Поиск

В исследовании представлен scLEMBAS — инновационная нейросетевая модель типа «gray-box», предназначенная для моделирования активности сигнальных путей на уровне единичных клеток. В отличие от чисто предсказательных моделей, scLEMBAS интегрирует априорные знания о сетях белок-белковых взаимодействий в архитектуру рекуррентной нейронной сети, где обучаемые веса ребер соответствуют силе сигнальных взаимодействий. Модель использует состязательный подход (adversarial approach) для генерации контрфактуальных сценариев, позволяя предсказать, как изменится активность транскрипционных факторов клетки при смене контекста или типа воздействия. Тестирование на двух наборах данных scRNA-seq показало высокую точность предсказания комбинаций возмущений и контекстов, выходящих за рамки обучающей выборки (out-of-distribution). Важным достижением является биологическая интерпретируемость: модель способна самостоятельно «отсеивать» ложные взаимодействия и идентифицировать белки, специфичные для конкретных типов клеток. Это открывает новые возможности для количественного анализа того, как клеточный контекст и внешние стимулы перестраивают сигнальные сети.

Еженедельный обзор ключевых событий в сфере медицинских технологий за период с 19 по 25 июля 2026 года. В центре внимания — масштабное обновление от OpenAI: запуск функции Health, которая позволяет интегрировать конфиденциальные медицинские данные непосредственно в экосистему ChatGPT для более точного анализа. Важным регуляторным достижением стало одобрение в США первой специализированной ИИ-платформы, способной диагностировать три различных типа апноэ. Также рассматривается внедрение интеллектуальных ИИ-агентов, предназначенных для непрерывного мониторинга и поддержки пациентов с фибрилляцией предсердий. Помимо технологических прорывов, дайджест освещает критические риски безопасности, включая распространение дипфейк-видео с поддельными медицинскими экспертами на платформе YouTube. Обзор охватывает как прикладные инструменты диагностики, так и этические вызовы цифровой трансформации медицины.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная мультимодальная система искусственного интеллекта, предназначенная для прогнозирования серьезных неблагоприятных сердечно-сосудистых событий (MACE). Ключевой особенностью разработки является способность модели эффективно работать в условиях неполных клинических данных, что является распространенной проблемой в реальной медицинской практике. Методология базируется на интеграции различных типов данных (мультимодальный подход) и использовании механизмов интерпретируемости, позволяющих врачам понимать логику принятия решений ИИ. Система демонстрирует высокую точность прогнозирования, значительно превосходя традиционные клинические шкалы риска даже при наличии пропусков в медицинских записях. Результаты исследования подчеркивают потенциал внедрения подобных ИИ-решений для раннего выявления пациентов группы высокого риска в кардиологии. Данная технология может существенно оптимизировать стратегии профилактического лечения и снизить уровень смертности от сердечно-сосудистых заболеваний.

Представлена GatorPrism — инновационная архитектура на основе смеси экспертов (Mixture-of-Experts), использующая самообучение и коалиционные графы для интеграции пространственных мультиомиксных данных. Методология системы позволяет разделять общий консенсус между различными омиксными слоями и специфические сигналы каждой модальности, адаптируя их вклад в зависимости от конкретной локации в ткани. В рамках модели совместный эксперт кодирует консенсусный граф на основе пересечений, а частные эксперты фиксируют уникальные пространственно-молекулярные структуры, при этом маршрутизатор на основе прототипов назначает веса для каждой точки ткани. В ходе тестирования на восьми наборах данных GatorPrism продемонстрировала превосходство над девятью конкурирующими методами по девяти метрикам кластеризации. Исследование на тканях миндалевидного железа человека подтвердило точность выделения доменов через соответствие маркерам RNA и ADT, а анализ эмбрионального мозга мыши выявил анатомически локализованные состояния, подтвержденные данными транскриптомики и доступности хроматина. Данная разработка обеспечивает высокую интерпретируемость и точность при изучении того, как молекулярные сигналы организуют структуру тканей.

