Поиск

В исследовании представлен MHCXGraph — новый вычислительный метод на основе теории графов, предназначенный для идентификации перекрестной реактивности Т-клеточных рецепторов (TCR) к различным пептидам, представленным молекулами главного комплекса гистосовместимости (MHC). В отличие от традиционных методов, опирающихся только на сходство последовательностей, MHCXGraph интегрирует структурную информацию, позволяя выявлять консервативные иммунологически значимые регионы в структурах pMHC. Разработанный инструмент предлагает три режима работы с настраиваемыми параметрами и интуитивно понятным интерфейсом, обеспечивая полную интерпретируемость результатов. Авторы протестировали систему на трех сценариях: для классических молекул MHC класса I, MHC класса II и несвязанных аллелей HLA, подтвердив способность алгоритма улавливать структурные детерминанты, невидимые при обычном секвенировании. Высокая масштабируемость и точность метода делают его перспективным для интеграции в биоинформатические конвейеры, особенно при разработке вакцин на основе Т-клеток и проектировании новых pMHC-энгеров (engagers).

В данном исследовании представлен систематический сравнительный анализ шести популярных вычислительных инструментов (CellBender, DecontX, SoupX, scCDC, scAR и CellClear), предназначенных для удаления фоновой РНК (ambient RNA) при секвенировании РНК единичных клеток и ядер. Исследователи протестировали инструменты на шести наборах данных, включая смешанные клеточные линии человека и мыши, данные PBMC и префронтальной коры, а также данные платформы BD Rhapsody. Ключевым открытием стало то, что инструменты scAR и CellClear не просто очищают данные, а фундаментально искажают матрицы отсчетов: CellClear заменяет более 93% значений данными, полученными методом матричной факторизации, а scAR создает ложные типы клеток, отсутствующие в исходных данных. В то же время CellBender и SoupX показали высокую надежность при минимальном искажении данных. Исследование подчеркивает, что при выборе инструментов для коррекции фонового шума приоритетным критерием должна быть целостность матрицы отсчетов, а не только чувствительность к удалению загрязнений. Авторы предлагают готовую систему рекомендаций в зависимости от используемой экспериментальной платформы.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная методология сегментации печени и опухолей на основе компьютерной томографии (КТ). Авторы разработали систему, которая использует интерактивную коррекцию с учетом неопределенности (uncertainty-aware interactive rectification), позволяющую алгоритму подстраиваться под предпочтения врача. Основная идея заключается в том, что модель не просто выполняет сегментацию, а анализирует зоны своей неуверенности, запрашивая уточнение у специалиста в наиболее критических точках. Это позволяет значительно повысить точность выделения границ опухолей, которые часто имеют нечеткие контуры. Использование механизмов выравнивания предпочтений (user-preference alignment) минимизирует количество необходимых правок со стороны радиолога, оптимизируя рабочий процесс. Применение данного подхода в клинической практике может существенно ускорить диагностику и снизить риск ошибок при планировании хирургических вмешательств на печени.

Исследование представляет новый геометрически-ориентированный фреймворк для приоритизации лиганд-рецепторных (LR) взаимодействий в данных пространственной транскриптомики. Авторы разработали метод, который позволяет математически разделить два часто смешиваемых понятия: коммуникацию, происходящую на границах клеточных популяций (интерфейсах), и истинную пространственную локализацию экспрессии. Методология включает использование взвешенного по расстоянию показателя границ на графе пространственных соседей и модели нулевой гипотезы с перестановкой меток для сохранения геометрии ткани. При тестировании на наборах данных рака молочной железы, колоректального рака, меланомы и аденокарциномы поджелудочной железы было показано, что учет геометрии существенно меняет ранжирование путей, связанных с внеклеточным матриксом, адгезией и иммунным ответом. Вместо дискретных режимов коммуникации модель выявила непрерывный континуум пространственных ограничений, определяемых архитектурой ткани. Это исследование критически важно для точной интерпретации клеточного взаимодействия в микроокружении опухоли и предотвращения ложных выводов о локализации сигнальных молекул.

