Поиск

Статья исследует барьеры на пути внедрения ИИ в клиническую практику, включая отсутствие механизмов оплаты и сложности интеграции с электронными медицинскими картами. Авторы предлагают модель человекоцентричного подхода, где ИИ дополняет решения врачей при строгом надзоре и соблюдении стандартов справедливости.

Исследование сравнивает эффективность пяти LLM (включая GPT-4.1, Gemini-2.5-Flash и o3) с показателями врачей при решении открытых клинических задач. Результаты показали, что языковые модели превосходят клиницистов по точности, безопасности и структурированности ответов в условиях ограниченных ресурсов.

Исследователи представили PepCL (Peptide-MHC Continual Learning) — инновационный фреймворк непрерывного обучения, предназначенный для динамического обновления прогностических моделей взаимодействия пептидов с главным комплексом гистосовместимости (MHC) I класса. Проблема заключается в том, что традиционные модели, обученные на данных масс-спектрометрии (MS), не учитывают новые данные из других экспериментальных методов из-за технических и биологических смещений. В рамках работы также разработана модель MHCPrime — новое современное решение для пан-аллельного предсказания пептид-MHC связывания. Использование PepCL позволяет модели MHCPrime эффективно усваивать специфическую информацию из новых тестов, предотвращая «катастрофическое забывание» знаний, полученных из предыдущих наборов данных MS. Тестирование в контекстах инфекционных заболеваний и онкологии показало значительное улучшение точности предсказаний и их переносимость между различными аллелями. Это делает фреймворк критически важным инструментом для разработки персонализированных вакцин и иммунотерапии в клинических условиях по мере накопления новых иммунопептидомных данных.

В исследовании представлена инновационная аналитическая платформа Spatial Fingerprints Analytics (SFinx), предназначенная для глубокого изучения пространственной транскриптомики (ST). Методология объединяет безреференсную деконволюцию, реконструкцию активности биологических путей и пространственный функциональный анализ данных (SFDA) для картирования локализованных взаимодействий в сложных тканях. При тестировании на наборах данных 10x Visium, полученных при изучении волчаночного нефрита у мышей, SFinx успешно реконструировал непрерывные ландшафты активности путей и фенотипов заболевания в срезах почек. Использование обобщенных аддитивных моделей с тензорными сплайнами позволило количественно оценить пространственно варьирующиеся связи между волчанкой и путями активации нейтрофилов, выявив как положительные, так и отрицательные корреляции, которые невозможно обнаружить стандартными методами bulk-анализа. Платформа обеспечивает интеграцию данных из нескольких срезов, учитывая специфическую вариативность каждого участка, и позволяет идентифицировать анатомически ограниченные воспалительные домены. Данный подход представляет собой универсальный инструмент для изучения механизмов аутоиммунных, онкологических и нейродегенеративных заболеваний на молекулярном уровне.

Исследователи представили ProtSyntax — специализированную белковую языковую модель (pLLM), ориентированную на изучение посттрансляционных модификаций (PTM). В отличие от существующих методов, моделирующих сайты модификации независимо, ProtSyntax учитывает взаимосвязь между химией остатков, контекстом последовательности и трехмерной микросредой. Модель была обучена на массиве из 4,25 миллиона примеров, охватывающих 40 классов PTM, с использованием архитектуры разреженного смеси экспертов (sparse mixture-of-experts) и механизмов геометрически-управляемого внимания (geometry-gated attention). Результаты тестирования на 40 бенчмарках показали значительное превосходство над базовыми моделями: средние показатели MCC и AP выросли на 12,7% и 10,7% соответственно. ProtSyntax успешно идентифицирует перекрестные помехи (crosstalk) между модификациями, связывает изменения PTM с кинетикой ферментов и выявляет нарушения модификаций, связанные с заболеваниями. Данная разработка предоставляет интерпретируемую платформу для глубокого анализа регуляции протеома, что критически важно для разработки таргетной терапии.

В статье представлен scRepresenter — новый инструмент с открытым исходным кодом, предназначенный для решения проблем разреженности данных и гетерогенности при анализе scRNA-seq. Авторы разработали комплексный рабочий процесс, который позволяет вычислять, интегрировать и валидировать клеточные эмбеддинги, полученные как с помощью масштабных моделей-оснований (foundation models), так и через методы, опирающиеся на биологические знания. Инструментарий включает в себя интерфейс командной строки для автоматизации вычислений и интерактивное приложение Shiny для визуального сравнения различных типов репрезентаций. scRepresenter поддерживает четыре ключевые категории эмбеддингов: экспрессионные, основанные на знаниях, производные от моделей-оснований и гибридные модели. Система принимает на вход матрицу подсчета экспрессии генов по клеткам и выдает интегрированный объект, готовый к глубокому анализу. Данная разработка имеет критическое значение для изучения сложных заболеваний, таких как боковой амиотрофический склероз (БАС), позволяя исследователям более точно идентифицировать переходные состояния клеток.

