Поиск

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.

В исследовании представлен s2f-agent — инновационная система оркестрации на базе ИИ-агентов, предназначенная для решения проблемы фрагментации в области геномных моделей Sequence-to-Function (S2F). Основная проблема текущих моделей заключается в несовместимости входных и выходных данных, а также различных средах выполнения, что затрудняет их практическое применение. Авторы разработали систему, которая использует канонические ключи ввода, специализированные сценарии (playbooks) и нормализованные контракты для объединения рабочих процессов. s2f-agent успешно интегрирует 11 передовых моделей, включая AlphaGenome, Borzoi и Evo 2, переводя открытые геномные запросы в воспроизводимый и исполняемый анализ. Валидация системы через строгую оценку маршрутизации и обоснованности (groundedness) подтвердила способность агента эффективно устранять разрыв между сложными архитектурами моделей и реальными потребностями исследователей. Это решение превращает разрозненную экосистему в доступный операционный слой для высокоточных биоинформатических исследований.

В данном исследовании представлена инновационная вычислительная платформа на базе глубокого обучения для анализа пространственной транскриптомики, направленная на изучение организации тканей и динамики их состояний. Авторы разработали фреймворк, использующий рекуррентный анализ латентных состояний тканей и графовые вложения для интеграции гетерогенных биологических систем, таких как заживление кожных ран и микроокружение опухолей (плоскоклеточный рак полости рта и головы/шеи). Методология включает в себя новый индекс патологической фрагментации, который количественно оценивает пространственную дезорганизацию внутри тканей. Результаты показали высокую точность моделирования: средний коэффициент силуэта (silhouette score) составил 0,79, что подтверждает четкое разделение состояний тканей. Исследование выявило, что при заживлении ран наблюдается прогрессивное восстановление пространственной организации, в то время как в опухолевых тканях фиксируется рост фрагментации и гетерогенности структуры. Полученные данные позволяют интерпретировать биологические процессы ремоделирования тканей через призму латентного пространственного анализа, что имеет критическое значение для персонализированной онкологии и регенеративной медицины.

Исследование посвящено совершенствованию методов диагностики болезни Лайма путем разработки специфических аптамеров, связывающихся с белком CspZ на поверхности бактерии Borrelia burgdorferi. Авторы предлагают комплексный методологический подход, объединяющий традиционный процесс SELEX с передовыми методами машинного обучения. В основе работы лежит использование машины ограниченного распространения (Restricted Boltzmann Machine, RBM) для цифрового моделирования финальных раундов отбора последовательностей. Для повышения эффективности модели в RBM интегрированы методы текстового анализа, такие как word2vec и n-граммы, что позволяет сопоставлять генерируемые in silico последовательности с реальными кандидатами, отобранными in vitro. Особое внимание уделено интеграции геометрических представлений последовательностей в модель RBM, что критически важно при работе с ограниченными наборами данных в условиях огромного пространства возможных последовательностей. Итоговый алгоритм включает в себя компьютерный отбор потенциально сильных связывающих последовательностей с последующей их обязательной экспериментальной валидацией, что значительно повышает точность и скорость разработки диагностических инструментов.

В исследовании представлен Tsallis-Gated Autoencoder (Tsallis-GAE) — инновационная архитектура нейросети, разработанная для анализа геномной гетерогенности глиобластомы (GBM). Авторы заменили классический механизм softmax-внимания на обучаемый q-softmax на основе статистики Цаллиса, что позволяет модели лучше работать с «тяжелыми хвостами» распределений экспрессии генов. Исследование проводилось на когорте TCGA-GBM, включающей 391 образец и 2000 высоковариантных генов. Результаты показали, что Tsallis-GAE достигает среднего показателя AUC-ROC 0,977, что значительно превосходит стандартный автоэнкодер (Vanilla AE) с показателем 0,906. Ключевым открытием стало спонтанное схождение энтропийного индекса q к значению 1,554, что подтверждает неэкстенсивную природу сложных биологических систем и превосходство физико-информированного подхода над стандартными методами машинного обучения. Модель продемонстрировала высокую точность при кросс-валидации с другими детекторами аномалий, достигая AUC до 0,998.

В данном исследовании рассматривается применение физико-информированных нейронных сетей (PINN) для решения сложной обратной задачи оценки параметров в нелинейных биологических динамических системах. Авторы фокусируются на модели репрессилятора — синтетического генетического осциллятора, состоящего из трех циклически подавляющих друг друга генов. Методология заключается в использовании PINN для представления траекторий состояний с одновременным наложением штрафов за нарушение определяющих дифференциальных уравнений (ODE). В ходе экспериментов оценивалась точность восстановления параметров производства (beta) и коэффициента Хилла (n) при различных условиях: уровне шума, плотности выборки и частичной наблюдаемости репрессоров. Результаты показали, что PINN эффективно реконструируют траектории при правильной структуре модели, однако восстановление параметров оказывается более чувствительным к шуму и разреженным данным, чем аппроксимация самих траекторий. Исследование выявило, что осцилляторный режим предоставляет больше информации для обучения, но значительно повышает чувствительность оптимизации по сравнению со стабильным режимом. Работа подтверждает потенциал PINN как инструмента для обратного инжиниринга малых генно-регуляторных моделей, подчеркивая необходимость учета неопределенности при их использовании в биомедицинской практике.

