Найдите статьи по ключевым словам и фильтрам.
Исследование посвящено проблеме переобучения при использовании автоматизированного поиска нейронных архитектур (NAS) в задачах анализа медицинских КТ-изображений. Установлено, что методы ансамблевого обучения и аугментации данных не всегда обеспечивают синергию в условиях дефицита данных, что ставит под сомнение текущие подходы к оптимизации архитектур.
В исследовании представлен Diff-Switch — инновационный фреймворк для проектирования белков-переключателей (protein switches), способных менять свою структуру в ответ на биохимические стимулы. В отличие от существующих методов, оптимизированных под одну стабильную структуру, Diff-Switch использует предобученные диффузионные модели для генерации ансамблей разнообразных структурных состояний. Методология сочетает контроль локальной геометрии доменов с механизмом reward-tilting и смещением в пространстве коллективных переменных (вдохновленным метадинамикой), что позволяет избегать повторения одних и тех же конформаций. Тестирование на наборе из 20 различных белков показало, что использование сгенерированных ансамблей значительно повышает вероятность успешного нахождения последовательностей, совместимых с механизмом переключения, по сравнению с базовыми методами сэмплирования. Разработанный подход позволяет автоматизировать сложный процесс дизайна многостабильных белков, который ранее требовал глубоких экспертных знаний. Полученные результаты имеют критическое значение для биоинженерии и разработки новых терапевтических белков и сенсоров.
Исследование посвящено анализу механизмов работы геномных фундаментальных моделей (Genomic Foundation Models) и выявлению того, какие именно слои нейросети наиболее важны для классификации генетических вариантов. Авторы исследуют разрыв между «репрезентативными» слоями (где пиковая точность одного признака) и «нагрузочными» слоями (на которые опирается итоговый классификатор). В ходе экспериментов на базе 8 008 вариантов из базы ClinVar использовались модели NT-v2 500M (MLM) и Evo 2 7B (CLM). Результаты показали, что эти слои не совпадают: в MLM-моделях нагрузочные слои находятся в середине-начале сети, а в гибридных CLM-моделях — глубоко в конце. Практическая значимость работы заключается в том, что использование стандартного последнего слоя (last-layer pooling) приводит к потере важного сигнала; например, в модели NT-v2 использование 1-мерного скаляра из среднего слоя повышает AUROC на 0,049 по сравнению с классическим 1024-мерным методом. Это дает четкое руководство для оптимизации архитектур при анализе генетических данных.
Исследование, опубликованное в журнале npj Digital Medicine, посвящено анализу эффективности дистанционного мониторинга сна для раннего выявления когнитивного снижения. В ходе работы ученые использовали технологии носимых устройств и удаленного сбора данных для отслеживания физиологических показателей пациентов в их естественной среде обитания. Методология исследования базировалась на анализе долгосрочных паттернов сна, которые могут служить биомаркерами нейродегенеративных процессов. Ключевые результаты демонстрируют наличие четких корреляций между специфическими нарушениями архитектуры сна и прогрессирующим снижением когнитивных функций. Данная работа подчеркивает потенциал использования ИИ-алгоритмов для анализа данных дистанционного мониторинга в качестве инструмента предиктивной диагностики. Практическая значимость исследования заключается в возможности создания систем раннего предупреждения для пациентов с риском развития деменции и болезни Альцгеймера без необходимости проведения дорогостоящих лабораторных полисомнографий.
Специалисты и студенты Первого МГМУ им. И.М. Сеченова совместно с российскими вузами приступили к разработке инновационной системы искусственного интеллекта для персонализированного контроля гликемии. Ключевой особенностью проекта является учет специфических физиологических факторов, в частности, фаз менструального цикла, которые существенно влияют на колебания уровня глюкозы у женщин с сахарным диабетом. В отличие от стандартных систем мониторинга, данный ИИ-алгоритм будет интегрировать данные непрерывного мониторинга глюкозы с гормональным профилем пациента. Это позволит более точно прогнозировать гипо- и гипергликемические состояния, минимизируя риски осложнений. Разработка направлена на создание высокоточного инструмента поддержки принятия клинических решений для эндокринологов и пациентов. Внедрение такого подхода может значительно повысить качество жизни женщин с диабетом за счет более гибкой и адаптивной терапии.
В исследовании представлен инновационный метод классификации узлов щитовидной железы, основанный на архитектуре мультиэкспертного консенсусного слияния с использованием априорных знаний (prior-guided multi-expert consensus fusion). Авторы разработали модель, которая способна эффективно объединять результаты различных экспертных нейросетевых модулей для повышения точности диагностики в условиях многоцентровых данных. Основная методология заключается в интеграции медицинских априорных знаний в процесс обучения, что позволяет минимизировать ошибки, возникающие из-за вариативности оборудования и протоколов в разных медицинских центрах. Исследование демонстрирует значительное улучшение показателей точности и устойчивости модели при работе с гетерогенными наборами данных. Данная разработка имеет высокую практическую значимость для радиологии и эндокринологии, предлагая инструмент для автоматизированного и стандартизированного скрининга патологий щитовидной железы. Внедрение такого подхода позволит снизить нагрузку на врачей и уменьшить субъективность при интерпретации ультразвуковых или КТ-изображений.