Компания Raidium запускает платформу R.Read, представляющую собой AI-native решение для обнаружения поражений во всем теле и их сегментации. Система использует агентный ИИ для автоматизации долгосрочного отслеживания опухолей, что значительно снижает нагрузку на радиологов и вариативность измерений в клинических исследованиях.

В статье описывается клинический случай использования гибридной системы совмещения внутрисосудистого ультразвука (IVUS) и оптической когерентной томографии (OCT). Технология позволяет комбинировать высокое разрешение OCT с возможностями IVUS, что помогает точнее оценивать сложные поражения сосудов и снижать потребность в контрастном веществе.

В России ведется разработка инновационной ИТ-системы на базе искусственного интеллекта, предназначенной для персонализированного управления уровнем глюкозы у женщин с сахарным диабетом. Уникальность продукта заключается в мультимодальном подходе: алгоритмы будут интегрировать данные непрерывного мониторинга глюкозы (CGM) с динамическими показателями гормонального цикла, текущей медикаментозной терапией и данными об образе жизни пациентки. Это позволит учитывать специфические физиологические колебания сахара, вызванные гормональными изменениями, которые часто усложняют стандартную терапию. Внедрение системы обещает повысить точность прогнозирования гипо- и гипергликемических состояний. Технология нацелена на создание предиктивной модели, которая поможет пациентам и врачам более эффективно корректировать дозировки препаратов в зависимости от биологических ритмов организма.

Исследователи из Первого МГМУ имени И.М. Сеченова приступили к разработке инновационной интеллектуальной системы для персонализированного мониторинга гликемии у пациентов с сахарным диабетом. Ключевой особенностью разработки является интеграция алгоритмов машинного обучения, которые учитывают не только текущие показатели глюкозы, но и динамику гормональных циклов организма. Методология исследования базируется на анализе больших данных (Big Data), поступающих с систем непрерывного мониторинга глюкозы (CGM), что позволяет прогнозировать резкие скачки сахара до их фактического возникновения. Ожидается, что внедрение такой системы позволит снизить риск развития тяжелых осложнений диабета за счет более точной превентивной коррекции доз инсулина. Технология ориентирована на создание адаптивных моделей, способных подстраиваться под индивидуальные биоритмы каждого пациента, что значительно повышает точность прогнозирования по сравнению со стандартными методами. Данная разработка имеет высокую практическую значимость для эндокринологии и цифровой медицины в целом.

Фармацевтический гигант BMS приобретает суперкомпьютерную систему Nvidia DGX SuperPOD на базе архитектуры Vera Rubin для ускорения разработки лекарств. Новая инфраструктура позволит компании обучать собственные модели и проводить масштабные вычисления для анализа белков и соединений, значительно увеличивая количество тестируемых кандидатов.

В исследовании представлен FloREN — новый метод обучения представлений образцов (sample representation), предназначенный для анализа данных секвенирования РНК единичных клеток (scRNA-seq). В отличие от существующих методов обучения без учителя, FloREN использует контролируемый (supervised) подход, моделируя данные как гетерогенную сеть, объединяющую клетки, гены, регуляторные связи и механизмы межклеточной коммуникации. Использование интерпретируемых графовых трансформеров позволяет не только стратифицировать пациентов по биологическим признакам, но и проводить поиск биомаркеров с высокой точностью. Методология включает в себя создание условных эмбеддингов (condition-aware embeddings) и механизмы внимания, что обеспечивает биологическую интерпретируемость результатов. В ходе тестирования на данных пациентов с иммуноопосредованными воспалительными заболеваниями (IMIDs) фреймворк успешно выявил специфические механизмы функционирования иммунных сетей. Данная разработка имеет высокую значимость для персонализированной медицины и понимания патогенеза сложных воспалительных процессов.

