Поиск

В статье представлен новый метод π-MNovo, основанный на глубоком обучении, для de novo секвенирования пептидов в метопротеомике. Авторы отмечают, что существующие модели ИИ часто обучаются на данных немикробных протеом, что снижает их эффективность для анализа микробных сообществ. Для решения этой проблемы создана специализированная база данных, включающая более 10 миллионов аннотированных тандемных масс-спектров от 72 культуральных изолятов микроорганизмов. Модель π-MNovo использует адаптацию к микробным спектрам и алгоритм выбора кандидатов, основанный на доказательствах, для повышения точности определения полных последовательностей пептидов. В независимом бенчмарке из семи видов модель показала полноту распознавания (recall) на уровне 66,30%, превзойдя четыре опубликованные модели на 6,9–21,7%. Применение метода к двум независимым наборам данных метопротеомики увеличило таксономическое покрытие, а анализ синтетических сообществ подтвердил точность количественной оценки. Кроме того, из спектров, ранее не идентифицированных стандартными инструментами, π-MNovo восстановил 1587 новых пептидов, соответствующих справочным базам. Результаты демонстрируют, что ИИ-подход существенно расширяет возможности извлечения биологической информации из сложных микробных проб.

Статья рассматривает трансформацию взаимодействия врача и пациента через призму использования ИИ-инструментов, таких как ChatGPT и Claude, для записи и анализа медицинских консультаций. Автор описывает, как пациенты используют генеративный ИИ для создания точных, интерактивных и searchable-записей визитов, что меняет динамику подотчетности и требует от врачей адаптации к новым реалиям.

Компания Ayble Health, специализирующаяся на лечении заболеваний желудочно-кишечного тракта с использованием ИИ, привлекла $16 млн в рамках раунда Series A. Основатель и генеральный директор Сам Джактел заявил, что средства будут направлены на развитие возможностей машинного обучения для персонализации лечения пациентов и расширения модели на другие аутоиммунные заболевания.

Стартап в сфере медицинских технологий Forus объявил о привлечении $150 млн в раунде финансирования серии C. Полученные средства компания направит на расширение своей сети, работающей на основе искусственного интеллекта, с целью охвата большего числа медицинских специальностей и условий оказания помощи. Платформа Forus использует ИИ для оптимизации процесса доступа пациентов к лекарственным препаратам, что включает подбор терапии, взаимодействие с аптеками и страховыми компаниями, а также ускорение получения разрешений на назначение дорогостоящих лекарств. Привлечение столь крупного раунда свидетельствует о высоком интересе инвесторов к решениям, автоматизирующим административные и логистические процессы в здравоохранении. Расширение платформы позволит интегрировать её в большее количество клинических рабочих процессов, что потенциально сократит время ожидания для пациентов и снизит нагрузку на медицинский персонал. Точная оценка компании после раунда не раскрывается, однако, по данным источников, она может достигать $3 млрд, что подтверждает статус Forus как одного из лидеров в сегменте ИИ-платформ для управления лекарственным обеспечением.

Компания Parakeet Health, специализирующаяся на применении агентного искусственного интеллекта в здравоохранении, объявила о стратегическом партнерстве с Qualderm — одной из крупнейших дерматологических организаций США. Сотрудничество направлено на решение растущей проблемы доступа к специализированной медицинской помощи с помощью ИИ-агентов, которые автоматизируют взаимодействие с пациентами и оптимизируют административные процессы. Агентный ИИ позволяет автономно выполнять задачи, такие как запись на прием, напоминания, обработка запросов и маршрутизация пациентов, что снижает нагрузку на персонал и сокращает время ожидания. Партнерство с Qualderm, объединяющей множество клиник по всей стране, открывает Parakeet Health доступ к масштабной клинической базе и позволяет тиражировать решение в крупных сетях специализированной помощи. Это один из примеров растущего тренда внедрения агентного ИИ в дерматологии и других узких специальностях, где дефицит специалистов особенно ощутим. Ожидается, что автоматизация рутинных операций повысит эффективность работы клиник и улучшит удовлетворенность пациентов.

Компания DeepMind (подразделение Google) представила AlphaGenome Atlas — крупнейшую на сегодняшний день предсказательную карту молекулярных эффектов всех возможных однонуклеотидных вариантов (SNV) в человеческом геноме. Атлас охватывает около 9 миллиардов одиночных замен букв ДНК, что покрывает практически все теоретически возможные точечные мутации в геноме человека. Для каждой такой замены модель AlphaGenome предсказывает, как изменение последовательности влияет на структуру и функцию соответствующих белков, а также на регуляторные элементы генома. Это позволяет оценивать патогенность вариантов, выявлять потенциально вредные мутации и интерпретировать результаты секвенирования генома в клинической практике. Методология основана на глубоком обучении и расширяет подходы, ранее применённые в AlphaFold для предсказания структуры белков, но теперь адаптированные для анализа геномных вариантов в масштабе всего генома. Атлас доступен исследователям и клиницистам, что может ускорить диагностику редких генетических заболеваний и персонализированную медицину. Это значительный шаг в применении ИИ для интерпретации геномных данных и перехода от лабораторных исследований к практическому использованию в здравоохранении.