Исследование посвящено разработке модели на основе случайного леса (Random Forest) для выявления пациентов, склонных к обострению стенокардии при высоких температурах. Модель показала высокую точность в прогнозировании рисков, используя 14 предикторов, включая биомаркеры воспаления и метаболизма липидов.
В исследовании представлен метод глубокого ансамблевого обучения, сочетающий self-attention stacked bidirectional LSTM и алгоритм оптимизации Parallel-Whale для прогнозирования стадий колоректального рака. Использование техники DeepSurv позволяет проводить анализ выживаемости пациентов на основе геномных данных, что помогает в персонализированном подходе к лечению.
Представлен BaiZe — инновационный фреймворк на базе машинного обучения, предназначенный для предсказания изменений транскриптома клетки после различных воздействий (генетических, химических, временных). В отличие от существующих моделей, BaiZe использует мультиview-подход, моделируя ответы как контекстно-зависимые переходы между состояниями клеток. Система способна предсказывать результаты для ранее не встречавшихся комбинаций генов, новых химических структур и дозировок, а также обеспечивает перенос знаний (few-shot transfer) между видами, например, от человека к мыши. Интеграция данных ATAC-seq позволяет модели связывать изменения хроматина с конкретными генами и путями, повышая точность прогнозов. Для интерпретации результатов разработан BaiZe-Agent, который систематизирует гены отклика, пути и фенотипические проекции в структурированные записи. Данная технология имеет критическое значение для биомедицинских исследований, позволяя приоритизировать гипотезы и планировать экспериментальные вмешательства с высокой точностью.
В исследовании, опубликованном в журнале npj Digital Medicine, представлен инновационный метод контрастного моделирования мозга для классификации подтипов депрессивных расстройств. Авторы применили передовые алгоритмы машинного обучения для анализа нейровизуализационных данных, что позволило идентифицировать специфические биологические подгруппы пациентов. Исследование демонстрирует, что выявленные подтипы имеют фундаментально разные траектории клинического прогрессирования и по-разному реагируют на стандартную терапию. Использование ИИ-моделей позволило достичь высокой точности в дифференциации состояний, которые ранее считались однородными. Результаты подчеркивают потенциал персонализированной психиатрии, где нейровизуализационные биомаркеры, обработанные ИИ, определяют наиболее эффективную стратегию лечения. Это открывает путь к внедрению прецизионных методов диагностики в клиническую практику для снижения риска неэффективного лечения депрессии.
Статья исследует барьеры на пути внедрения ИИ в клиническую практику, включая отсутствие механизмов оплаты и сложности интеграции с электронными медицинскими картами. Авторы предлагают модель человекоцентричного подхода, где ИИ дополняет решения врачей при строгом надзоре и соблюдении стандартов справедливости.
Исследование сравнивает эффективность пяти LLM (включая GPT-4.1, Gemini-2.5-Flash и o3) с показателями врачей при решении открытых клинических задач. Результаты показали, что языковые модели превосходят клиницистов по точности, безопасности и структурированности ответов в условиях ограниченных ресурсов.
Исследователи представили PepCL (Peptide-MHC Continual Learning) — инновационный фреймворк непрерывного обучения, предназначенный для динамического обновления прогностических моделей взаимодействия пептидов с главным комплексом гистосовместимости (MHC) I класса. Проблема заключается в том, что традиционные модели, обученные на данных масс-спектрометрии (MS), не учитывают новые данные из других экспериментальных методов из-за технических и биологических смещений. В рамках работы также разработана модель MHCPrime — новое современное решение для пан-аллельного предсказания пептид-MHC связывания. Использование PepCL позволяет модели MHCPrime эффективно усваивать специфическую информацию из новых тестов, предотвращая «катастрофическое забывание» знаний, полученных из предыдущих наборов данных MS. Тестирование в контекстах инфекционных заболеваний и онкологии показало значительное улучшение точности предсказаний и их переносимость между различными аллелями. Это делает фреймворк критически важным инструментом для разработки персонализированных вакцин и иммунотерапии в клинических условиях по мере накопления новых иммунопептидомных данных.
В исследовании представлена инновационная аналитическая платформа Spatial Fingerprints Analytics (SFinx), предназначенная для глубокого изучения пространственной транскриптомики (ST). Методология объединяет безреференсную деконволюцию, реконструкцию активности биологических путей и пространственный функциональный анализ данных (SFDA) для картирования локализованных взаимодействий в сложных тканях. При тестировании на наборах данных 10x Visium, полученных при изучении волчаночного нефрита у мышей, SFinx успешно реконструировал непрерывные ландшафты активности путей и фенотипов заболевания в срезах почек. Использование обобщенных аддитивных моделей с тензорными сплайнами позволило количественно оценить пространственно варьирующиеся связи между волчанкой и путями активации нейтрофилов, выявив как положительные, так и отрицательные корреляции, которые невозможно обнаружить стандартными методами bulk-анализа. Платформа обеспечивает интеграцию данных из нескольких срезов, учитывая специфическую вариативность каждого участка, и позволяет идентифицировать анатомически ограниченные воспалительные домены. Данный подход представляет собой универсальный инструмент для изучения механизмов аутоиммунных, онкологических и нейродегенеративных заболеваний на молекулярном уровне.
