Поиск

В статье представлен ConfSeq — инновационный язык описания молекулярных конформаций, разработанный для интеграции трехмерных структур в архитектуры больших языковых моделей (LLM). Исследователи из группы Xiong et al. предложили методологию, которая позволяет переводить сложные пространственные данные о молекулах в текстово-подобные последовательности, понятные для ИИ. Это открывает новые возможности для решения критически важных задач: предсказания конформеров, генерации новых трехмерных молекулярных структур и создания эффективных молекулярных представлений. Применение ConfSeq позволяет моделям выполнять задачи молекулярного моделирования с высокой точностью, сопоставимой с узкоспециализированными графовыми нейросетями. Данная разработка имеет фундаментальное значение для компьютерного дизайна лекарств (CADD) и ускорения разработки новых терапевтических агентов. Технология фактически устраняет разрыв между методами обработки естественного языка и структурной биохимией.

В статье рассматривается критическая роль синтетических наборов данных в разработке моделей машинного обучения для биомедицины. Авторы, включая Victoriano et al., анализируют проблему «разрыва между симуляцией и реальностью» (simulation-to-reality gap), которая ограничивает способность моделей, обученных на синтетике, показывать высокие результаты в реальных клинических условиях. Исследование фокусируется на методологиях преодоления этого разрыва для повышения точности прогнозов. Основное внимание уделяется тому, как переход от чисто виртуальных экспериментов к получению глубоких биомедицинских инсайтов может трансформировать процесс разработки ИИ-решений. Работа подчеркивает, что без решения проблемы соответствия распределений данных между симуляцией и практикой, внедрение синтетических данных в медицину будет ограничено. Это имеет решающее значение для создания надежных диагностических систем, минимизирующих риски при переходе от лабораторных тестов к реальным пациентам.

В данном исследовании проводится критический анализ применимости универсальных базовых моделей (foundation models) для прогнозирования медицинских временных рядов. Авторы исследуют, способны ли масштабные предобученные модели демонстрировать высокую точность в специфических клинических задачах по сравнению со специализированными архитектурами. Методология включает тестирование различных моделей на наборах данных, представляющих различные медицинские сценарии, с акцентом на точность прогнозирования физиологических показателей. Ключевым результатом является оценка способности моделей к переносу знаний (transfer learning) и их устойчивости к шуму в медицинских данных. Исследование подчеркивает, что, несмотря на потенциал универсальных моделей, клиническая практика требует тонкой настройки для достижения высокой точности, необходимой для принятия медицинских решений. Результаты работы имеют критическое значение для разработки систем интеллектуального мониторинга пациентов в реальном времени.

Данное исследование, опубликованное в журнале npj Artificial Intelligence, представляет инновационный метод оптимизации обучения в контексте (In-Context Learning, ICL) для биомедицинских задач. Авторы предлагают использовать субмодулярную оптимизацию для отбора наиболее информативных и разнообразных примеров из обучающего набора, что позволяет значительно снизить потребность в объеме данных без потери точности моделей. Методология фокусируется на максимизации разнообразия контекстных примеров, что критически важно для специфических медицинских доменов с ограниченными наборами данных. В работе демонстрируется, что предложенный подход позволяет достигать сопоставимых или превосходящих результатов по сравнению с полномасштабным обучением, используя лишь малую часть доступных биомедицинских данных. Это имеет высокую практическую значимость для разработки специализированных медицинских ИИ-систем, где сбор и разметка экспертных данных обходятся дорого. Результаты исследования открывают путь к созданию более эффективных и адаптивных моделей для диагностики и анализа медицинских текстов и изображений.

Исследователи представили TifBERT — инновационную самообучающуюся архитектуру (foundation model), предназначенную для анализа данных секвенирования РНК (bulk RNA-seq) во всем транскриптоме. В отличие от существующих методов, которые полагаются на дискретизацию экспрессии или ограниченные наборы генов, TifBERT использует уникальный метод упорядочивания генов на основе TF-IDF, превращая неупорядоченные профили экспрессии в последовательности для трансформера. Модель обучалась методом маскированного моделирования генов на гармонизированных данных TCGA Pan-Cancer, охватывающих пять различных схем нормализации. В ходе тестирования на 33 типах рака TifBERT продемонстрировал точность 90,83%, показатель AUC-ROC 0,996 и MCC 0,903. Модель успешно улавливает биологию на уровне путей, достигая корреляции Пирсона 0,762 по 1387 активностям путей PARADIGM. Важным преимуществом является высокая стабильность к различным методам нормализации и способность сохранять структуру транскриптома даже на здоровых тканях (GTEx) без переобучения. TifBERT обеспечивает значительно более богатую геометрию эмбеддингов (эффективный ранг 95,6 против 6,3 у аналогов), что делает его масштабируемым инструментом для трансляционной геномики.