Статья, опубликованная в журнале npj Artificial Intelligence 8 сентября 2026 года, исследует влияние выбора шкалы оценивания на качество работы LLM-судьи (LLM-as-a-judge) — подхода, при котором большая языковая модель используется для автоматической оценки ответов других моделей. Авторы провели систематическое сравнение нескольких распространённых шкал (0–5, 0–10, 0–100 и другие) на наборе задач из медицинской и общей областей. Ключевой результат: согласованность оценок LLM с оценками экспертов-людей оказалась максимальной при использовании шкалы 0–5, тогда как более дробные шкалы приводили к снижению точности и увеличению разброса. Исследование также показало, что на шкале 0–5 LLM-судья демонстрировал меньшую склонность к предвзятости по длине ответа и лучше различал качественные ответы. Работа имеет прямое практическое значение для разработки систем автоматической оценки в медицинских приложениях, где точность и воспроизводимость оценок критически важны, например, при валидации ответов диагностических ассистентов или оценке качества клинических рекомендаций, сгенерированных ИИ.

В статье, опубликованной в npj Digital Medicine 8 сентября 2026 года, представлена новая система обнаружения мошенничества в медицинском страховании, основанная на методах машинного обучения. Разработка направлена на решение двух ключевых проблем: недостаточное использование временной динамики в данных о страховых требованиях и низкая объяснимость моделей, что критично для доверия со стороны регуляторов и страховых компаний. Авторы предлагают фреймворк, который захватывает временные закономерности в последовательностях заявлений и обеспечивает уверенность в прогнозах, что позволяет снизить количество ложных срабатываний. В работе, вероятно, используются методы глубокого обучения, такие как рекуррентные нейронные сети или трансформеры, дополненные механизмами внимания для интерпретации решений. Результаты показывают значительное улучшение точности обнаружения по сравнению с существующими подходами, а также повышение прозрачности модели, что облегчает её внедрение в практику страховых организаций. Данная работа имеет прямое отношение к применению ИИ в здравоохранении, в частности в области финансового мониторинга и борьбы с мошенничеством, что способствует снижению затрат и повышению эффективности системы здравоохранения.

Исследование описывает разработку и оценку пациент-ориентированной панели мониторинга, которая интегрирует многомерные данные о походке, полученные с помощью носимых датчиков, для улучшения коммуникации в клинической практике при рассеянном склерозе. Применялся человеко-центрированный дизайн, включающий интервью, воркшопы и опросы; прототипы оценивались врачами и пациентами. Результаты показали высокую понятность и полезность панели, большинство пациентов предпочли её предыдущим визуализациям.

Программный комплекс LazyDoc, предназначенный для автоматизации заполнения и анализа медицинской документации с использованием технологий искусственного интеллекта, официально включен в Единый реестр российских программ для электронных вычислительных машин и баз данных. Это включение подтверждает соответствие продукта требованиям Минцифры России и дает медицинским организациям право применять его в рамках государственных и муниципальных закупок, а также использовать меры государственной поддержки. LazyDoc использует алгоритмы обработки естественного языка (NLP) и машинного обучения для распознавания врачебных записей, автоматического формирования структурированных электронных медицинских карт и снижения документационной нагрузки на медицинский персонал. По данным разработчиков, сервис позволяет сократить время на ведение документации до 70%, что особенно актуально в условиях дефицита кадров в здравоохранении. Включение в реестр отечественного ПО также гарантирует защиту медицинских данных на серверах, расположенных на территории России, что соответствует требованиям законодательства о персональных данных. Решение уже внедрено в ряде клиник и медицинских центров, где показало высокую точность распознавания и значительное улучшение качества заполняемой документации.

В статье, опубликованной в журнале Nature Machine Intelligence 28 августа 2026 года, представлен новый метод обучения больших языковых моделей (LLM) для задач молекулярного дизайна с учетом неопределенности данных. Авторы, группа исследователей под руководством Rankovic, разработали подход, который позволяет моделям не только генерировать перспективные молекулярные структуры, но и оценивать степень уверенности в своих предсказаниях. Это критически важно для экспериментальной верификации, так как позволяет исследователям сосредоточить ресурсы на наиболее надежных кандидатах. Метод включает калибровку неопределенности в процессе обучения, что повышает точность отбора молекул для синтеза и тестирования. Работа демонстрирует значительный прогресс в применении LLM в химии и фармацевтике, сокращая разрыв между вычислительными предсказаниями и реальными экспериментами. Результаты показывают, что калиброванные модели превосходят стандартные LLM по эффективности поиска новых соединений, что может ускорить разработку лекарств и материалов. Статья подчеркивает важность учета неопределенности в ИИ-системах для научных открытий.

