Поиск

Исследование посвящено применению обучения с подкреплением (Reinforcement Learning) для генеративных языковых моделей ДНК, что имеет прямое значение для геномики и персонализированной медицины. Авторы использовали технику Group Relative Policy Optimization (GRPO) с функцией вознаграждения, основанной на ограничениях из инженерной биологии, для генерации плазмид — простых генетических конструкций, широко используемых в биотехнологии. Ключевой результат: модель достигла 77% качества при контроле, по сравнению с 5% у предобученной базовой модели, что демонстрирует значительное улучшение. Примечательно, что помимо явно оптимизированных признаков, сгенерированные последовательности демонстрируют биологическую реалистичность в термодинамической стабильности, паттернах использования кодонов и распределении длин открытых рамок считывания (ORF) — свойствах, не включённых в функцию вознаграждения. Эти эмерджентные свойства указывают на способность RL пост-тренинга направлять модели ДНК в биологически когерентные области пространства последовательностей. Результаты открывают перспективы для дизайна генетических конструкций, разработки генной терапии и создания синтетических биологических систем.

Исследование представляет новый подход к молекулярному докингу — предсказанию конформации связывания малых молекул с белковыми мишенями, что критически важно для открытия новых лекарств. Авторы предлагают фреймворк обучения с подкреплением для тренировки диффузионных моделей непосредственно на недифференцируемых объективах физической валидности. Подход позволяет корректировать модель DiffDock-Pocket для генерации физически корректных поз лигандов с сохранением ключевых белково-лигандных взаимодействий. Результаты показывают существенное увеличение доли генерируемых поз, которые являются физически валидными, при этом не требуется дополнительных вычислений во время инференса. Важнейший результат — улучшение структурной точности: возрастает доля структур с позами, близкими к нативным, особенно для белковых мишеней, отличающихся от данных обучения. Доработанная модель превосходит как классические алгоритмы докинга, так и другие методы машинного обучения на наборе данных PoseBusters. Исследование демонстрирует, что обучение с подкреплением может научить диффузионные модели лучше соблюдать физические ограничения без необходимости постобработки результатов. Это открывает перспективы для более точного предсказания взаимодействия лекарств с белками-мишенями в фармацевтических исследованиях.

Статья о внедрении роботизированной бронхоскопии второго поколения в общинных больницах для диагностики рака легких. Интеграция роботизированных платформ с продвинутой визуализацией (флуороскопия, C-arm томография) обеспечивает непрерывную навигацию, упрощает рабочие процессы и улучшает диагностическую точность периферических легочных образований без увеличения затрат.

Исследователи представили REGEN (REconstruction of GEne Networks) — метод на основе графовых нейронных сетей (GNN) для одновременного обучения латентных сетей взаимодействий генов из данных транскриптомики и предсказания статуса выживаемости пациентов. Методология включает систематическое сравнение стратегий инициализации матриц смежности генов-генов для построения графов взаимодействий. Модель была оценена на когорте TCGA (The Cancer Genome Atlas) по семи типам рака, где REGEN превзошел базовые модели в пяти наборах данных. Анализ обученной сети генов рака почки выявил биологически значимые пути и биомаркеры, связанные с онкологией, подтвердив биологическую релевантность модели. Работа предоставляет практические руководства по применению GNN к транскриптомике, позволяя улучшить предсказание фенотипов и открывать значимые генные сети. Это имеет прямое значение для онкологии, персонализированной медицины и понимания молекулярных механизмов заболеваний.

Статья представляет собой обзор применения искусственного интеллекта и технологии цифровых двойников для персонализированной медицины при множественной миеломе. Рассматриваются возможности ИИ для точной стратификации риска, выбора терапии и создания предиктивных моделей на основе больших клинических данных. Описываются перспективы и ограничения цифровых двойников как виртуальных реплик пациентов для динамического мониторинга заболевания.