Исследователи представили Halo — инновационную предобученную модель, предназначенную для решения критической проблемы пространственной транскриптомики: точной сегментации границ целых клеток при наличии только изображений ядер. Методология Halo основана на интеграции морфологии ядер с пространственным распределением РНК-транскриптов, где координаты транскриптов преобразуются в карты молекулярной плотности. Эти карты обрабатываются совместно с DAPI-изображениями с использованием архитектуры сегментации Cellpose-SAM. Модель прошла предварительное обучение на мультимодальных данных Xenium, охватывающих 12 различных типов тканей, что позволяет использовать её напрямую на новых наборах данных без необходимости дополнительного обучения. Результаты показывают, что Halo значительно превосходит стандартную стратегию «расширения ядер» (nuclear expansion), обеспечивая более высокое соответствие истинным границам клеток и точность назначения РНК конкретным клеткам. Применение Halo позволяет получать более надежные данные для идентификации типов клеток и точной оценки их морфологических признаков, делая процесс сегментации масштабируемым и воспроизводимым.

Исследователи разработали GeoARG — инновационную платформу, объединяющую структурные признаки белков с моделями языков белка (Protein Language Models) через процесс дистилляции знаний. Основная проблема текущих методов заключается в зависимости от гомологии последовательностей, что мешает поиску эволюционно далеких генов устойчивости к антибиотикам (ARG). GeoARG решает эту задачу, позволяя проводить масштабный скрининг, используя только входные последовательности, но при этом учитывая геометрические ограничения структур. В ходе крупномасштабного метагеномного анализа с помощью нового метода было обнаружено 1485 высоконадежных кандидатов в гены устойчивости, которые значительно отличаются от уже известных типов. Структурный анализ подтвердил, что эти новые кандидаты сохраняют геометрию активных центров и стабильные конфигурации связывания лигандов, характерные для механизмов резистентности. Данная разработка существенно расширяет понимание филогенетического ландшафта резистома и предоставляет мощный инструмент для борьбы с антибиотикорезистентностью. Для широкого использования авторы запустили публичный веб-сервер.

В исследовании представлен новый вычислительный фреймворк для пространственного вывода регуляторных программ, предназначенный для глубокого анализа меланомы. Авторы решают проблему разделения данных: пространственная транскриптомика (ST) дает информацию об архитектуре ткани, но не о регуляции, а мультиомные методы на уровне единичных клеток не сохраняют пространственный контекст. Предложенный метод интегрирует данные Visium ST с данными single-cell multiome, используя пространственно-регуляризованное картирование «клетка-пятно» (cell-to-spot mapping) на базе алгоритма GraphST. В ходе работы исследователи успешно перенесли данные о доступности хроматина и активности мотивов транскрипционных факторов непосредственно в тканевое пространство. Применение фреймворка к образцам меланомы позволило выявить локализованные в пространстве регуляторные программы, которые ранее были недоступны. Результаты показывают, что стратегия назначения клеток критически влияет на стабильность последующего регуляторного анализа. Данный модульный подход обеспечивает интерпретируемые данные на уровнях генов, пиков и транскрипционных факторов, что имеет высокую значимость для точной диагностики и понимания микроокружения опухоли.

Исследование представляет инновационный метод интеграции различных базовых моделей (foundation models) для компьютерной патологии с целью преодоления ограничений их индивидуальной специализации. Авторы разработали фреймворк, который использует легковесную весовую сеть для адаптивного объединения эмбеддингов нескольких моделей, преобразуя их в единые предсказания на уровне генов и пространственных локаций. Методология опирается на данные пространственной транскриптомики, что позволяет сопоставлять генетическую и морфологическую информацию из одного и того же образца ткани. В ходе тестирования на наборах данных пространственной транскриптомики предложенный подход продемонстрировал превосходство над отдельными моделями и классическими методами ансамблирования. Применительно к раку молочной железы система показала значительный рост точности предсказания клинически важных маркеров подтипов PAM50 и генов, являющихся мишенями для лекарственных препаратов. Кроме того, архитектура повышает интерпретируемость результатов, выявляя специфический вклад каждой модели в зависимости от анализируемого гена. Данная работа открывает новые возможности для высокоточной молекулярной диагностики на основе стандартных гистологических изображений.

