Поиск

Стартап Pinnacle Medicines использует платформу на базе искусственного интеллекта и физического моделирования для проектирования пептидных молекул с улучшенной биодоступностью при пероральном приеме. Компания планирует применять свои технологии для разработки лекарств от ожирения, сердечно-сосудистых заболеваний и заболеваний дыхательных путей.

Статья рассматривает проблему гендерного дисбаланса в медицинских данных, который приводит к ошибкам в работе алгоритмов и диагностических инструментов. В тексте подчеркивается важность внедрения новых стандартов разработки цифровых технологий, обеспечивающих репрезентативность данных для женщин во всех областях медицины, а не только в репродуктивном здоровье.

Статья посвящена стартапу Health Universe, который создает инфраструктурный уровень («песочницу») для безопасного развертывания ИИ-агентов в медицинской среде. CEO компании Дэн Карон объясняет стратегию создания защищенной и регулируемой платформы для медицинских организаций, стремясь стать ключевым инфраструктурным игроком в индустрии.

Данное исследование представляет собой систематический обзор литературы (scoping review), посвященный методологии использования данных реальной клинической практики (Real-World Data, RWD) для оценки эффективности мобильных медицинских приложений (mHealth). Авторы анализируют, как данные, собираемые непосредственно в процессе повседневного использования приложений пациентами, могут заменить или дополнить традиционные клинические испытания. В работе рассматриваются различные источники данных, включая сенсоры смартфонов, показатели активности и отчеты пациентов, которые позволяют отслеживать динамику состояния здоровья в режиме реального времени. Основное внимание уделяется методологическим вызовам, таким как обеспечение качества данных, их интеграция в электронные медицинские карты и статистическая достоверность полученных результатов. Исследование подчеркивает, что использование RWD может значительно ускорить процесс оценки цифровых терапевтических решений и снизить стоимость клинических исследований. Результаты работы имеют высокую значимость для разработчиков mHealth-решений и регуляторов, стремящихся внедрить цифровые инструменты в стандартную медицинскую практику на основе доказательной базы.

Исследование посвящено разработке персонализированной системы искусственного интеллекта для оценки фракции выброса левого желудочка (ФВЛЖ) и выявления систолической дисфункции сердца. Работа опубликована в журнале npj Digital Medicine издательства Nature, который специализируется на цифровых технологиях в медицине. Методология исследования включает применение алгоритмов машинного обучения для анализа медицинских изображений сердца, вероятно с использованием эхокардиографии или МРТ. Персонализация подхода предполагает адаптацию модели к индивидуальным особенностям каждого пациента, что повышает точность диагностики. Ключевая значимость работы заключается в потенциальном снижении вариабельности между разными врачами-кардиологами и ускорении процесса диагностики сердечной недостаточности. Применение ИИ в кардиологии особенно актуально в условиях нехватки квалифицированных специалистов и роста сердечно-сосудистых заболеваний в мире. Статья опубликована 8 апреля 2026 года, что делает её максимально актуальным материалом для специалистов в области цифровой медицины.

Компания Ambience Healthcare представила новый инструмент Chart Chat — искусственный интеллектуальный помощник, встроенный непосредственно в систему электронных медицинских карт (EHR). Продукт разработан специально для медсестёр, чтобы упростить работу с медицинской документацией и улучшить понимание клинической картины пациентов. Инструмент прошёл пилотное тестирование в Cleveland Clinic, где медсёстры оценили его полезность в повседневной работе. По словам Танхи Кабир, руководителя продукта в Ambience Healthcare, использование Chart Chat помогает медперсоналу формировать более полное и уверенное понимание состояния пациентов. Интеграция с EHR позволяет ИИ-копилоту работать непосредственно в существующем рабочем процессе медсестёр без необходимости переключения между системами. Решение направлено на снижение административной нагрузки на медицинский персонал и повышение качества взаимодействия с пациентами. Запуск продукта знаменует собой важный шаг в развитии ИИ-технологий для поддержки клинических работников в реальных условиях больничной практики.