Статья представляет метод гармонизации клинических данных с использованием онтологий и больших языковых моделей (LLM) для федеративного обучения в здравоохранении. Подход достигает 92% согласованности с экспертной оценкой, преобразуя гетерогенные клинические записи в стандартизированные форматы с сохранением конфиденциальности данных.

Исследование описывает опыт настройки LLM-as-a-Judge для оценки качества автоматической генерации клинических сводок в радиологии. Авторы проанализировали данные 30 пациентов с КТ брюшной полости, сравнивали оценки экспертов и шести различных LLM, выявив критерии для эффективной настройки таких систем. Результаты показывают, что критерии, эффективные для оценки человеком, не всегда подходят для LLM-оценки.

Статья представляет систему, использующую диффузионные модели для визуализации когнитивной переоценки эмоций у пациентов с травмой, депрессией или диссоциативными симптомами. Эксперимент с 20 участниками показал, что ИИ-ассистированная переоценка значительно снижает негативное аффективное состояние по сравнению с традиционными методами.

Исследование представляет SELFormerMM — новую мультимодальную архитектуру глубокого обучения для вычислительного открытия лекарств. В отличие от существующих моделей, использующих только одномерные представления (последовательности или графы), SELFormerMM объединяет четыре источника данных: SELFIES-нотации молекул, структурные графы, текстовые описания и биологические взаимодействия из графов знаний. Авторы демонстрируют, что согласование этих гетерогенных представлений позволяет модели улавливать комплементарные сигналы, которые одномерные подходы упускают. Оценка производительности показала превосходство SELFormerMM над структура-, последовательность- и knowledge-based моделями на множестве задач предсказания свойств молекул. Аблиционные эксперименты подтвердили, что эффективная кросс-модальная выравнивание и покрытие модальностей критически важны для извлечения дополнительной информации из данных. Доступность инструмента через GitHub с датасетами, предобученными моделями и вычисленными эмбеддингами делает метод практически применимым для исследовательских групп. Разработанный подход обеспечивает более богатые представления молекул и открывает перспективы для гипотезно-ориентированного открытия новых лекарственных соединений.

Philips представила новый КТ-сканер Rembra на ECR 2026 в Вене, оснащённый ИИ-оптимизированными рабочими процессами и детектором NanoPanel Precise XD. Система обеспечивает до 106 изображений в секунду и поддерживает до 270 исследований в день, что критично для экстренных случаев, таких как инсульт и травмы.

Российский медицинский сервис IQDOC на базе искусственного интеллекта провёл анализ запросов врачей к системе за период декабрь 2025 – март 2026 года, выявив ключевые потребности специалистов в области лабораторной диагностики. Исследование показало, что 47,1% всех обращений к ИИ-системе связаны с необходимостью расшифровки и интерпретации результатов лабораторных анализов пациентов, что делает эту функцию основной. Второе место по частоте (19,8%) занимают запросы на сопоставление показателей с нормами и референсными значениями, что подтверждает сложность работы с лабораторными данными для врачей. Третья категория запросов не указана в отчёте, но совокупность первых двух категорий составляет 66,9% от общего объёма обращений. Полученные данные демонстрируют, что ИИ-системы в медицине востребованы не только для первичной диагностики, но и для поддержки врачей в рутинных задачах интерпретации тестов. Практическая значимость исследования заключается в возможности оптимизации функционала медицинских ИИ-платформ под реальные потребности специалистов, что может повысить эффективность работы лабораторных служб. Результаты подтверждают тренд на интеграцию ИИ в повседневную клиническую практику для снижения нагрузки на врачей и минимизации ошибок при расшифровке анализов.

