Поиск

Данная научная работа посвящена критическому анализу применения теории конформного прогнозирования (conformal prediction) в контексте медицины, где критически важна оценка неопределенности прогнозов. Авторы исследуют ограничения существующих методов при работе с конечными выборками данных, что является ключевой проблемой в клинической практике из-за ограниченности наборов данных по редким заболеваниям. В статье рассматривается, как математические гарантии покрытия (coverage guarantees) адаптируются к реальным медицинским сценариям и насколько они надежны при малом объеме обучающих данных. Методология исследования включает теоретический анализ и оценку устойчивости алгоритмов к смещению распределения данных. Ключевым выводом является необходимость разработки более робастных методов конформного прогнозирования, способных обеспечивать строгую статистическую достоверность в условиях высокой вариативности медицинских показателей. Работа имеет высокую значимость для разработки систем поддержки принятия врачебных решений, где цена ошибки при неверной оценке вероятности диагноза крайне высока.

Авторы предлагают новую девятимерную модель PHDm для персонализированного здравоохранения, расширяющую классическую биопсихосоциальную модель. В качестве доказательства концепции предложена байесовская сеть для прогнозирования риска ожирения, показавшая точность 85% на данных NHANES.

Разработана платформа на базе Web 3.0 и блокчейна для управления динамическим согласием участников скрининга рака легких в Тайване. Система интегрирует ИИ для оценки рисков и обеспечивает прозрачное использование биомедицинских данных и результатов КТ при соблюдении этических норм.

Исследование оценивает восприятие групп кризисной поддержки при использовании системы виртуальных пациентов на базе генеративного ИИ для обучения психологической первой помощи. Участники положительно оценили инструмент как дополнение к традиционному обучению, несмотря на некоторые замечания к визуализации мимики аватаров.

Исследование оценило возможность использования подхода BYOD (принеси свое устройство) для еженедельного мониторинга побочных эффектов химиотерапии через мобильные приложения. Результаты показали высокую приверженность пациентов (75-93%) к заполнению электронных опросников, включая пожилых людей, что позволяет эффективно отслеживать симптомы в реальном времени.

Специалисты Центра диагностики и телемедицины Департамента здравоохранения Москвы (ДЗМ) приступили к масштабной работе по стандартизации медицинского искусственного интеллекта. В настоящее время ведется разработка четырех ключевых документов: проектируются три новых ГОСТа и пересматривается существующий стандарт, регулирующий использование наборов данных для обучения и тестирования клинических алгоритмов. Особое внимание уделено внедрению требований для систем на базе больших генеративных моделей (LLM/LMM), которые должны соответствовать строгим техническим и медицинским аспектам. Новые стандарты охватят функциональные возможности ИИ, обеспечивая безопасность и точность его применения в реальной клинической практике. Данная инициатива направлена на создание единой нормативной базы для интеграции передовых генеративных технологий в государственную систему здравоохранения Москвы.

В статье рассматривается новая методологическая модель для оценки экономического эффекта от внедрения технологий искусственного интеллекта в медицинскую практику. Авторы предлагают отойти от традиционного анализа «затраты-выгода» в пользу комплексного подхода, который объединяет прямые финансовые издержки с «ценностью, ориентированной на миссию» (mission-aligned value). Данная концепция учитывает не только экономию бюджета, но и влияние ИИ на качество клинических исходов, безопасность пациентов и эффективность работы медицинского персонала. Исследование подчеркивает, что стандартные экономические метрики часто игнорируют долгосрочные преимущества ИИ, такие как снижение уровня выгорания врачей и повышение точности ранней диагностики. Предложенная модель позволяет более точно прогнозировать возврат инвестиций (ROI) в цифровое здравоохранение, учитывая социальную и клиническую значимость внедряемых алгоритмов. Результаты работы могут стать стандартом для принятия решений при закупке ИИ-решений в государственных и частных медицинских учреждениях.