Исследование посвящено оценке перехода на новую версию программного обеспечения FoldX5.1 в рамках структуры MAVISp — многоуровневой системы для структурного анализа миссенс-вариантов белков. Стабильность белка является одним из ключевых аналитических слоёв этой системы, используемой для механистической интерпретации генетических вариантов с клиническими последствиями. Методология включала сравнение предсказанных изменений свободной энергии сворачивания для 539 809 общих вариантов в 119 белках между версиями FoldX5 и FoldX5.1. Ключевые результаты показали высокую общую согласованность: среднее значение коэффициента корреляции Пирсона составило 0.933, а средний коэффициент Коэна — 0.814. Большинство белков продемонстрировали сильную конкордантность, при этом только три белка (NUPR1, TSC1 и TMEM127) показали слабое согласие, что было связано с низким доверием AlphaFold2 к предсказанию структуры в этих случаях. Отсутствие систематической междоменной смещённости подтверждает возможность внедрения FoldX5.1 без компромиссов в совместимости с существующими записями. Для плавного перехода будет установлен переходный период, в течение которого существующие записи сохранят аннотации FoldX5 до ежегодного обновления, а новые данные будут обрабатываться с использованием FoldX5.1. Добавление версии FoldX как новой метаданных аннотации в базу MAVISp обеспечит прозрачность и воспроизводимость результатов в долгосрочной перспективе.

Исследование представляет интегрированный подход к виртуальному скринингу для идентификации новых агонистов рецептора глюкагоноподобного пептида-1 (GLP-1R), ключевого терапевтического мишени при диабете и ожирении. Авторы разработали консенсус-стратегию, объединяющую лиганд-ориентированные дескрипторы, мульти-отпечатки сходства, электростатическое сходство, фармакофоровое моделирование и многоконформационный докинг. Методология позволила выявить три химически различных класса кандидатов-агонистов GLP-1R: непептидную молекулу GQB47810, пептид нейромедицина C и малый пептид 2,5-Pen-enkephalin (DPDPE). В ходе экспериментальной проверки DPDPE показал наибольшую эффективность, достигнув значений, сравнимых с GLP-1, хотя с меньшей потенцией. Дальнейшая in vitro характеризация подтвердила, что пентептид пент-энкефалин действует как полный агонист и демонстрирует двойную активацию GLP-1R/GIPR. Найденные результаты устанавливают переносимую вычислительную рамку для открытия разнообразных по химическому типу агонистов у конформационно гибких мишеней GPCR. Это исследование представляет значимый вклад в разработку новых терапевтических средств против метаболических заболеваний, расширяя химическое разнообразие лигандов GLP-1R за пределы пептидных агонистов.

Представлен CoLa-VAE — новый глубокий генеративный фреймворк на основе вариационного автокодировщика (VAE), который явно интегрирует ограничения межклеточной коммуникации (CCC) в обучение латентных переменных. В отличие от существующих подходов, моделирующих клеточное состояние исключительно через внутреннюю экспрессию генов, метод использует динамическую регуляризацию графового лапласиана, полученную из парных взаимодействий лиганд-рецептор. Это позволяет разделить коммуникативную топологию от транскрипционной гетерогенности в рамках единой архитектуры. Исследователи продемонстрировали, что CoLa-VAE работает как метод-агностичный фреймворк, совместимый с различными определениями сигнальных путей. Метод последовательно превосходит современные аналоги в метриках структурной кластеризации и точности шумоподавления на гетерогенных платформах секвенирования. Применение метода позволяет более точно анализировать клеточные взаимодействия, что критически важно для понимания механизмов развития заболеваний, разработки таргетных терапий и персонализированной медицины. Технология может быть использована при исследовании опухолевой микроокружения, иммунных ответов и регенеративных процессов.

Компания eMed, специализирующаяся на телемедицинских услугах для работодателей, привлекла $200 миллионов в новом раунде финансирования, что оценивает её в $2 миллиарда. Ключевой особенностью компании является её платформа на основе ИИ-агентов, которая автоматизирует различные процессы в сфере здравоохранения. Финансирование будет направлено на расширение платформы и разработку новых моделей обслуживания для корпоративных клиентов. Особое внимание уделяется программам, связанным с лекарствами GLP-1, которые используются для лечения ожирения и диабета 2 типа. ИИ-агентная платформа позволяет автоматизировать процессы назначения, мониторинга и управления терапией пациентов. Это решение может значительно снизить операционные расходы работодателей и улучшить доступность медицинской помощи для сотрудников. Успешное привлечение инвестиций свидетельствует о растущем интересе рынка к интеграции искусственного интеллекта в телемедицинские сервисы. Компания занимает значимую нишу на рынке цифрового здравоохранения, сочетая телемедицину с передовыми технологиями машинного обучения.