Исследование представляет первый курируемый датасет экосистемы научных агентов OpenClaw, охватывающий 91 проект и 2 230 навыков в 34 научных категориях, включая биоинформатику и открытие лекарств. Авторы анализируют структуру, распределение и возникающие паттерны развития научных агентов на основе ИИ, которые могут выполнять исследовательские рабочие процессы в биоинформатике и фармацевтике. Представлена публичная платформа Claw4Science (claw4science.org), которая организует проекты и агрегирует распределённые репозитории навыков в единый интерфейс для научных рабочих процессов. Результаты показывают сдвиг от изолированных систем к более модульной и разделяемой модели научных вычислений, что особенно актуально для медицинских исследований. Авторы выделяют открытые вызовы в области оценки, воспроизводимости и управления научными агентами на базе больших языковых моделей. Датасет служит основой для будущих бенчмарков и стандартизированной инфраструктуры для научных ИИ-агентов, что может ускорить разработку инструментов для медицинской диагностики и разработки препаратов. Работа демонстрирует, как структурирование знаний об агентах может снизить барьер для вклада и способствовать росту экосистемы. Исследование имеет прямое значение для фармацевтической индустрии и биомедицинских исследований, где ИИ-агенты могут автоматизировать сложные исследовательские задачи.

Исследование посвящено улучшению надежности трансформерных языковых моделей для геномики (GLM), которые демонстрируют высокую эффективность в задачах предсказания на генетических данных, но склонны к излишней уверенности при работе с зашумленными или неизвестными данными. Авторы анализируют влияние нескольких методов оценки неопределенности (uncertainty quantification, UQ), включая температурное масштабирование и эпистемические нейронные сети, на надежность предсказаний моделей в различных доменах геномных и метабаргеномных задач. Сравнение поведения моделей на данных из распределения (in-distribution) и вне распределения (out-of-distribution) показывает, что предложенные методы способны значительно улучшить надежность классификации. Результаты демонстрируют универсальность подхода, так как он работает на нескольких архитектурах GLM и в различных предметных областях. Разработка критически важна для геномики, где неизвестные виды и новые генетические варианты встречаются часто, и надежность предсказаний напрямую влияет на клинические решения. Полученные модели могут применяться для диагностики генетических заболеваний, персонализированной медицины и анализа микробиома. Исходный код проекта доступен в открытом доступе на GitHub, что позволяет исследователям и практикам внедрять эти методы в свои рабочие процессы.

В исследовании представлен новый математический фреймворк — иерархия миноров Лапласа, предназначенный для количественной оценки сложных многочастичных взаимодействий, определяющих аллостерию в белковых сетях. Авторы разработали систему топологических мер, где миноры низшего порядка дают стандартные метрики, а миноры высших порядков позволяют вычислять индексы кооперации (от 0 до 1). Третий порядок минора определяет корреляцию аллостерических путей, а четвертый — степень коммуникации между путями через промежуточные остатки. На примере домена PSD95pdz3 была проанализирована эволюционная адаптация специфичности лигандов при мутациях G330T и H372A. Результаты показали, что мутация G330T создает распределенные связи, которые затем использует мутация H372A, при этом четвертый порядок анализа выявил His317 как критический узел, связывающий пути переключения классов. Данный метод позволяет не просто предсказывать механизмы, а объяснять, как именно аллостерические зависимости возникают в процессе эволюции белков.

Исследователи представили PHI-Reason — инновационный фреймворк для прогнозирования взаимодействий между бактериофагами и их хозяевами (PHI) на уровне видов. В отличие от традиционных методов, использующих числовые векторы сходства последовательностей или состава геномов, PHI-Reason переформулирует задачу как процесс логического вывода на основе биологических текстов. Система преобразует гетерогенные данные (геномы фагов и хозяев, функциональные аннотации, результаты гомологического поиска и метаданные) в модульные текстовые профили. Затем замороженная большая языковая модель (LLM) ранжирует потенциальных хозяев, интегрируя эти доказательства непосредственно во время инференса. Тестирование на бенчмарках показало, что PHI-Reason демонстрирует конкурентоспособную точность и находит правильные соответствия, которые упускают классические методы. Ключевым преимуществом является интерпретируемость: метод позволяет анализировать, на каких именно биологических фактах основан прогноз, и измерять риск галлюцинаций ИИ при неполных данных. Это делает технологию важным инструментом для микробиомной инженерии и глубокого понимания микробной экологии.