Исследователи представили TMO (Temporal Multi-Omics) — инновационную архитектуру глубокого обучения, предназначенную для анализа временной динамики между доступностью хроматина (ATAC) и экспрессией генов (RNA). В отличие от существующих симметричных моделей, TMO использует механизм асимметричного кросс-модального внимания, что позволяет учитывать направленную связь и специфические временные задержки (regulatory lags), зависящие от текущего состояния клетки. Методология включает проекцию данных в латентные компоненты и использование двухпроходного трансформера с априорным смещением задержки, полученным через скользящую кросс-корреляцию. Тестирование на четырех наборах данных 10x Multiome (мозг и почки мышей, мозг и PBMC человека) показало выдающиеся результаты: показатели согласованности задержек (LCS) достигли 0.988–0.999 против 0.048–0.108 у симметричных моделей. Модель успешно выявила смену режимов регуляции: от ATAC-ведущего прайминга на ранних этапах развития до RNA-ведущей регуляции на поздних стадиях. Валидация через ChIP-seq и Perturb-seq (включая нокауты SMARCB1 и SMARCE1) подтвердила биологическую значимость выявленных паттернов, что делает TMO мощным инструментом для изучения механизмов клеточной дифференцировки и развития.

Компания Tempus AI представила результаты успешной многоцентровой валидации своего программного обеспечения, использующего искусственный интеллект для анализа электрокардиограмм (ЭКГ). Основная цель разработки — высокоточное прогнозирование риска развития фибрилляции предсердий, одного из наиболее опасных нарушений сердечного ритма. Исследование, результаты которого были опубликованы в профильном научном издании Heart Rhythm, подтверждает клиническую эффективность модели при использовании в различных медицинских учреждениях. Технология позволяет выявлять скрытые паттерны в данных ЭКГ, которые недоступны для традиционного визуального анализа врачами. Внедрение данного ИИ-решения в клиническую практику может значительно улучшить раннюю диагностику и стратегии профилактики сердечно-сосудистых осложнений. Данная валидация является важным шагом на пути к широкому коммерческому и медицинскому применению продукта в рамках прецизионной медицины.

Исследование сравнивает две современные модели (TriG-NER и DocDiscNER) для распознавания сложных, фрагментированных медицинских терминов. Результаты показывают, что генеративные модели лучше справляются с длинными документами, в то время как графовые архитектуры эффективнее на уровне предложений.

Систематический обзор демонстрирует стремительный рост использования ИИ в обучении студентов-медиков, особенно через виртуальных пациентов на базе LLM. Основные направления включают симуляцию клинического мышления, оценку навыков OSCE и обучение работе с электронными медицинскими картами.

В исследовании представлена архитектура ансамбля глубокого обучения (ResNet50V2, DenseNet121, InceptionV3) для автоматической классификации цитологических изображений на доброкачественные и злокачественные. Наилучшие результаты показал ансамбль ResNet + DenseNet с использованием аугментации данных, достигнув точности 96.2% на локальном наборе данных.

В статье рассматривается проблема разрыва между разработкой прогностических моделей ИИ и их реальным внедрением в клиническую практику. Авторы предлагают методологию «пре-моделирования», которая включает раннее вовлечение стейкхолдеров, учет регуляторных норм и этических аспектов для создания инструментов, приносящих реальную пользу пациентам.

Исследование оценивает способность пяти современных языковых моделей (включая GPT-5 и GPT-4o) решать клинические задачи, связанные с лечением болей в пояснице. Авторы выявили критические ошибки в безопасности и полноте ответов, а также доказали, что структурированный промпт-инжиниринг может значительно улучшить качество медицинских рекомендаций ИИ.

Исследование представляет два инновационных подхода для преодоления вычислительного барьера при скрининге гигантских химических библиотек, объем которых превышает 100 миллиардов соединений. Авторы разработали фреймворк CombiDOCK, позволяющий проводить исчерпывающий комбинаторный докинг такого масштаба всего за 40 дней, что в разы эффективнее традиционных методов. Вторым методом стал MINT-Dock — генеративная система, интегрирующая CombiDOCK с поиском по дереву Монте-Карло (MCTS), что ускоряет навигацию по химическому пространству. Тестирование на 46 различных мишенях показало, что MINT-Dock обеспечивает 4800-кратное обогащение по сравнению со случайным отбором. В сравнении с предыдущими кампаниями по скринингу миллиардных библиотек, методы продемонстрировали более высокие показатели hit rate и получение более мощных лигандов. При этом MINT-Dock позволил сократить вычислительные затраты более чем в 20 раз при сохранении сопоставимой эффективности. Валидация результатов проводилась с помощью криоэлектронной микроскопии (cryo-EM), подтвердившей точность предсказанных поз связывания для соединений мишени VAChT.