В данном исследовании представлен новый метод механистической интерпретируемости под названием VFUSE, предназначенный для аудита генеративных моделей белков на предмет создания опасных патогенов. Авторы обучают разреженные автоэнкодеры (SAE) на активациях диффузионных трансформеров, чтобы выявлять скрытые признаки, связанные с вирулентностью. Методология была протестирована на популярных моделях RoseTTAFold3 и RFDiffusion3, используемых для фолдинга и синтеза белков. Результаты показали, что линейные зонды, работающие в латентном пространстве SAE, обнаруживают опасные дизайны значительно эффективнее, чем стандартные представления моделей. Исследователям удалось идентифицировать моносемантические признаки, которые активируются исключительно на опасных структурах, достигнув показателя AUROC 0,84 при высокой статистической значимости (q < 10^-13). Данная работа имеет критическое значение для обеспечения биобезопасности при использовании ИИ в протеомике и синтетической биологии.

В статье представлен ANCHOR — инновационный вычислительный фреймворк, предназначенный для анализа транскриптомов единичных клеток с использованием секвенирования РНК длинными чтениями. Методология ANCHOR объединяет в себе поиск вариантов на основе ориентированных графов (signed-graph variant caller), парное скрытое марковское моделирование и бета-биномиальную агрегацию UMI. Это позволяет проводить обнаружение экспрессируемых вариантов de novo, назначать гаплотипы на уровне отдельных молекул и количественно оценивать аллельную экспрессию для конкретных изоформ без необходимости в предварительно фазированном генотипе или использовании глубокого обучения. В ходе бенчмаркинга на данных человека ANCHOR продемонстрировал превосходство над существующими инструментами при низком и умеренном покрытии, а использование бета-биномиальной модели позволило значительно снизить количество ложноположительных результатов при тестировании аллель-специфичной экспрессии. Применение метода на данных мышиных эмбрионов в процессе гаструляции позволило успешно выявить специфичные для типов клеток импринтинговые эффекты и обнаружить антагонистическую матерински-смещенную изоформу гена Sgce. Данный инструмент открывает новые возможности для детального изучения диплоидных транскриптомов на уровне единичных клеток.

В Санкт-Петербургском государственном университете телекоммуникаций (СПбГУТ) под руководством доцента Риммы Лабковской ведется разработка инновационной ИИ-платформы «Цифровой нутрициолог». Проект направлен на решение проблемы пищевой непереносимости через использование алгоритмов машинного обучения для анализа индивидуальных реакций организма. Методология системы предполагает сбор и обработку больших данных о питании и самочувствии пользователя для выявления скрытых закономерностей. Ключевой особенностью является способность ИИ прогнозировать нежелательные реакции на конкретные продукты питания, что позволяет составить персонализированную диету. Внедрение подобного сервиса имеет высокую практическую значимость для превентивной медицины и персонализированного здравоохранения, помогая снизить риск развития хронических заболеваний. Разработка может стать важным инструментом в цифровой нутрициологии, обеспечивая автоматизированный мониторинг рациона.

Исследователи представили GEOAgent — инновационную автономную систему, предназначенную для решения проблемы гетерогенности данных в базе Gene Expression Omnibus (GEO). Фреймворк объединяет семантическое управление и автоматизированный конвейер bioStream на базе Nextflow для интеллектуального поиска и стандартизации обработки данных. В рамках разработки метаданные 181 760 секвенирующих серий и 84 756 записей PubMed были систематизированы в реляционной базе данных и семантическом индексе, что позволяет осуществлять поиск датасетов с помощью запросов на естественном языке. Система автоматически определяет модальности анализов, разрешает зависимости в дизайне экспериментов и стандартизирует именование образцов, минимизируя ручную работу кураторов. В ходе экспертных тестов GEOAgent продемонстрировал точность поиска (precision) на уровне 96%, а также 100% точность в классификации типов анализов и определении взаимосвязей между образцами. Технология позволяет автоматически генерировать манифесты для запуска контейнеризированных рабочих процессов как для bulk, так и для single-cell омиксных данных, что значительно ускоряет биоинформатический анализ.