В статье представлен новый количественный метод Inter-Sample Consistency (ISC), предназначенный для решения критической проблемы точности аннотации типов клеток в исследованиях транскриптомики единичных клеток (single-cell RNA-seq). Авторы утверждают, что биологическая значимость метки типа клетки определяется её воспроизводимостью на молекулярном уровне между различными биологическими репликами. В отличие от существующих методов кластеризации, фреймворк ISC позволяет отличить истинные биологические паттерны от технических шумов и нежелательной вариативности. При тестировании на опубликованных атласах единичных клеток метод выявил значительные пробелы в воспроизводимости существующих аннотаций. Разработанный инструмент позволяет проводить бенчмаркинг автоматизированных инструментов аннотации даже при отсутствии «золотого стандарта» (ground truth). Практическая реализация метода представлена в виде Bioconductor-пакета scTypeEval, который может использоваться исследователями для исправления несоответствий и повышения качества анализа данных омики.

В исследовании представлен PeptiDIA — инновационный фреймворк на базе машинного обучения, предназначенный для решения проблемы компромисса между пропускной способностью и глубиной анализа в протеомике. Основная задача метода заключается в повышении эффективности масс-спектрометрии с использованием метода независимой от данных (DIA) при работе с быстрыми хроматографическими градиентами. Авторы использовали градиентный бустинг на решающих деревьях, обучив модель на парах данных, полученных из идентичных образцов при длинных (эталонных) и быстрых градиентах. Модель интегрирует выходные данные DIA-NN с инженерными дескрипторами пептидов и применяет изотоническую регрессию для калибровки вероятностей. Тестирование на наборах данных человека и мыши (ткани, Orbitrap Exploris 480) показало, что PeptiDIA увеличивает количество идентифицированных пептидов на 25–34% при контролируемом уровне расхождения с референсом (RDR 1%). Кроме того, число белковых групп, содержащих хотя бы один «спасенный» пептид, выросло на 15–17%, что значительно расширяет аналитическую глубину без изменения протоколов сбора данных. Инструмент доступен в виде веб-приложения и командной строки.

В исследовании представлена интегративная стратегия поиска новых терапевтических мишеней для борьбы с болезнью Шагаса (Trypanosoma cruzi) и лейшманиозом. Авторы использовали методы протеомного майнинга и структурного моделирования для идентификации фосфопируватгидратазы (PPH) как перспективной мишени, обладающей высокой специфичностью и отсутствием сходства с человеческими гомологами. С помощью AlphaFold были построены трехмерные модели PPH, которые прошли последующую оптимизацию методом молекулярной динамики. В ходе виртуального скрининга базы данных LANaPDB был выявлен наиболее перспективный кандидат — аптосимон. Экспериментальная проверка показала высокую антипаразитарную активность соединения (hinokinin, производное аптосимона) против внутриклеточных амастигот T. cruzi с показателем IC50 = 3,52 мкг/мл и против промастигот Leishmania donovani с IC50 = 13,06 мкг/мл. Результаты подтверждают потенциал PPH как универсальной мишени для разработки новых лекарственных средств против широкого спектра кинетопластидных паразитов.

Исследователи представили STERN — инновационную количественную платформу, использующую глубокое обучение для создания непрерывных пространственно-временных представлений морфогенеза на основе 4D-визуализации in vivo. Методология позволяет встраивать эмбрионы в единое общее пространство, что решает проблему вариативности формы, ориентации и темпов развития без необходимости явной регистрации или стадирования. При тестировании на эмбрионах мышей система выявила консервативные траектории развития при различных временных скоростях, позволив количественно измерить гетерохронию. Применение на изображениях нервной гребни эмбрионов зебрафиш подтвердило универсальность модели: порядок развития сохраняется даже при изменении ракурсов съемки. Особую значимость исследование имеет для изучения развивающегося сердца мыши, где STERN разрешает тончайшие структурные изменения с минутной временной точностью, превосходя возможности экспертов-людей и стандартных мультимодальных ИИ-моделей. Таким образом, STERN превращает качественное описание морфогенеза в измеримую количественную дисциплину.