Поиск

Исследование посвящено анализу многоагентных систем на базе больших языковых моделей (LLM) в контексте цифрового здравоохранения. Авторы предлагают фреймворк HAMAgent, который использует обратную связь от человека (human-in-the-loop) для улучшения распознавания эмоций и понимания поведения человека.

Представлен новый фреймворк RAG-GNN, объединяющий графовые нейронные сети с модулем плотного поиска по текстовому корпусу для улучшения анализа белковых взаимодействий. Исследование показало, что использование механизмов RAG позволяет улучшить функциональную кластеризацию белков по сравнению с классическими GNN-моделями.

Исследование оценивает возможность использования расхождений между различными системами автоматического распознавания речи (ASR) для выявления ошибок в медицинских транскриптах. Результаты показывают, что низкий уровень согласия между моделями эффективно локализует зоны неопределенности, позволяя человеку сосредоточиться на критических участках текста.

В данном исследовании представлен комплексный бенчмарк фундаментальной геномной модели Evo 2 на массиве из 19 429 вирусных геномов из базы RefSeq. Авторы проанализировали способность модели Evo 2 (параметром 20 млрд) улавливать сложную архитектуру вирусных геномов, выходящую за рамки простого нуклеотидного состава. С помощью линейных зондов было установлено, что на оптимальном промежуточном слое модель достигает точности 0.96 в классификации классов по системе Балтимора и 0.99 в определении домена хозяина. Ключевым результатом стало то, что эмбеддинги модели значительно превосходят базовые показатели (6-мерный состав) в декодировании плотности генов (R=0.77), доли кодирующих последовательностей (R=0.61) и перекрытия генов (R=0.64). В задачах генерации фрагментированных геномов модель показала перплексию 1.18 бит/нт для бактериофагов и 1.80 бит/нт для вирусов эукариот. Исследование доказывает, что Evo 2 действительно кодирует функциональную архитектуру вирусных геномов, что открывает новые возможности для биоинформатического анализа и синтетической биологии.

Компания Longeviti Neuro Solutions запустила платформу ClearFit AI, которая использует сонолюцентные краниальные имплантаты для создания интерфейса ультразвукового сканирования мозга. Технология позволяет проводить визуализацию мозга у постели больного в реальном времени, снижая зависимость от транспортировки пациентов на КТ и МРТ.

В исследовании представлен ProMiSE — первый специализированный бенчмарк, предназначенный для оценки способности моделей ИИ учитывать динамическую природу белков и их переходы между различными конформационными состояниями. Авторы разработали уникальный набор данных, объединяющий механизмы внутренних, лиганд-индуцированных и белок-индуцированных изменений. В ходе тестирования передовых моделей, включая AlphaFold3 и современные генеративные подходы, было выявлено, что существующие системы плохо справляются с моделированием множественных состояний и часто игнорируют биологический контекст. Анализ внутренних представлений показал, что обучение на доминирующих структурах смещает предсказания моделей в сторону наиболее часто встречающихся состояний, подавляя альтернативные биологически важные формы. При этом использование модели BioEmu продемонстрировало, что снижение предвзятости на этапе декодирования позволяет существенно улучшить точность сэмплирования многосостояний без необходимости радикальной переработки архитектуры парных представлений. Данная работа критически важна для развития структурной биологии и разработки ИИ-инструментов для точного дизайна лекарств.

В исследовании представлена инновационная четырехэтапная методология импутации (заполнения пропусков) данных, разработанная специально для преодоления проблемы неполноты и гетерогенности наборов данных в космической биологии. Авторы решают критическую проблему нехватки образцов, которая препятствует созданию надежных вычислительных моделей реакции человеческого организма на космический полет. В качестве практического применения (case study) использовались мультимодальные данные миссии NASA RR9, включающие ретинальную визуализацию и омиксные профили. Методология позволяет не только восстанавливать отсутствующие значения, но и диагностировать причины их отсутствия, оптимизируя стратегии восстановления для сохранения биологического сигнала. Ключевым результатом стало выявление важного компромисса: хотя импутация значительно повышает точность прогностических моделей, она может скрывать тонкие биологические закономерности. Данный фреймворк закладывает фундамент для разработки цифровых двойников человека в экстремальных условиях и предоставляет ученым инструменты для оценки достоверности восстановленных данных.