Исследование оценило надежность ChatGPT в предоставлении информации о синдроме поликистозных яичников (СПКЯ). Медицинские работники из 14 стран оценили ответы ChatGPT выше, чем доказательные онлайн-рекомендации, по 11 из 12 вопросов. AI демонстрирует потенциал как вспомогательный инструмент для самообразования пациентов.

Статья описывает подход Mass General Brigham к внедрению ИИ-инструментов в медицинскую практику с акцентом на доказательства и реальное влияние. Система использует Microsoft Copilot для помощи клиницистам и создала безопасный доступ к большим языковым моделям, включая ИИ-агента для автоматического суммирования медицинских записей пациентов перед визитом.

Исследователи представили ClumPyCells — новый статистический фреймворк для анализа пространственной организации клеток в тканях с коррекцией на морфологические различия. Ключевая проблема, которую решает инструмент: различия в размерах клеток вводят значительные смещения при количественной оценке агрегации клеток или их молекулярных признаков, что может приводить к ошибочным интерпретациям данных пространственной транскриптомики и протеомики. Методология включает алгоритмы, позволяющие измерять агрегацию клеток и маркеров в ткани, одновременно корректируя влияние размера морфологии и исключая мешающие типы клеток или не связанные с исследованием области ткани. Валидация проводилась на нескольких типах опухолей, включая меланому и колоректальный рак, демонстрируя способность инструмента выявлять новые паттерны и структуры ткани без морфологических помех. Это имеет практическое значение для онкологических исследований, где точное понимание пространственной организации клеток критично для понимания развития опухоли, гомеостаза и патогенеза заболеваний. Инструмент позволяет исследователям интерпретировать пространственную агрегацию, обходя помехи от интерферирующих типов клеток.

Компания Viz.ai представила новый инструмент Viz Agent Studio, который позволяет организациям переводить клинические руководства в рабочие процессы и масштабировать их по всей системе здравоохранения с использованием естественного языка. Технология использует искусственный интеллект для автоматизации процесса трансформации клинических протоколов в цифровые алгоритмы, что упрощает внедрение стандартизированных медицинских практик. Инструмент предназначен для больниц и медицинских сетей, стремящихся унифицировать подходы к лечению и повысить эффективность клинических решений. Функция масштабирования «across the enterprise» указывает на возможность развертывания решения в крупных медицинских системах с множеством подразделений. Использование естественного языка для взаимодействия снижает барьер входа для медицинских специалистов, не обладающих техническими навыками программирования. Это решение относится к категории клинических систем поддержки принятия решений (CDSS), которые становятся всё более востребованными в современной медицине для снижения врачебных ошибок и улучшения исходов лечения.

GraphHDBSCAN* — это новый алгоритм машинного обучения для кластеризации данных одноячеистого секвенирования РНК (scRNA-seq), широко используемого в биомедицинских исследованиях для анализа клеточного разнообразия. Метод представляет собой иерархическое расширение HDBSCAN*, которое работает непосредственно с графовой структурой данных, устраняя необходимость в ручной настройке гиперпараметров. В отличие от существующих подходов, фокусирующихся на плоских кластерах, GraphHDBSCAN* сохраняет иерархическую организацию клеток, выявляя как широкие типы клеток, так и их специализированные подтипы. Исследователи протестировали метод на множестве наборов данных scRNA-seq и продемонстрировали, что алгоритм восстанавливает биологически значимые иерархии, включая тонкую структуру субпопуляций моноцитов. Метод обеспечивает высококачественные плоские кластеризации, превосходящие широко используемые методы обнаружения сообществ. GraphHDBSCAN* особенно важен для онкологических исследований, иммунологии и разработки персонализированных терапий, где точное определение клеточных популяций критично для понимания механизмов заболеваний и оценки ответа на лечение.