Исследование представляет VIP2B — инновационный аналитический фреймворк, использующий теги рестрикции IIB типа для извлечения детальных характеристик вирусов (таксономия, покрытие, функции и фенотип) напрямую из данных полногеномного метагеномного секвенирования (WMS). Авторы доказали, что стандартные метагеномы содержат богатую вирусную информацию, сопоставимую по точности с обогащенными образцами вирусно-подобных частиц (VLP). При анализе 20 клинических когорт было установлено, что учет вирусных признаков позволяет выявлять специфические биомаркеры заболеваний, которые не обнаруживаются при анализе только бактериального компонента. Это значительно повышает точность диагностических моделей. Кроме того, на выборке из 6 090 человек были определены два различных состояния сообщества вирома кишечника, связанных с различными профилями здоровья. Работа закладывает методологическую основу для перехода к мульти-царственному анализу микробиома в клинической практике.

В данном исследовании представлен новый унифицированный бенчмарк BGCs-Bench, предназначенный для оценки эффективности геномных языковых моделей (gLM) с поддержкой длинного контекста. Основное внимание уделено анализу биосинтетических генных кластеров (BGC) через решение трех ключевых задач: предсказание биосинтетического класса, таксономическая классификация и аннотация кодирующих последовательностей. Авторы провели систематическую послойную оценку эмбеддингов, доказав, что выбор конкретных слоев модели критически влияет на точность выполнения прикладных задач. С помощью анализа logit lens для авторегрессионных моделей на базе архитектуры StripedHyena было выявлено, что ранние слои отвечают за кодирование биологически значимой информации из последовательностей ДНК, в то время как глубокие слои оптимизированы для генерации последовательностей. Результаты работы предоставляют методологическую базу для более эффективной разработки и применения специализированных ИИ-моделей в геномике и синтетической биологии.

В статье рассматривается критически важный аспект современного биоинформатического ИИ — интерпретируемость и объяснимость белковых языковых моделей (Protein Language Models, PLMs). Авторы Ханклингер и Ферруз представляют комплексный обзор существующих методов объяснимого искусственного интеллекта (XAI), адаптированных для анализа аминокислотных последовательностей. Исследование фокусируется на том, как механизмы внимания и градиентные методы позволяют понять, какие именно паттерны в последовательностях белков определяют их структурные и функциональные свойства. Работа подчеркивает переход от моделей «черного ящика» к прозрачным системам, что необходимо для безопасного внедрения ИИ в процесс разработки лекарств и дизайна белков. Основное внимание уделяется методологиям, которые связывают предсказания нейросетей с биологически значимыми концепциями, такими как вторичная структура и сайты связывания. Данный обзор служит фундаментальной базой для исследователей, стремящихся объединить глубокое обучение с классической молекулярной биологией.

В исследовании, опубликованном в журнале Nature Machine Intelligence, представлена инновационная разработка ApexGO — генеративная модель искусственного интеллекта, предназначенная для редизайна пептидных антибиотиков. Основная цель метода заключается в создании новых молекул, способных эффективно бороться с бактериями, обладающими множественной лекарственной устойчивостью. Авторы провели комплексную валидацию полученных кандидатов, используя как лабораторные тесты in vitro, так и исследования на моделях мышей с инфекциями. Результаты показали, что разработанные с помощью ИИ пептиды либо соответствуют по эффективности стандартным антибиотикам, либо превосходят их. Данная технология открывает новые горизонты в разработке антимикробных препаратов, позволяя значительно ускорить процесс поиска эффективных молекул для борьбы с супербактериями.

Статья посвящена внедрению Microsoft Dragon Copilot — передового инструмента на базе искусственного интеллекта, предназначенного для решения проблем документационной перегрузки и профессионального выгорания врачей. Технология направлена на автоматизацию процесса ведения клинических записей, что позволяет медицинскому персоналу переключить внимание с административных задач на непосредственное взаимодействие с пациентами. Использование ИИ-ассистента помогает снизить операционные расходы и повысить уровень удовлетворенности клиницистов, удерживая ценные кадры в системе здравоохранения. Инструмент интегрируется в рабочие процессы, минимизируя время, затрачиваемое на ввод данных в электронные медицинские карты. Внедрение подобных решений становится критически важным для современных больниц, стремящихся оптимизировать клинические потоки данных. В конечном итоге, использование Dragon Copilot способствует восстановлению доверительных отношений между врачом и пациентом за счет сокращения экранного времени во время приема.

Компания Viz.ai представила инновационное решение — Viz Pulmonary Suite, которое объединяет рабочие процессы по ведению пациентов с острыми и хроническими заболеваниями легких в единую платформу. Данная разработка является первой в своем роде, предлагая комплексный подход к диагностике и мониторингу легочных патологий. Использование искусственного интеллекта позволяет автоматизировать анализ данных, ускоряя принятие клинических решений в критических ситуациях. Платформа призвана оптимизировать маршрутизацию пациентов и улучшить результаты лечения за счет интеграции различных этапов медицинской помощи. Внедрение такого решения может значительно снизить нагрузку на врачей-пульмонологов и повысить точность раннего обнаружения осложнений.