В статье, опубликованной в журнале Nature Machine Intelligence 3 сентября 2026 года, представлена модель NucleicBERT, разработанная группой Upadhyay и коллег. Модель обучена методом самоконтролируемого языкового моделирования на крупномасштабных данных РНК-последовательностей. Основная проблема, которую решают авторы, — сложность вывода структуры и функции РНК из-за нехватки аннотированных данных, несмотря на обилие самих последовательностей. NucleicBERT позволяет извлекать биологически значимые паттерны из корреляций последовательностей без явных аннотаций. Такой подход относится к применению методов обработки естественного языка (NLP) в биоинформатике и молекулярной биологии, что является частью более широкого направления ИИ в медицине. Модель может быть полезна для предсказания функций некодирующих РНК, что имеет значение для диагностики и терапии. Работа демонстрирует потенциал самоконтролируемого обучения для анализа биологических последовательностей и открывает новые возможности для интерпретации РНК-пространства.

Вторая часть серии исследований, посвященных оценке применимости современных ИИ-фреймворков для автоматизации научных исследований в реальной промышленной среде. Авторы протестировали пять передовых ИИ-систем (Kosmos, K-Dense, ToolUniverse, BioAgents от bio.xyz и AI Scientist-v2 от Sakana AI) на двух практически значимых для биофармацевтики задачах: предсказание свойств разрабатываемости антител с использованием эмбеддингов предобученных белковых языковых моделей и моделирование нековалентных липид-РНК взаимодействий в липидных наночастицах с помощью полноатомной молекулярной динамики (МД). Результаты показали, что фреймворки демонстрируют реальные сильные стороны: они самостоятельно выявляли тонкие методологические проблемы, успешно использовали предобученные белковые эмбеддинги и последовательно сообщали p-значения и доверительные интервалы, часто отсутствующие в оригинальных статьях. Однако ни один фреймворк не смог охватить весь объем оригинальных исследований, и наблюдались серьезные сбои и галлюцинации. Выводы подтверждают и расширяют результаты первой части: реальные опубликованные исследования фармацевтических компаний оказались значительно сложнее для современных ИИ-фреймворков, чем стандартные бенчмарки. Это подчеркивает разрыв между лабораторными тестами и практическим применением ИИ в научных исследованиях, что важно учитывать при внедрении таких систем в биофармацевтическую разработку.

Статья в журнале Nature Machine Intelligence (опубликована онлайн 1 сентября 2026 года) представляет новый подход к улучшению надежности искусственного интеллекта путем использования сигналов мозга человека. Исследователи обнаружили, что выравнивание представлений (representational alignment) — метод, который ранее использовался для сравнения активности человеческого мозга и языковых моделей, — может быть применен для управления процессом обучения ИИ. В работе показано, что использование нейронных сигналов в качестве обратной связи позволяет направлять рассуждения моделей, повышая их точность и устойчивость к ошибкам. Метод основан на сопоставлении внутренних представлений модели с паттернами активности мозга, что помогает модели лучше имитировать человеческие когнитивные процессы. Эксперименты продемонстрировали значительное улучшение надежности рассуждений по сравнению с традиционными подходами. Это открывает новые перспективы для создания более интерпретируемых и безопасных систем ИИ в медицине, где точность и объяснимость критически важны. Результаты подчеркивают потенциал нейронауки в совершенствовании алгоритмов машинного обучения.

OpenAI расширяет возможности ChatGPT в сфере здравоохранения, внедряя новые интеграции, которые напрямую связывают модель с клиническими рабочими процессами и источниками данных общественного здравоохранения. Ключевым партнерством стало подключение к Epic — одной из крупнейших систем электронных медицинских карт (EHR) в США, что позволяет врачам получать контекстную информацию о пациентах непосредственно в интерфейсе ChatGPT. Интеграция с данными общественного здравоохранения (public health data) дает возможность модели анализировать эпидемиологические сводки, данные о вспышках заболеваний и статистику по регионам, помогая медицинским работникам принимать более обоснованные решения. Это значимый шаг в направлении внедрения генеративного ИИ в повседневную клиническую практику, поскольку ранее ChatGPT в медицине использовался в основном для общих консультаций и административных задач. Новая функциональность ориентирована на реальные сценарии использования: подготовка к приему пациента, быстрое извлечение релевантной информации из истории болезни и оценка эпидемиологической обстановки. Однако в статье не приводятся конкретные технические детали реализации, сроки запуска или данные о пилотных испытаниях в медицинских учреждениях. Тем не менее, анонс подтверждает стратегический курс OpenAI на углубление присутствия в клинической сфере и конкуренцию с такими специализированными решениями, как Google Med-PaLM и Microsoft Nuance DAX.