В исследовании представлен scCRAFT+ — инновационный метод полуавтоматической интеграции данных секвенирования РНК единичных клеток (scRNA-seq). Основная проблема текущих методов заключается в потере тонких различий между близкородственными типами клеток при интеграции транскриптомных данных. Авторы предложили использовать виртуальное состязательное обучение (Virtual Adversarial Training, VAT) для совместной оптимизации репрезентаций транскриптома и супервизии на основе маркерных генов. Это позволяет модели обеспечивать гладкость локальных предсказаний для транскрипционно схожих клеток, что повышает устойчивость к шуму в аннотациях маркеров. Результаты бенчмаркинга подтвердили, что scCRAFT+ превосходит существующие методы как в unsupervised, так и в supervised подходе. Модель демонстрирует высокую точность автоматической аннотации типов клеток, даже при использовании неполных или частично некорректных наборов маркерных генов, сохраняя биологическую разрешающую способность данных.

Исследование посвящено проблеме предсказания структур «ложных» (spurious) белков — аномальных последовательностей, возникающих из-за ошибок в предсказании генов, которые теоретически не должны иметь стабильной структуры. Авторы провели сравнительный анализ трех передовых методов: AlphaFold2, AlphaFold3 и ESMFold, чтобы выяснить, способны ли они отличить реальные белки от ошибочных. Результаты показали, что все три модели неожиданно присваивают коротким ложным последовательностям из базы AntiFam высокие показатели достоверности (pLDDT), однако способность к дискриминации улучшается на последовательностях длиннее 100 аминокислот. В ходе работы ученые выявили два вероятных ложных открытых рамки считывания (ORF) в базе Swiss-Prot и один потенциально реальный белок. На основе анализа расхождений между показателями pTM и pLDDT была разработана модель на базе гауссовского процесса, которая позволяет масштабируемо идентифицировать ложные белки в базе AlphaFold DB. Данный подход значительно повышает точность верификации протеомных данных при использовании в сочетании с другими методами биоинформатики.

Исследование посвящено фундаментальной проблеме белковых языковых моделей (pLMs): способны ли они обобщать статистическую грамматику белков или же просто запоминают обучающие последовательности. Авторы применили метод псевдоперплексии в качестве зонда для выявления уровня запоминания в модели ProtT5. Методология включала сравнение псевдоперплексии на прокси-датасете (из обучающей выборки) и на контрольной выборке из подлинно новых последовательностей, отобранных по параметрам длины, размера кластера и таксономической принадлежности. В качестве статистического базиса использовались n-грамные языковые модели, которые подтвердили новизну контрольных последовательностей на локальном уровне. Результаты показали статистически значимую разницу в псевдоперплексии между увиденными и невиданными последовательностями, однако сам сигнал запоминания оказался умеренным. Это исследование критически важно для понимания надежности pLMs при проектировании новых белков и их применения в биомедицинских задачах.

В исследовании представлен инновационный метод реконструкции генных регуляторных сетей (GRN) на основе данных секвенирования РНК единичных клеток (scRNA-seq). Авторы разработали архитектуру двухканальной графовой нейронной сети (GCN) с общим весом, которая позволяет эффективно объединять априорные знания о регуляции с паттернами коэкспрессии генов, устраняя ограничения существующих методов. Предложенный вычислительный фреймворк интегрирует профили дифференциальной экспрессии генов и изменения регуляции для точного определения ключевых регуляторов, определяющих различные состояния клеток. Экспериментальные тесты подтвердили, что новый алгоритм значительно превосходит современные аналоги (state-of-the-art) по точности предсказания и демонстрирует высокую устойчивость к шуму и пропущенным данным. Применение метода на двух наборах данных scRNA-seq показало его эффективность в выявлении ключевых регуляторов, ответственных за метастазирование опухолей и развитие лекарственной устойчивости. Данная разработка открывает новые возможности для понимания молекулярных механизмов патологических процессов на клеточном уровне.