Представлен DModE — инновационный программный фреймворк, предназначенный для сквозного анализа данных прямого секвенирования РНК (DRS) с использованием технологии Nanopore. Основная проблема текущих методов заключается в необходимости ручной интеграции множества разрозненных инструментов для оценки экспрессии и выявления модификаций РНК. DModE решает эту задачу, объединяя препроцессинг на базе Nextflow (совместимый с Epi2ME) и специализированный Python-пакет для глубокого статистического анализа. Платформа позволяет проводить дифференциальный анализ экспрессии генов и изоформ, а также выявлять изменения в модификациях РНК на геномном и транскриптомном уровнях. Ключевой особенностью является возможность автоматического построения интерактивных HTML-отчетов, включающих метагенное профилирование и оценку взаимосвязи между динамикой экспрессии и эпитранскриптомными изменениями. Внедрение DModE значительно снижает порог вхождения для исследователей и упрощает комплексное изучение биологии РНК-модификаций.

Представлена GeroQubit — инновационная платформа для генерации малых молекул (de-novo design), ориентированная на геронауку и принципы честного машинного обучения. В отличие от ресурсоемких GPU-решений, платформа использует модель «мишень x ткань x признак старения» для организации кандидатов. Методология включает использование структурных приоритетов тканей и оценку эффективности через k-NN (k-ближайших соседей), где выявленный сигнал (rho ~ 0.145) сопровождается эмпирически калиброванными конформными интервалами (покрытие 90.3%). В ходе ретроспективного тестирования на 1940 связывающих соединениях ChEMBL платформа показала высокую точность: ROC-AUC 0.945 и обогащение в 20 раз при 1% (BEDROC 0.91). Однако авторы честно указывают на ограничение: при работе с принципиально новыми хемотипами точность падает до уровня случайного выбора (AUC 0.62). Молекулы проектируются с учетом реакционной способности (reaction-first), что гарантирует наличие синтетического пути и прозрачность происхождения синтонов, а параметры ADMET оптимизируются как многокритериальная задача Парето.

В исследовании представлен EditorForge — инновационный модульный фреймворк, предназначенный для прецизионного редизайна белков, таких как ферменты и геномные редакторы. Основная проблема существующих моделей обратного фолдинга заключается в том, что неконтролируемый редизайн может повредить критически важные каталитические и консервативные участки. Авторы предложили систему, которая сочетает фиксированный фолдинг с использованием масок дизайна, принудительным сохранением позиций и аудитом близости к активному центру. В качестве демонстрации использовалась структура обратной транскриптазы вируса лейкоза мыши (MMLV RT 4MH8), где редизайн был ограничен областью из 25 позиций при фиксации 428 остальных остатков. Благодаря модулю Active Site Shield удалось выявить и исключить небезопасные позиции, заменив их на альтернативы с меньшим уровнем контактов. Итоговые 8 отобранных кандидатов успешно прошли контроль качества (RefoldQC) с высокими показателями: глобальный C RMSD составил 1.20–1.55 Å, а средняя уверенность (pLDDT-like) достигла 94.87–95.11. Этот инструмент позволяет превращать общие результаты моделей обратного фолдинга в специализированные наборы белков, готовые к биологическому тестированию.

Исследователи представили новый метод STITCH (Shape-TranscriptomIc Correlation and Harmonization), предназначенный для анализа взаимосвязи между формой клеток и их генетическим профилем в данных пространственной транскриптомики (ISS). В основе метода лежит использование тангенциального анализа главных компонент (TPCA) на многообразии форм Кендалла, что позволяет получить интерпретируемое представление о контурах клеток, не смешивая параметры формы и размера. В ходе тестирования на наборе данных Xenium метод STITCH превзошел подходы на базе глубокого обучения, успешно восстановив сложную слоистую организацию кератиноцитов и пространственный градиент эксцентриситета ядер. При анализе данных CosMx по меланоме метод выявил устойчивую связь между вытянутыми и треугольными фибробластами и их близостью к злокачественным клеткам, что коррелировало с программой миофибробластов. Кроме того, STITCH независимо подтвердил связь между мезенхимально-подобными состояниями злокачественных клеток и увеличением их площади в двух когортах пациентов. Данная технология открывает новые возможности для интерпретируемого анализа морфологических и транскриптомных взаимосвязей на различных платформах пространственной биологии.

