункта по сравнению с базовой линией в 90 тысяч последовательностей. Для прокариотических протеомов среднее преимущество PLM перед BLAST составило +16.9 процентных пункта на уровне EC4. Исследование также выявило, что архитектура MLP является наиболее эффективной, а использование ESM2-650M практически не уступает по результатам значительно более крупной модели ESM2-3B.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная методика оценки биомеханических свойств роговицы для раннего выявления кератоконуса. Авторы предложили использовать архитектуру Video Swin Transformer — передовую нейросетевую модель, способную анализировать пространственно-временные паттерны в видеоданных. Методология включает многомасштабную валидацию, позволяющую сопоставить результаты ИИ с традиционными клиническими показателями. Ключевым результатом является высокая точность модели в дифференциации здоровых тканей от тканей с патологическими изменениями, что критически важно для пациентов группы риска. Применение данного ИИ-решения позволяет автоматизировать сложный процесс биомеханического анализа, повышая точность диагностики на ранних стадиях заболевания. Это открывает новые возможности для персонализированного мониторинга состояния роговицы в офтальмологической практике.

В исследовании представлена инновационная модель глубокого обучения под названием GMAP, предназначенная для точного и быстрого прогнозирования молекулярных изменений в глиомах. Методология исследования основывается на многоцентровом ретроспективном анализе, что подтверждает надежность и масштабируемость предложенного подхода. Ключевым преимуществом GMAP является высокая интерпретируемость: анализ внимания модели (interpretability analysis) позволяет выявить конкретные признаки, на которые опирается ИИ при принятии решений. Это критически важно для повышения доверия врачей и успешного внедрения технологии в клиническую практику. Разработка представляет собой технически осуществимый и потенциально экономически эффективный метод диагностики, особенно актуальный для медицинских учреждений с ограниченными ресурсами. Использование модели позволяет автоматизировать сложный процесс идентификации биомаркеров, сокращая время постановки диагноза.

В статье рассматривается преодоление технологического барьера в патоморфологии благодаря массовой оцифровке медицинских данных. Авторы отмечают, что в то время как электронные медицинские карты и визуализация уже активно используют ИИ, патологические исследования долгое время отставали из-за отсутствия цифровых форматов. На текущий момент оцифровано более 100 000 слайдов, окрашенных гематоксилином и эозином, что открывает путь к созданию универсальных базовых моделей (foundation models). Эти модели способны генерировать общие векторные представления признаков (feature embeddings) непосредственно из патологических изображений. Основная цель применения таких технологий — прогнозирование молекулярных сигнатур глиом на основе цифровых гистологических слайдов. Это позволит автоматизировать сложный процесс молекулярного профилирования, делая диагностику опухолей головного мозга более быстрой и доступной.

Данный обзор представляет ключевые события в области применения искусственного интеллекта в медицине за неделю с 10 по 16 мая 2026 года. В центре внимания — масштабная сделка фармацевтического гиганта Roche, который приобрел разработчика ИИ-решений для цифровой патологии, потратив на это более 1 млрд долларов США. В США было получено официальное одобрение первой специализированной ИИ-платформы, предназначенной для оценки рисков метастазирования у пациенток с раком молочной железы. Также рассматривается инновационная китайская система Digital Aging Twin, использующая технологии для определения биологического возраста внутренних органов. Кроме того, в материале анализируются причины, по которым высокоточные ИИ-системы зачастую сталкиваются с трудностями при внедрении в реальную клиническую практику. Обзор охватывает широкий спектр тем: от крупных инвестиций до проблем интеграции технологий в медицинские протоколы.

Исследователи представили инновационную платформу MPDR (Machine learning-based Personalized Dietary Recommendation), предназначенную для решения проблемы персонализации питания через управление микробиомом. Основная сложность заключается в непредсказуемости взаимодействия диеты и микробиоты из-за уникальности каждого организма. Предложенный метод использует машинное обучение для неявного изучения этих взаимодействий на основе данных о составе микробиома и рационе питания крупной когорты участников. Обученная модель способна предсказывать изменения микробного состава при изменении потребляемых продуктов. Для формирования рекомендаций авторы используют метод оптимизации, который подбирает диету для достижения целевых показателей микробиоты. Валидация системы проводилась как на синтетических данных, созданных с помощью моделей «потребитель-ресурс», так и на реальных данных исследований ассоциаций диеты и микробиома. Результаты подтверждают высокий потенциал использования ИИ для создания прецизионных планов питания, направленных на улучшение здоровья через коррекцию микробиома.