Исследование посвящено решению проблемы точной идентификации видов грибов, что критически важно для экологии, пищевой безопасности и патологии растений. Авторы сравнивают два биоинформатических подхода для обработки данных секвенирования Oxford Nanopore (ITS-регион): традиционный CPU-конвейер с использованием байесовского движка машинного обучения и ускоренный GPU-конвейер, применяющий нейронные сети и модели сверхвысокой точности (SUP). Результаты показывают, что использование графических процессоров (GPU) значительно повышает точность на уровне видов за счет эффективной коррекции систематических ошибок в гомополимерных регионах. В то же время, внедрение автоматизированной оптимизации гиперпараметров в CPU-средах позволяет достичь стабильной кластеризации последовательностей и высокой таксономической согласованности на уровне рода. Данная работа предлагает масштабируемый протокол, позволяющий исследователям выбирать между максимальной точностью (GPU) и доступностью инфраструктуры (CPU) без существенной потери научной ценности данных.

В исследовании представлен CASPA (Context-Aware Single-Cell Proteomics Analysis) — инновационный автоматизированный конвейер для анализа данных протеомики единичных клеток (SCP), полученных с помощью масс-спектрометрии. Авторы решают критические проблемы отрасли: отсутствие стандартизации, наличие фонового загрязнения белками и субъективность ручной аннотации типов клеток. Методология включает адаптивный контроль качества, итеративную коррекцию батч-эффектов на основе энтропии и уникальный механизм аннотации с использованием больших языковых моделей (LLM). Для устранения типичных ошибок LLM (таких как неверная интерпретация состояний клеток) была разработана трехэтапная архитектура промптов, сочетающая общие биологические принципы с ограничениями, специфичными для конкретного набора данных. Тестирование на данных мозга человека, глиобластомы и опухолей кожи показало высокую точность, сопоставимую с результатами сортировки клеток методом FACS и подтвержденную иммуногистохимией. CASPA обеспечивает воспроизводимый рабочий процесс с количественной оценкой уверенности в аннотациях, что делает его ценным инструментом для высокопроизводительных протеомных лабораторий.

Исследователи представили STDrug — инновационную вычислительную платформу, предназначенную для персонализированного подбора лекарственных средств с учетом пространственного контекста тканей. В отличие от традиционных методов, основанных на секвенировании РНК единичных клеток (scRNA-seq), STDrug интегрирует данные пространственной транскриптомики, графовое моделирование и мультимодальное обучение. Методология включает использование графовых сверточных сетей и метода когерентного точечного дрейфа для выравнивания пространственных доменов между здоровыми и пораженными тканями. Система ранжирует потенциальные препараты, комбинируя сигнатуры обратимых генов опухоли, оценки возмущений и весовые коэффициенты генов на основе биологических знаний. В ходе тестирования на данных гепатоцеллюлярной карциномы и рака простаты метод продемонстрировал превосходство над существующими аналогами, достигнув точности предсказания AUC в диапазоне 0,81–0,82. Валидация результатов с помощью электронных медицинских карт и тестов in vitro подтверждает высокую трансляционную значимость платформы для точной медицины.

В исследовании представлена инновационная методология прогнозирования взаимодействий между лекарственными препаратами и биологическими мишенями (DTI) с использованием гетерогенных сетей. Авторы разработали модель, которая интегрирует данные из различных доменов, позволяя более точно предсказывать аффинность связывания. Основной акцент сделан на использовании мультидоменного подхода, что позволяет учитывать структурные и функциональные особенности молекул. Применение таких нейросетевых архитектур значительно повышает эффективность раннего этапа разработки лекарств, сокращая время на поиск перспективных соединений. Методология демонстрирует высокую точность в сравнении с существующими методами, что делает её перспективной для интеграции в системы автоматизированного дизайна лекарств. Результаты исследования могут существенно ускорить процесс доклинических испытаний в современной фармацевтике.

В исследовании представлен метод SimpleFold-Turbo (SFT), который значительно ускоряет процесс предсказания структуры белков, используя технику адаптивного кэширования TeaCache, заимствованную из видеодиффузионных моделей. Авторы обнаружили, что генеративные траектории Flow-Matching обладают высокой избыточностью, что позволяет пропускать до 93% прямых проходов нейронной сети без существенной потери точности. В ходе тестирования на 300 структурно разнообразных доменах CATH и моделях размером от 100 млн до 3 млрд параметров, метод обеспечил ускорение в 9–14 раз при сохранении базовых показателей TM-score. Важным преимуществом является то, что SFT не требует переобучения моделей, модификации весов или использования внешних серверов множественного выравнивания последовательностей (MSA). Масштабируемость метода растет вместе с размером модели, так как накладные расходы на кэширование остаются постоянными. Решение позиционируется как полностью открытое программное обеспечение, позволяющее выполнять тысячи предсказаний структур в час на стандартном потребительском оборудовании.