Исследование представляет SPARK — инновационную вычислительную платформу системного уровня, предназначенную для преодоления проблемы молекулярной гетерогенности аденокарциномы легкого (LUAD). Используя данные секвенирования РНК (bulk RNA-seq) из когорты TCGA-LUAD, авторы применили оптимизированную по стабильности сетевую модель для реконструкции транскриптомной организации на уровне биологических путей. В ходе анализа было выявлено восемь ключевых транскриптомных модулей, представляющих скоординированные биологические процессы. На основе активности этих модулей была разработана комплексная оценка транскриптомного риска (Transcriptomic Risk Score) с помощью модели пропорциональных рисков Кокса (elastic-net). Результаты показали, что данный показатель риска значительно коррелирует с общей выживаемостью и обеспечивает лучшую прогностическую точность по сравнению со стандартными клиническими переменными. Валидация на независимой когорте CPTAC-LUAD подтвердила устойчивость прогностического сигнала и стратификацию рисков. Кроме того, анализ единичных клеток (single-cell analysis) доказал, что выявленные модули отражают скоординированную организацию экосистемы «опухоль-иммунитет-строма», что открывает новые возможности для персонализированной медицины в онкологии.

В исследовании представлен GeroEngine — инновационный программный фреймворк на базе вариационных автоэнкодеров (VAE), предназначенный для моделирования траекторий старения тканей по данным секвенирования РНК единичных клеток (scRNA-seq). Основная проблема существующих методов заключается в деструктивном характере scRNA-seq, что исключает возможность долгосрочного наблюдения за одними и теми же клетками, а также в наличии технических артефактов (dropout). Разработанная методология позволяет проводить симуляцию траекторий «вперед» и «назад», что помогло выявить три ключевых столпа старения: коллапс идентичности линий/репликации, половой диморфный эндокринно-стрессовый кор и воспалительное ремоделирование. В ходе тестирования на микроглии и гемопоэтических стволовых клетках (HSC) модель успешно минимизировала технические артефакты, сохранив гетерогенность траекторий. Исследование показало, что программы идентичности восстанавливаются при двунаправленном моделировании, в то время как воспалительные программы (MHC/NF-κB) проявляются преимущественно в направлении старения. Авторы делают важный вывод о том, что для борьбы со старением необходимо фокусироваться на восстановлении гомеостаза (upstream), а не просто на подавлении воспаления (downstream).

В исследовании представлен новый метод оптимизации работы с белковыми языковыми моделями (PLM), которые генерируют объемные многослойные эмбеддинги, создающие высокую нагрузку на системы хранения и вычисления. Авторы предлагают использовать компактное суррогатное представление, основанное на проекциях PCA низкой размерности и кубических полиномиальных траекториях для описания изменений эмбеддингов между слоями трансформера. Данный подход позволяет восстанавливать эмбеддинги любого слоя «на лету» без необходимости повторного запуска ресурсоемкой модели. Эффективность метода была протестирована на моделях ESM-35M и ESM-3B в задачах предсказания белок-белковых взаимодействий и субклеточной локализации. Результаты показывают высокую точность реконструкции при значительном снижении требований к памяти и вычислительным мощностям. Важно, что использование сжатых данных не приводит к потере качества в прикладных задачах, что делает метод масштабируемым решением для биоинформатики и разработки новых лекарств.

Исследователи представили GLOF (Gain and Loss Of Function) — первый масштабный и экспертно проверенный набор данных, предназначенный для обучения и тестирования моделей ИИ в задачах классификации функциональных эффектов миссенс-вариантов. Датасет включает 112 399 миссенс-вариантов, охватывающих 2 809 человеческих генов, которые были классифицированы как LOF (потеря функции), GOF (приобретение функции) или нейтральные. Классификацию проводили сертифицированные клинические генетики в соответствии с международными рекомендациями ACMG. Для формирования выборки использовались данные ClinVar, аннотированные на основе функциональных исследований, а нейтральные варианты были отобраны из gnomAD v3.1 с последующей валидацией по версии v4.1. Особую ценность представляет наличие 97 генов с двунаправленными механизмами (содержащих как LOF, так и GOF варианты), что позволяет моделям машинного обучения более точно различать типы патогенности. Данный ресурс критически важен для разработки предиктивных алгоритмов в геномике, способных предсказывать механизмы заболеваний и помогать в выборе стратегий таргетной терапии.