В исследовании представлен инновационный фреймворк EBD-DTI, предназначенный для решения критической проблемы «холодного старта» при прогнозировании взаимодействия лекарственных препаратов с белками-мишенями. Основная сложность заключается в предсказании связей для абсолютно новых, ранее не встречавшихся в обучающей выборке молекул и белков. Авторы предложили метод эпизодического обучения, при котором случайные подмножества сущностей маскируются в процессе каждой эпохи, имитируя условия zero-shot инференса. Использование мостового локального подграфа в сочетании с многошаговой диффузией позволяет передавать реляционный контекст от известных соседей к новым объектам. Экспериментальная проверка на трех ключевых бенчмарках (BioSNAP, BindingDB и DrugBank) показала превосходство метода над существующими SOTA-решениями. В частности, применение эпизодического обучения позволило увеличить показатель AUC на величину до 12%. Данная разработка имеет высокую значимость для ускорения компьютерного поиска новых лекарственных кандидатов.

В исследовании представлена инновационная модель LGNM (Learnable Graph Network Model), предназначенная для высокоточного прогнозирования гибкости белков на уровне отдельных аминокислотных остатков. В отличие от традиционных моделей упругой сети (ENM), которые используют унифицированные коэффициенты жесткости, LGNM применяет гетерогенный подход, где параметры связей определяются физически ограниченной графовой нейронной сетью (GNN). Обучение модели проводилось на данных молекулярной динамики (RMSF-профили) для 413 белков из базы ATLAS с использованием метода разделения по суперсемействам CATH. В основе методологии лежит фреймворк квантового обучения гамильтониану (QNPDE), что позволяет эффективно вычислять градиенты. Результаты тестирования на 91 белке показали значительное превосходство: коэффициент корреляции Пирсона r составил 0,8549 для LGNM против 0,8024 у стандартной модели mENM. Данная разработка критически важна для структурной биологии и компьютерного дизайна лекарств, так как позволяет более точно моделировать динамику молекул.

В статье представлен DPCGS — инновационный вычислительный фреймворк, предназначенный для интеграции статистик полногеномного поиска ассоциаций (GWAS) с данными секвенирования РНК единичных клеток (scRNA-seq). Основная цель метода заключается в преодолении сложности связи генетических вариантов с конкретными клеточными популяциями, что критически важно для понимания механизмов сложных заболеваний. Методология DPCGS базируется на гипотезе, что гены, приоритезированные в GWAS, демонстрируют повышенную экспрессию в соответствующих целевых клетках по сравнению с контрольными группами. Бенчмаркинг на симулированных данных подтвердил, что DPCGS превосходит существующие аналоги по точности и чувствительности при идентификации релевантных типов клеток. В ходе практического применения алгоритма были выявлены ключевые клеточные субпопуляции: олигодендроциты и астроциты при болезни Альцгеймера, а также макрофаги и B-клетки при астме. Кроме того, метод позволил определить потенциальные молекулярные регуляторы, такие как транскрипционные факторы CD74, FOS, FLI1 и AP-1. Данная разработка открывает новые возможности для поиска биомаркеров и разработки таргетной терапии.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная архитектура иерархической модели на базе больших языковых моделей (LLM) с использованием технологии Retrieval-Augmented Generation (RAG) для управления диабетической болезнью почек (ДКБ). Основная цель разработки — преодоление проблемы «галлюцинаций» ИИ и обеспечение строгого соответствия актуальным медицинским протоколам. Методология включает многоуровневый процесс извлечения знаний, где модель сначала обращается к верифицированным клиническим руководствам, а затем формирует персонализированные рекомендации. Результаты показывают, что использование иерархического RAG значительно повышает точность ответов и безопасность предложенных терапевтических стратегий по сравнению со стандартными LLM. Данная технология позволяет минимизировать риски неверного назначения препаратов и обеспечивает высокую степень доверия к автоматизированным системам поддержки принятия врачебных решений. Внедрение подобных моделей в клиническую практику может существенно оптимизировать ведение пациентов с хроническими заболеваниями почек.

Разработан единый легковесный фреймворк на базе YOLOv26n и MobileNetV4 для автоматического распознавания лекарственных средств. Система объединяет детекцию таблеток, классификацию по форме/цвету и чтение надписей (OCR), что позволяет снизить риск ошибок при приеме медикаментов.

Разработан новый вычислительный фреймворк на основе машинного обучения и вложенного конформного прогнозирования для перехода к мультилейбл-классификации при малых выборках. Метод позволяет эффективно проводить подтипирование пациентов (на примере данных РНК-секвенирования рака молочной железы) с учетом неопределенности и гетерогенности образцов.

Разработана модель PLUTO на базе архитектуры YOLO11s для автоматического обнаружения полей легких на боковых рентгеновских снимках детей. Модель демонстрирует высокую точность и способность к обобщению (generalizability) при работе с рентгенограммами взрослых пациентов.