Исследователи представили ProtSyntax — специализированную белковую языковую модель (pLLM), ориентированную на изучение посттрансляционных модификаций (PTM). В отличие от существующих методов, моделирующих сайты модификации независимо, ProtSyntax учитывает взаимосвязь между химией остатков, контекстом последовательности и трехмерной микросредой. Модель была обучена на массиве из 4,25 миллиона примеров, охватывающих 40 классов PTM, с использованием архитектуры разреженного смеси экспертов (sparse mixture-of-experts) и механизмов геометрически-управляемого внимания (geometry-gated attention). Результаты тестирования на 40 бенчмарках показали значительное превосходство над базовыми моделями: средние показатели MCC и AP выросли на 12,7% и 10,7% соответственно. ProtSyntax успешно идентифицирует перекрестные помехи (crosstalk) между модификациями, связывает изменения PTM с кинетикой ферментов и выявляет нарушения модификаций, связанные с заболеваниями. Данная разработка предоставляет интерпретируемую платформу для глубокого анализа регуляции протеома, что критически важно для разработки таргетной терапии.
В статье представлен scRepresenter — новый инструмент с открытым исходным кодом, предназначенный для решения проблем разреженности данных и гетерогенности при анализе scRNA-seq. Авторы разработали комплексный рабочий процесс, который позволяет вычислять, интегрировать и валидировать клеточные эмбеддинги, полученные как с помощью масштабных моделей-оснований (foundation models), так и через методы, опирающиеся на биологические знания. Инструментарий включает в себя интерфейс командной строки для автоматизации вычислений и интерактивное приложение Shiny для визуального сравнения различных типов репрезентаций. scRepresenter поддерживает четыре ключевые категории эмбеддингов: экспрессионные, основанные на знаниях, производные от моделей-оснований и гибридные модели. Система принимает на вход матрицу подсчета экспрессии генов по клеткам и выдает интегрированный объект, готовый к глубокому анализу. Данная разработка имеет критическое значение для изучения сложных заболеваний, таких как боковой амиотрофический склероз (БАС), позволяя исследователям более точно идентифицировать переходные состояния клеток.
Компания Raidium запускает платформу R.Read, представляющую собой AI-native решение для обнаружения поражений во всем теле и их сегментации. Система использует агентный ИИ для автоматизации долгосрочного отслеживания опухолей, что значительно снижает нагрузку на радиологов и вариативность измерений в клинических исследованиях.
В статье описывается клинический случай использования гибридной системы совмещения внутрисосудистого ультразвука (IVUS) и оптической когерентной томографии (OCT). Технология позволяет комбинировать высокое разрешение OCT с возможностями IVUS, что помогает точнее оценивать сложные поражения сосудов и снижать потребность в контрастном веществе.
В России ведется разработка инновационной ИТ-системы на базе искусственного интеллекта, предназначенной для персонализированного управления уровнем глюкозы у женщин с сахарным диабетом. Уникальность продукта заключается в мультимодальном подходе: алгоритмы будут интегрировать данные непрерывного мониторинга глюкозы (CGM) с динамическими показателями гормонального цикла, текущей медикаментозной терапией и данными об образе жизни пациентки. Это позволит учитывать специфические физиологические колебания сахара, вызванные гормональными изменениями, которые часто усложняют стандартную терапию. Внедрение системы обещает повысить точность прогнозирования гипо- и гипергликемических состояний. Технология нацелена на создание предиктивной модели, которая поможет пациентам и врачам более эффективно корректировать дозировки препаратов в зависимости от биологических ритмов организма.
Исследователи из Первого МГМУ имени И.М. Сеченова приступили к разработке инновационной интеллектуальной системы для персонализированного мониторинга гликемии у пациентов с сахарным диабетом. Ключевой особенностью разработки является интеграция алгоритмов машинного обучения, которые учитывают не только текущие показатели глюкозы, но и динамику гормональных циклов организма. Методология исследования базируется на анализе больших данных (Big Data), поступающих с систем непрерывного мониторинга глюкозы (CGM), что позволяет прогнозировать резкие скачки сахара до их фактического возникновения. Ожидается, что внедрение такой системы позволит снизить риск развития тяжелых осложнений диабета за счет более точной превентивной коррекции доз инсулина. Технология ориентирована на создание адаптивных моделей, способных подстраиваться под индивидуальные биоритмы каждого пациента, что значительно повышает точность прогнозирования по сравнению со стандартными методами. Данная разработка имеет высокую практическую значимость для эндокринологии и цифровой медицины в целом.