Исследователи представили AINN-Express — инновационный инструмент для прогнозирования экспрессии однодоменных антител (нанотел) VHH, работающий исключительно на основе аминокислотных последовательностей. Модель построена на базе специализированной белковой фундаментальной модели AINN-P1 (167 млн параметров) и использует легковесный градиентный бустинг для оценки вероятности успешной экспрессии. В ходе тестирования с использованием строгого метода «leave-program-out» (исключение целых программ антител для проверки обобщающей способности) модель показала ROC-AUC 0.87 на известных программах и 0.81 на полностью новых, что значительно превосходит стандартные подходы. Важным достижением является то, что AINN-Express превзошла по обобщающей способности более крупную универсальную модель ESM2 (650 млн параметров), показав ROC-AUC 0.81 против 0.68 на новых данных. Исследование доказывает, что качество специализированных представлений важнее количества параметров, так как универсальные модели часто склонны к утечке данных, запоминая идентификаторы программ вместо биологических детерминант. Данный инструмент позволяет существенно снизить затраты на ранних этапах разработки терапевтических белков, приоритизируя наиболее перспективных кандидатов до начала лабораторных экспериментов.

В статье представлен Tx2Mol — инновационный фреймворк, использующий транскриптомные данные для направленного дизайна новых лекарственных молекул. В отличие от традиционных методов, ориентированных на структуру мишени, Tx2Mol переводит сигнатуры экспрессии генов непосредственно в химические структуры, сохраняя биологическую направленность процесса. Исследование проводилось на трех уровнях: массовые изменения экспрессии генов, одноклеточные пертурбации и сигнатуры заболеваний, полученные от пациентов. Результаты тестирования на 10 бенчмарках, связанных с онкологией, показали превосходство Tx2Mol над 9 базовыми моделями: среднее улучшение максимального сходства Танимото с известными лигандами составило 24,10%, а для мишени HDAC1 этот показатель вырос на 50,67%. Система продемонстрировала способность генерировать химически правдоподобные и структурно новые молекулы, которые сохраняют предсказанный биологический ответ даже в условиях зашумленных профилей единичных клеток. Данная технология открывает новые возможности для приоритезации кандидатов в лекарства, основываясь на системном биологическом ответе, а не только на связывании с конкретным белком.

В статье представлен CNVeil — инновационный биоинформатический фреймворк, предназначенный для решения критической проблемы при анализе данных секвенирования единичных клеток (scDNA-seq): перехода от оценки общего числа копий генов к гаплотип-специфичному профилированию. Методология CNVeil включает использование иерархической кластеризации, оценки плоидности с учетом субклонов и алгоритма максимизации ожидания (EM) для анализа гетерозиготных SNP, что позволяет восстанавливать ориентацию гаплотипов через динамическое программирование. В ходе масштабного бенчмаркинга, охватившего 20 симулированных и реальных наборов данных (включая технологии 10x Chromium и ACT), CNVeil превзошел 12 существующих методов по точности сегментации и идентификации субклонов. При тестировании на когорте мультиомных данных рака молочной железы (wellDR-seq) инструмент успешно выявил субклональную диверсификацию, которая оставалась невидимой при использовании стандартных методов анализа общего числа копий. Исследование демонстрирует, что связывание аллель-специфичного числа копий с транскрипционной вариативностью позволяет глубже понять эволюцию опухоли. Данная разработка закрывает методологический пробел в изучении геномной гетерогенности и предоставляет масштабируемый инструмент для прецизионной онкологии.

В исследовании представлена инновационная архитектура искусственного интеллекта Graph in Graph (GiG), предназначенная для комплексного анализа состояния здоровья пациента через интеграцию медицинских карт и омиксных данных. Методология GiG основана на иерархическом моделировании: сначала создается граф «человек-фенотип» на основе медицинских записей, который затем дополняется графами молекулярных сигнальных путей (омиксными графами) конкретного пациента. Это позволяет системе не только объединять разнородные данные, но и интерпретировать их, выделяя ключевые биомаркеры. В рамках апробации модели на когорте Long Life Family Study (LLFS), изучающей механизмы здорового старения, GiG успешно классифицировала состояния от здорового статуса до преддиабета и диабета 2 типа (T2D). Результаты показали высокую точность прогнозирования и способность ранжировать критически важные клинические и омиксные биомаркеры, что открывает новые возможности для персонализированной диагностики и поиска терапевтических мишеней.