Компания QT Imaging представила обновление ПО версии 4.5.0, использующее оптимизированную деконволюцию и слияние данных скорости звука с отраженными сигналами для улучшения качества изображений. Новые алгоритмы позволяют более точно характеризовать ткани и анализировать анатомические особенности, такие как малый размер груди или наличие имплантатов.

GE HealthCare объявила о цифровой интеграции системы интраоперационного УЗИ bkActiv с навигационной системой Stealth AXiS от Medtronic для нейрохирургии. Это позволяет хирургам получать визуализацию в реальном времени и компенсировать эффект «смещения мозга» (brain shift), совмещая живые УЗИ-данные с предоперационными МРТ/КТ снимками.

В статье описываются результаты тестирования интероперабельности стандартов DICOM для полнослойного сканирования (WSI) в цифровой патологии. Участники проверили процессы передачи данных между сканерами, архивами и просмотрщиками, включая передачу аннотаций, созданных человеком и алгоритмами ИИ.

Исследование посвящено систематическому анализу вариативности оценок наследуемости SNP и их влиянию на построение полигенных шкал риска (PRS). Авторы протестировали 86 различных конфигураций, охватывающих шесть семейств инструментов (GEMMA, GCTA, LDAK, DPR, LDSC и SumHer) и десять групп методов, на основе 10 фенотипов из UK Biobank. В ходе работы было получено 844 оценки на уровне конфигураций, при этом выявлено, что значения наследуемости варьируются в широком диапазоне от -0.862 до 2.735, а 15.8% оценок оказались отрицательными. Ключевым результатом стало обнаружение слабой корреляции между величиной наследуемости и эффективностью PRS: коэффициенты Пирсона составили r = -0.023 для GCTA-SBLUP и r = +0.014 для LDpred2-lassosum2, что не является статистически значимым. Исследование доказывает, что оценка наследуемости SNP является чувствительным к параметрам модели фактором, а не стабильной константой. Авторы подчеркивают необходимость обязательного указания полной спецификации метода оценки при публикации результатов, отмечая при этом относительную устойчивость работы PRS к умеренным колебаниям входных данных наследуемости.

В исследовании представлена разработка методов классификации геномных вариантов вируса SARS-CoV-2, ориентированная на решение проблемы экстремального дисбаланса классов и дефицита данных о редких мутациях. Авторы предложили гибридную архитектуру RF-SVM, объединяющую случайный лес (Random Forest) и метод опорных векторов (SVM) с полиномиальным ядром для повышения чувствительности к миноритарным классам. В ходе сравнительного анализа было установлено, что классические модели машинного обучения, использующие признаки TF-IDF на основе k-меров, превосходят методы глубокого обучения по макро-усредненным метрикам эффективности. Лучший результат показал классификатор Random Forest с использованием TF-IDF, достигнув точности (accuracy) 96,3% и макро-F1-меры 0,8894 при стабильной кросс-валидации (CV accuracy = 0,9637). Гибридная модель RF-SVM продемонстрировала улучшенную способность к обнаружению редких вариантов в условиях сильного перекоса данных. Работа подчеркивает ограничения глубокого обучения в специфических геномных задачах и доказывает эффективность интерпретируемых гибридных подходов для геномного надзора.

В статье рассматривается растущее использование генеративного искусственного интеллекта (GenAI) для автоматического составления черновиков ответов на сообщения пациентов через медицинские порталы с целью снижения нагрузки на врачей. Исследование выявило, что, несмотря на заметный эффект для оптимизации рабочего процесса, существуют серьезные риски безопасности, когда клиницисты пропускают ошибки или принимают сгенерированный текст без должной редактуры. Авторы предлагают комплексную модель управления (governance), которая включает в себя ограничение области применения ИИ, многоуровневую оценку рисков и обязательную подотчетность человека как конечного автора сообщения. Предложенная методология также делает упор на аудит процессов и прозрачность для пациентов, чтобы избежать нормализации небезопасного делегирования задач алгоритмам. Внедрение таких механизмов контроля критически важно по мере масштабирования ИИ и его глубокой интеграции в электронные медицинские карты (EHR). Это позволит сохранить эффективность технологий, не жертвуя качеством и безопасностью медицинской коммуникации.