Ученые из Insilico Medicine (Китай) и других научных центров обнаружили потенциальный антивозрастной эффект у экспериментального препарата rentosertib, разработанного с применением искусственного интеллекта для лечения идиопатического легочного фиброза (ИЛФ). В дополнительном анализе данных исследования II фазы у пациентов, получавших препарат, показатели расчетного биологического возраста снизились сразу по нескольким системам оценки старения. Результаты опубликованы в авторитетном журнале Nature Biotechnology. Rentosertib — это малая молекула, идентифицированная с помощью генеративной платформы ИИ компании Insilico Medicine, которая позволяет создавать новые химические структуры с заданными свойствами. Препарат уже продемонстрировал эффективность в лечении ИЛФ в клинических испытаниях, а теперь данные указывают на его дополнительный потенциал в геронтологии. Снижение биологического возраста оценивалось с помощью нескольких независимых эпигенетических часов и других биомаркеров старения, что повышает достоверность результатов. Это открытие может стать важным шагом к созданию первых одобренных антивозрастных терапий, а также подтверждает ценность ИИ в открытии лекарств с множественными терапевтическими эффектами. Исследование открывает перспективы для дальнейших клинических испытаний rentosertib в качестве средства для замедления старения и лечения возраст-ассоциированных заболеваний.

В статье представлена новая модель PI-HGRU (physics-informed hybrid gated recurrent unit) для прогнозирования распространения пирикуляриоза (рисового грибка) в пространстве и времени. Модель сочетает дифференциальные уравнения, описывающие динамику передачи болезни, с гибридной архитектурой на основе гейтированных рекуррентных блоков (GRU), что позволяет объединить механистические знания эпидемиологии с обучением на данных. Для обучения и оценки использован многолетний набор данных (2000–2016 гг.) по 16 крупным рисоводческим провинциям Южного Китая, включающий полевые наблюдения, данные дистанционного зондирования, метеорологические и почвенные характеристики. Для обработки нерегулярных интервалов наблюдений и разной длины временных рядов применён подход со скользящим временным окном, а также проведён анализ чувствительности для выбора оптимальных параметров окна и задержки. Результаты показали, что PI-HGRU значительно превосходит чисто data-driven модель HGRU: коэффициент корреляции r² улучшен на 22,8%, а RMSE и MAE снижены на 10,2% и 18,0% соответственно. Анализ промежуточных переменных выявил интерпретируемую связь между скоростью передачи β(t) и условиями окружающей среды, что подтверждает способность модели объяснять механизмы распространения болезни. Работа демонстрирует, что интеграция эпидемиологических механизмов в глубокое обучение повышает точность, стабильность и интерпретируемость прогнозов, что важно для крупномасштабного мониторинга и точного управления болезнями сельскохозяйственных культур.

Китайские регулирующие органы впервые одобрили к выпуску на рынок инновационный препарат от COVID-19, при разработке которого использовались технологии искусственного интеллекта. Об этом сообщили в Университете Сиху (КНР). Это событие знаменует собой важный этап в применении ИИ в фармацевтической отрасли: алгоритмы машинного обучения использовались для анализа молекулярных структур, прогнозирования эффективности и оптимизации клинических испытаний. Одобрение препарата подтверждает, что ИИ может ускорить процесс создания лекарств, сокращая время и затраты на исследования. Для практической медицины это открывает новые возможности для быстрой разработки терапевтических средств против новых штаммов вирусов. Точные данные о названии препарата, действующем веществе и сроках выхода на рынок в сообщении не раскрываются, однако сам факт регуляторного одобрения является прецедентом для всей индустрии.

Компания Cureety, специализирующаяся на цифровой онкологии, объявила о приобретении Reimagine Care, платформы удаленного мониторинга пациентов с раком. Объединенная компания теперь поддерживает более 250 онкологических центров и охватывает более 100 000 пациентов в пяти странах. Reimagine Care использует искусственный интеллект для анализа симптомов и данных пациентов в реальном времени, что позволяет врачам своевременно корректировать лечение и предотвращать осложнения. Платформа интегрируется с электронными медицинскими картами и предоставляет клиницистам прогностические модели для оценки рисков. Приобретение усиливает позиции Cureety в сегменте точной онкологии, где ИИ применяется для персонализации терапии и улучшения исходов лечения. Ожидается, что синергия технологий позволит ускорить внедрение предиктивной аналитики в клиническую практику и снизить нагрузку на онкологические отделения. Финансовые условия сделки не раскрываются.