Исследователи разработали CDRPipe (Computational Drug Repurposing Pipeline) — единую вычислительную платформу для ускоренного поиска новых применений существующих лекарств на основе анализа транскриптомных сигнатур. Методология заключается в гармонизации данных микрочипов из базы Connectivity Map (1 968 экспериментов) с псевдо-bulk профилями, полученными из масштабных данных секвенирования РНК единичных клеток базы Tahoe-100M (56 827 экспериментов). В ходе тестирования на 233 сигнатурах заболеваний было установлено, что профили единичных клеток демонстрируют значительно более высокую эффективность: медианная полнота охвата (recall) составила 50,0% против 6,2% у микрочипов (p < 10^-11). Ключевым открытием стало то, что данные двух технологий крайне мало пересекаются (всего 3,5% общих препаратов), что делает их интеграцию критически важной для расширения терапевтического охвата. Использование CDRPipe позволяет выявлять высокоточные консенсусные кандидаты, что подтверждено успешными кейсами в области аутоиммунных заболеваний и эндометриоза. Данный подход существенно повышает надежность и интерпретируемость процесса перепрофилирования лекарственных средств с помощью ИИ и биоинформатики.

Исследование посвящено сравнительному анализу эффективности белковых языковых моделей (PLM), таких как семейство ESM2 и ESM-C, в сопоставлении с классическими методами выравнивания последовательностей для идентификации рецепторов B- и T-клеток. Авторы протестировали модели на четырех специализированных базах данных, используя различные представления: от CDR3 до полных вариабельных доменов. Результаты показали, что на уровне CDR3 классические методы (BLOSUM62 и расстояние Левенштейна) превосходят варианты ESM2 на 7–12 процентных пунктов по точности поиска top-1, за исключением модели SCEPTR, учитывающей герминативные V-гены. На уровне полных доменов показатели моделей выравниваются, однако выявлено, что преимущество PLM обусловлено использованием «герминативного короткого пути» (использованием консервативной информации каркаса), а не улучшенным извлечением антиген-специфичных данных. Особое исключение составили сильно мутировавшие антитела ВИЧ-1, где языковые модели показали превосходство над выравниванием. Кроме того, исследование выявило проблему «утечки клонов» при стандартном случайном разделении данных, что искусственно завышает точность на 15–28%. Работа устанавливает необходимость использования клонально-ориентированного бенчмаркинга для оценки ИИ в иммунологии.

Разработан новый высокопараллельный биоинформатический конвейер neissflow на базе Nextflow, предназначенный для комплексного анализа геномов Neisseria gonorrhoeae (гонококка). Инструмент объединяет пять ключевых подпроцессов: предобработку чтений, идентификацию вида, сборку de novo, профилирование антибиотикорезистентности (AMR) и филогенетический анализ с учетом рекомбинации для обнаружения вспышек. В ходе валидации на смешанном наборе данных (n=158) система показала 100% чувствительность и специфичность в идентификации вида по сравнению с методами MALDI-TOF и PubMLST. Анализ девяти маркеров резистентности продемонстрировал согласованность с PubMLST на уровне ≥98,1%, при этом выявлена идеальная корреляция генотипа и фенотипа для критических мутаций (gyrA, 23S rRNA, tetM). Тесты на воспроизводимость подтвердили точность в 99,97% по 3093 аналитам, а филогенетический анализ показал 100% точность кластеризации. Данное решение представляет собой стандартизированный и надежный инструмент для лабораторий общественного здравоохранения, занимающихся мониторингом антибиотикорезистентности и расследованием вспышек инфекций.

OpenAI запускает возможность интеграции данных Apple Health и медицинских карт (из систем США) напрямую в чат ChatGPT. Это позволяет модели использовать контекст лекарств, анализов и истории посещений для персонализированных ответов в любых диалогах.

Nvidia представила фреймворк Medical Physics Simulation для платформы Isaac for Healthcare, который использует концепцию «физического ИИ» для обучения роботов через симуляцию. Технология объединяет классическую физику и генеративный ИИ (Cosmos-H Dreams) для создания реалистичных сценариев взаимодействия инструментов с тканями организма, что позволяет радикально ускорить обучение роботов.

Данное исследование, опубликованное в журнале npj Digital Medicine, представляет результаты рандомизированного контролируемого исследования (RCT) в рамках международного консорциума ProHEAD. Основная цель работы — оценка эффективности применения цифровых технологий (e-technology) в стимулировании подростков с ментальными расстройствами к своевременному обращению за профессиональной психологической помощью. Методология исследования включала использование специализированных цифровых инструментов для мониторинга состояния и интервенций, направленных на преодоление барьеров при поиске поддержки. Ключевые результаты демонстрируют потенциал цифровых платформ в улучшении вовлеченности целевой группы и снижении задержек в получении медицинской помощи. Работа имеет высокую клиническую значимость, так как предлагает масштабируемое решение для интеграции ИИ и цифровых инструментов в протоколы охраны психического здоровья молодежи. Исследование подчеркивает переход от традиционных методов к превентивной цифровой психиатрии.