Исследование представляет FoundedPBI — ансамблевый подход глубокого обучения для предсказания взаимодействий бактериофагов с бактериями на основе ДНК-последовательностей. Методология использует ансамбль из трёх современных ДНК-языковых моделей (Nucleotide Transformer v2, DNABERT-2, MegaDNA), обученных на прокариотических и бактериофаговых геномах, с агрегацией выходов в единый мета-эмбеддинг и последующей классификацией нейросетью. Ключевые результаты: на бенчмарке PredPHI модель достигла F1-оценки 76%, превзойдя текущий state-of-the-art PBIP на 7%, а на внутреннем наборе данных CI4CB — 93% F1-оценка, улучшив предыдущие методы на 4%. Особый вклад — адаптация стратегий агрегации контекста NLP для обработки целых бактериальных и фаговых геномов до 5 млн пар оснований, что в 50-100 раз превышает контекстные окна фундаментальных моделей (12-96K bp). Это критически важно для ускорения открытия пар фаг-бактерия, необходимых для фаговой терапии как альтернативы антибиотикам. Практическая значимость: метод снижает трудоёмкость экспериментального скрининга, позволяя предсказывать совместимость пар по ДНК-последовательностям без лабораторных тестов, что может революционизировать разработку персонализированных фаговых препаратов.

Компания Insilico Medicine, специализирующаяся на разработке лекарств с использованием искусственного интеллекта, подписала коммерческое соглашение с фармацевтическим гигантом Eli Lilly. Сделка предусматривает первоначальный платеж в размере $115 миллионов и потенциальные дополнительные выплаты до $2,75 миллиарда в зависимости от достижения различных этапов разработки и коммерциализации. Это соглашение представляет собой одну из крупнейших сделок в области ИИ-фармацевтики и демонстрирует коммерческую валидацию технологий искусственного интеллекта в процессе открытия и разработки новых лекарственных препаратов. Партнёрство позволяет Lilly получить доступ к платформе Insilico для генерации новых молекул и ускорения доклинических исследований, что традиционно занимает годы. Успех такого сотрудничества подтверждает растущий интерес крупных фармацевтических компаний к интеграции машинного обучения в процессы drug discovery.

Исследование представляет scMagnifier — фреймворк консенсус-кластеризации для анализа данных одноядерного секвенирования РНК (scRNA-seq), который решает проблему выявления тонких подтипов клеток, чьи транскрипционные различия часто маскируются техническим шумом и разреженностью данных. Методология включает генерацию in silico возмущений кандидатных транскрипционных факторов (TF), распространение эффектов возмущений через кластер-специфичные сети регуляции генов (GRN) для симуляции профилей экспрессии после возмущения, и интеграцию результатов кластеризации across множественных возмущений в стабильные назначения подтипов. Дополнительно разработан rpcUMAP — визуализация, aware возмущений, обеспечивающая четкое разделение между подтипами клеток и помогающая выбрать оптимальное число кластеров. В бенчмарках как для single-batch, так и multi-batch данных scMagnifier последовательно улучшает разрешение и точность идентификации тонких типов клеток. При интеграции со методами пространственной кластеризации, такими как STAGATE, метод совместим с рабочими процессами пространственной транскриптомики и эффективно выявляет подтипы опухолевых клеток и их пространственную организацию в раке яичников. Это имеет значимость для персонализированной онкологии, позволяя точнее классифицировать опухолевые популяции для таргетной терапии.

Nextstrain — это онлайн-платформа для автоматизированного генетического надзора за 21 вирусом и бактериальным патогеном Mycobacterium tuberculosis, обеспечивающая непрерывное обновление данных в реальном времени. Система автоматически выполняет цепочку операций: получение и курирование открытых последовательностей генома, классификация по установленным номенклатурным системам, филодинамический анализ и публичная публикация результатов. Большинство анализов выполняются ежедневно, предоставляя актуальные снимки эволюции патогенов. Платформа использует исключительно открытые данные последовательностей, что делает её доступной для научного сообщества. Все исходные коды доступны на GitHub, результаты визуализации и скачивания — на nextstrain.org/pathogens, а открытые данные и метаданные размещены в отдельном каталоге файлов. Такой подход позволяет общественному здравоохранению получать почти мгновенную информацию об эволюционных и эпидемиологических динамических процессах, что критически важно для принятия своевременных и целенаправленных мер по контролю заболеваний. Платформа демонстрирует, как автоматизация и машинное обучение могут трансформировать эпидемиологический надзор и реагирование на вспышки инфекционных заболеваний.