В исследовании представлена Promera — инновационная унифицированная генеративная модель, объединяющая полноатомное предсказание структуры с возможностями контролируемого дизайна и эффективной фильтрации биомолекул. Основная проблема существующих инструментов заключается в низкой способности фильтровать спроектированные связывающие агенты (binders), что решает новая архитектура. Методология Promera позволяет генерировать связывающие белки путем предсказания маскированных последовательностей с использованием ограничений по эпитопам, паратопам и шаблонам. Результаты тестирования показали, что метрики уверенности Promera значительно точнее отличают связывающие молекулы от неактивных как для минибелков, так и для нанотел. В тестах на ко-фолдинг модель превзошла популярные open-source решения, такие как OpenFold3-p2 и Boltz-2, в терапевтически значимых категориях. В качестве демонстрации авторы успешно применили метод для таргетирования гликопротеина вируса Ханта (Andes hantavirus) и стабилизации активного состояния бета-2 адренорецепторного GPCR. Исследование также предлагает закон масштабирования (scaling law) для моделей ко-фолдинга, определяя вектор дальнейшего развития отрасли.

Исследователи представили HoloCell — первую в своем роде генеративную базовую модель (foundation model), предназначенную для совместного обучения представлениям и генеративного моделирования трех основных типов одноцепочечных омиксных данных: эпигеномики, транскриптомики и протеомики. Модель обладает колоссальным масштабом, содержая более 860 миллионов параметров, и прошла предварительное обучение на Human-Multi-Omics-Corpus, который включает около 468 миллионов профилей отдельных клеток и более 425 миллиардов токенов. В основе HoloCell лежит иерархическая стратегия токенизации, которая кодирует цис-регуляторные элементы, гены и белки как структурированные токены в единой архитектуре. Благодаря использованию механизмов итеративной диффузии и ремаскирования, модель демонстрирует превосходные результаты в задачах интеграции парных и непарных омиксных данных, а также в кросс-модальной генерации. HoloCell позволяет осуществлять in silico симуляцию потоков мультиомиксной информации, что делает её ключевым инструментом на пути к созданию концепции «виртуальной клетки». Это достижение открывает новые горизонты для системной характеризации клеточной гетерогенности и глубокого понимания биологических процессов на молекулярном уровне.

В исследовании представлен новый легковесный классификатор на базе сверточных нейронных сетей (CNN) для прогнозирования функций терапевтических пептидов напрямую из их аминокислотных последовательностей. Авторы использовали самую обширную на данный момент базу данных, включающую 54 655 пептидов, распределенных по 48 функциональным категориям. Ключевым инновационным методом стала стратегия негативной выборки на основе марковских моделей, позволяющая генерировать синтетические «ловушки» (decoys) различного уровня сложности. При тестировании на контрольном наборе данных частота ложноположительных результатов (FRP) была снижена с более чем 60% у предыдущих моделей до впечатляющих 2,1%. Ансамбль из пяти моделей достиг показателей Micro F1 78,9% и Macro F1 54,6%, при этом модель в 4 раза эффективнее по количеству параметров, чем существующие аналоги, и способна предсказывать в 4 раза больше функций. Анализ через L1-регуляризацию подтвердил, что нейросеть выявляет биологически значимые консервативные мотивы, что делает метод пригодным для ускорения дизайна новых лекарственных препаратов.

Обзор посвящен роли государственных суперкомпьютерных мощностей в трансформации биомедицинских исследований, включая онкологию и геномику. Особое внимание уделяется созданию национальных ИИ-моделей, таким как проект Великобритании по созданию вакцин против рака, а также вопросам управления данными и этики.

Разработан новый метод глубокого обучения (на базе ResU-Net) для точного совмещения изображений кожи, полученных в разных спектрах (видимом, NIR и тепловом). Исследование представляет первый в своем роде набор данных из 155 триплетов изображений поражений кожи, подтвержденных дерматологами.

Исследование оценивает способность модели GPT-4o рекомендовать тип интраокулярной линзы (ИОЛ) на основе данных 74 пациентов. Результаты показали высокую точность при выборе монофокальных линз, но низкую эффективность в сложных случаях (трифокальные линзы), что указывает на необходимость дообучения модели.