В данном исследовании, опубликованном в журнале npj Digital Medicine, рассматривается потенциал использования больших языковых моделей (LLM) для раннего обнаружения признаков психотических расстройств. Авторы анализируют способность нейросетей интерпретировать лингвистические паттерны, которые могут указывать на когнитивные и семантические изменения, характерные для начальных стадий психоза. Методология включает тестирование различных архитектур LLM на наборах данных, содержащих текстовые репрезентации речи пациентов. Ключевым результатом является демонстрация высокой точности моделей в дифференциации между контрольной группой и лицами с высоким риском развития психоза. Исследование подчеркивает значимость автоматизированного анализа речи как неинвазивного инструмента скрининга в психиатрической практике. Полученные данные открывают путь к созданию систем поддержки принятия врачебных решений, способных выявлять риски на ранних этапах, когда терапевтическое вмешательство наиболее эффективно.

В статье рассматривается критическая проблема эффективности человеческого контроля над системами искусственного интеллекта в медицине. Авторы утверждают, что простого присутствия врача («human in the loop») недостаточно для обеспечения безопасности пациентов. Предложена новая концептуальная модель, состоящая из четырех взаимосвязанных условий: эпистемическая способность (понимание работы ИИ), когнитивное пространство (наличие времени и ресурсов на анализ), решающая власть (право врача отменить решение ИИ) и эффективность вмешательства. Исследование подчеркивает необходимость внедрения этих условий на всех этапах жизненного цикла системы: от закупки и развертывания до мониторинга и вывода из эксплуатации. Такой подход позволяет превратить надзор из формальной процедуры в реальный инструмент обеспечения безопасности при работе с предиктивными, генеративными и автономными агентными системами ИИ. Модель призвана минимизировать риски, связанные с чрезмерным доверием к алгоритмам и когнитивной перегрузкой медицинского персонала.

Обзор посвящен интеграции машинного обучения и механистических моделей для создания цифровых двойников пациентов. В работе предлагается гибридный подход для персонализации лечения и мониторинга состояния пожилых онкологических больных, подкрепленный кейсом с использованием марковских процессов принятия решений.

Группа ученых из ведущих китайских институтов (Фуданьский университет, Шанхайский университет Цзяотун и др.) разработала инновационную модель искусственного интеллекта для классификации большого депрессивного расстройства (БДР). Используя данные функциональной магнитно-резонансной томографии (фМРТ), алгоритм способен выделять два distinct биологических подтипа заболевания, которые ранее было сложно дифференцировать клинически. Исследование, опубликованное в журнале Digital Medicine, демонстрирует потенциал перехода от симптоматического подхода к биологически обоснованному лечению психических расстройств. Ключевая ценность разработки заключается в возможности прогнозирования вероятности ответа пациента на терапию еще до начала лечения. Внедрение данной модели в клиническую практику позволит врачам осуществлять персонализированный подбор медикаментозного и психотерапевтического вмешательства, минимизируя метод проб и ошибок. Это открывает новые горизонты в области прецизионной психиатрии и цифровой диагностики.

В данной статье исследуется применение передовых больших языковых моделей (LLM) для автоматизированного анализа и разъяснения результатов регулярных медицинских чекапов. Исследование фокусируется на способности нейросетей переводить сложные лабораторные показатели и клинические данные в доступные для пациента объяснения, сохраняя при этом высокую медицинскую точность. Методология включает оценку точности интерпретации биохимических маркеров, показателей крови и других диагностических данных в сравнении с экспертной оценкой врачей. Ключевые результаты демонстрируют, что современные LLM способны минимизировать когнитивную нагрузку на пациентов, предоставляя персонализированные отчеты, однако подчеркивается необходимость строгого контроля за галлюцинациями моделей. Практическая значимость работы заключается в потенциале масштабирования первичной медицинской консультации и повышения вовлеченности пациентов в управление собственным здоровьем через автоматизированные системы поддержки принятия решений.