В исследовании представлен новый биоинформатический метод BootDA, предназначенный для точного определения дифференциальной распространенности (DA) таксонов микробиома. Авторы решают критическую проблему искажения данных, вызванную четырьмя факторами: потерей общей микробной нагрузки, различиями в эффективности измерения таксонов, необходимостью использования псевдоподсчетов для обработки нулевых значений и загрязнением образцов. В отличие от существующих методов (ANCOM-BC2, LinDA, MaAsLin 3), BootDA использует непараметрический бутстреп, что позволяет моделировать все источники смещения без предварительных трансформаций данных. Тестирование на симуляциях с высокой разреженностью (>70% нулей) показало, что BootDA обладает наивысшей чувствительностью при строгом контроле частоты ложноположительных результатов. Метод сохраняет эффективность даже в условиях низкой биомассы, когда загрязнение составляет около 50% от общего числа подсчетов. При применении к когорте пациентов с ишемической болезнью сердца (CAD) метод позволил уточнить патологический профиль, выделив два обогащенных рода — Klebsiella и Gemmiger, и исключив вероятные контаминанты. Инструмент доступен в виде R-пакета и применим для любых разреженных многомерных биологических данных.

В статье представлен SNMF (Spatial Non-negative Matrix Factorization) — новый метод деконволюции для пространственной транскриптомики, решающий проблему смешивания нескольких типов клеток в одной «точке» (spot). В отличие от существующих подходов, SNMF является безреференсным методом, что исключает необходимость в предварительно сопоставленных данных секвенирования РНК единичных клеток (scRNA-seq). Авторы интегрировали в стандартную модель NMF матрицу пространственного смешивания, которая учитывает влияние соседних участков ткани для достижения биологически согласованных результатов. Ключевым преимуществом является поддержка GPU-вычислений, что позволяет методу работать на два порядка быстрее конкурентов, завершая бенчмарки менее чем за одну минуту. Тестирование на синтетических и реальных данных, включая образцы меланомы человека, показало значительное превосходство SNMF в точности определения типов клеток. В частности, алгоритм успешно идентифицировал биологически значимые сигнатуры, такие как переходная зона на границе опухоли, без использования эталонных данных. Инструмент реализован в виде R-пакета и доступен в открытом доступе.

В исследовании представлен PrEditR — новый инструмент с открытым исходным кодом, предназначенный для высокопроизводительного дизайна гидовых РНК (sgRNA) для специализированных скринингов с использованием редакторов оснований CRISPR. В отличие от существующих инструментов, которые ориентированы на ДНК, PrEditR работает на уровне аминокислотных последовательностей белков, что позволяет напрямую связывать генетические изменения с функциональными свойствами белков. Платформа позволяет пользователям выбирать конкретные аминокислотные остатки и автоматически проектировать протоспейсерные последовательности для создания миссенс-мутаций в эндогенных генах. Это критически важно для изучения посттрансляционных модификаций (PTM), функции которых до сих пор остаются малоизученными. Разработанный подход обеспечивает бесшовную интеграцию с результатами масс-спектрометрической протеомики, позволяя проводить масштабные фенотипические скрининги. Использование PrEditR значительно ускоряет процесс функционального анализа белков, предоставляя точный инструмент для направленного редактирования аминокислотного состава.

Исследование представляет гибридный фреймворк для аннотации геномов немодельных организмов, который преодолевает ограничения классического выравнивания последовательностей. Авторы объединили ab initio предсказание структур экзонов и интронов на базе модели Evo2 с картированием структурного сходства с использованием белковых эмбеддингов ESM-2. При применении метода на геноме морской миноги (sea lamprey) удалось получить 73 485 переведенных белковых моделей, из которых 35 395 имеют высокую или среднюю степень достоверности. Система позволила расширить каталог структурных локусов до 31 286, добавив 20 871 позицию, отсутствующую в базовой базе Ensembl. Ключевым достижением стало выявление 21 391 структурно подтвержденного локуса, которые не удалось идентифицировать стандартным поиском DIAMOND по человеческому протеому, включая более 21 000 локусов без обнаружимого сходства аминокислотных последовательностей с человеком. В тестах на секвенировании РНК единичных клеток (scRNA-seq) новый референс Ensembl+Evo2 значительно улучшил восстановление генов и позволил более детально описать четыре транскрипционных состояния иммунных клеток, включая программы VLRA+- и VLRB+-типа. Работа доказывает, что использование эмбеддингов позволяет извлекать биологический сигнал там, где традиционные методы сравнения последовательностей терпят неудачу.