В статье представлено инновационное решение HNSW-MS, предназначенное для ускорения поиска сходства масс-спектров в метаболомике, что критически важно для аннотации молекул и построения молекулярных сетей. Авторы внедряют алгоритм иерархического навигационного графа малых миров (Hierarchical Navigable Small World) непосредственно для работы с сырыми данными GC-MS и LC-MS/MS без необходимости предварительной обработки или создания эмбеддингов. Это обеспечивает максимальную воспроизводимость результатов при работе с огромными базами данных, такими как GNPS, объем которых превышает один миллиард спектров. В ходе валидации на наборе из 8,4 миллионов MS/MS спектров метод HNSW-MS продемонстрировал ускорение поиска до 560 раз по сравнению с традиционным линейным сканированием. При этом система сохраняет высокую точность, удерживая показатель top-1 recall на уровне выше 90%, а при определенных настройках параметров достигает идеальной полноты поиска. Данная технология устраняет «узкое место» в анализе метаболомных данных, позволяя проводить запросы к общедоступным репозиториям практически в реальном времени.

В исследовании представлена CLASPP — инновационная унифицированная модель глубокого обучения, предназначенная для одновременного предсказания различных типов посттрансляционных модификаций (PTM) на основе первичной аминокислотной последовательности белка. Основная проблема существующих методов — фрагментация и дисбаланс данных между редкими и распространенными типами модификаций — решается с помощью стратегии контрастного обучения (contrastive learning) и метода недосэмплирования на основе обучения без учителя. Модель использует предобученную языковую модель белка для извлечения структурных и последовательных признаков, что позволяет ей эффективно работать с 12 основными типами PTM. Результаты тестирования подтверждают, что CLASPP превосходит существующие инструменты по точности предсказания во многих биологических организмах. В качестве проверки применимости модели авторы экспериментально подтвердили сайты убиквитинирования в малоизученной киназе DCLK3. Исследование также предлагает стандартизированный набор данных и иерархическую организацию данных, что значительно улучшает репрезентативность редких модификаций и открывает новые возможности для функциональной протеомики.

Исследование представляет scFAIR — новый консорциум, созданный для решения проблем доступности и воспроизводимости данных секвенирования РНК единичных клеток (scRNA-seq). Авторы разработали единую схему метаданных и систему кураторства, расширяющую возможности платформы CZ CELLxGENE Discover, что позволяет включать более богатый биологический контекст и структурировать описание вычислительных рабочих процессов. Центральным элементом проекта стал портал sc-fair.org, который на данный момент агрегирует 2 346 наборов данных из различных децентрализованных ресурсов с использованием семантического поиска на основе онтологий. Практическая значимость метода подтверждена кросс-видовой валидацией между атласами мозга человека и мыши (Allen Brain Atlases): использование стандартизированных аннотаций позволило переносить метки типов клеток между видами с точностью до 90% для нейрональных кластеров. Внедрение scFAIR обеспечивает фундамент для крупномасштабной интеграции данных и автоматизированного анализа в биомедицинских исследованиях.

В исследовании рассматривается проблема низкой воспроизводимости и сложности проектирования праймеров для метода петлевой изотермической амплификации (LAMP), который является ключевым для портативной диагностики. Авторы разработали и протестировали модели машинного обучения для прогнозирования успеха создания диагностических наборов, используя набор данных из 109 отобранных пар праймеров (включая как успешные, так и неудачные примеры). В ходе работы с помощью алгоритмов WEKA (деревья решений и байесовское обучение) были выявлены критические термодинамические характеристики компонентов F1c и B1c, определяющие эффективность теста. Модель NaiveBayes показала высокую эффективность, достигнув показателя истинно положительных результатов (TP) 0.90 (+/- 0.02) и F-меры 0.91 (+/- 0.01). Работа демонстрирует возможность создания практических прогностических моделей даже на небольших и несбалансированных выборках данных, включая отрицательные результаты исследований. Это имеет критическое значение для оптимизации процесса разработки диагностических систем 'в поле' и снижения затрат на лабораторные испытания.