Поиск

Исследование посвящено разработке объективных биомаркеров для ранней диагностики старческой астении (frailty) с использованием биоинформатического анализа и машинного обучения. Авторы использовали два независимых транскриптомных датасета из базы GEO: GSE144304 (n=80) и GSE287726 (n=70). Методология включала анализ дифференциальной экспрессии генов, обогащение GO, KEGG и GSEA, а также построение ML-моделей с разделением данных 70% на обучение и 30% на валидацию. Ключевые результаты показали, что метаболизм витамина D, ABC-транспортеры и воспалительные/иммунные пути являются согласованно обогащёнными и подтверждёнными через GSEA. Выявленные биомаркеры демонстрируют благоприятную диагностическую производительность ML-моделей. Исследование демонстрирует, что нарушения метаболизма витамина D и хроническое воспаление являются основными молекулярными особенностями старческой астении. Результаты открывают новые стратегии для базовых исследований, ранней клинической диагностики и разработки терапевтических мишеней.

Статья описывает применение автономного голосового ИИ для устранения барьеров доступа пациентов в здравоохранении, включая автоматизацию записи на приём, запросов рецептов и интеграцию с EHR. Технология позволяет пациентам взаимодействовать с системой 24/7, а ИИ автоматически собирает структурированные данные и создаёт заметки для клинических команд.

Статья описывает эволюцию медицинской документации от бумажных записей к электронным медкартам и современным технологиям ambient AI. Автор-врач объясняет, как ambient AI наконец решает проблему документационной нагрузки, уменьшая, а не увеличивая рабочую нагрузку клиницистов.

Еженедельный дайджест Vademecum, посвящённый применению искусственного интеллекта в здравоохранении за период с 28 сентября по 3 октября 2026 года. Среди ключевых материалов — исследование специалистов Университета Флориды, которое выявило, что молодые взрослые, обращающиеся к генеративному ИИ с вопросами о здоровье, значительно чаще получают положительный результат скрининга на клинически значимую тревогу и депрессию по сравнению с теми, кто не использует такие инструменты. Это указывает на то, что генеративные модели могут служить неформальным каналом выявления психических расстройств у молодёжи, которая не обращается к специалистам напрямую. Также в дайджесте описана работа, в которой исследователи применили алгоритм машинного обучения для оптимизации состава липидных наночастиц, используемых в качестве системы доставки мРНК-вакцин, что может ускорить разработку новых вакцинных платформ. Дайджест охватывает несколько дополнительных тем недели, связанных с внедрением ИИ в медицинскую практику.

Компания Pelago запустила платформу, объединяющую помощь при зависимостях и психических расстройствах, с ключевым компонентом — клиническим ИИ-инструментом Sona, который проводит голосовую оценку пациентов, триаж и предоставляет когнитивно-поведенческую терапию. Два наблюдательных исследования на более чем 9000 диалогах показали снижение «плохих» дней психического здоровья на 20–25% в месяц.

Исследователи представили Hoike — фреймворк на основе искусственного интеллекта для генерации синтетических транскриптомных данных, специфичных для различных заболеваний. Система комбинирует архитектуру Joint-Embedding Predictive Architecture (JEPA) с латентной диффузионной моделью, позволяя создавать condition-specific bulk transcriptomes на основе нормальных референсных профилей тканей. Методология включает парное обучение нормальных и патологических образцов, тканеспецифичное кондиционирование и ограниченное неотрицательное декодирование для обеспечения биологической валидности результатов в пространстве log2(TPM+1). Фреймворк был оценён на данных GTEx (нормальные референсы) и множественных когортах TCGA (онкологические заболевания). Технология решает ключевые проблемы биоинформатики: ограниченность когорт, приватность данных и доменный сдвиг между нормальными и патологическими популяциями. Практическое применение включает анализ дифференциальной экспрессии генов, машинное обучение, безопасный обмен данными, бенчмаркинг алгоритмов и генерацию гипотез в трансляционной биоинформатике, особенно в онкологии.

Исследователи разработали CLEAR-Lactyl — курированный эталонный набор данных человеческого лактилирования лизина, включающий 16 604 положительных сайта модификации. На его основе создан AttentionKla — фреймворк глубокого обучения, использующий предобученную языковую модель белков, дообученную с помощью технологии LoRA (Low-Rank Adaptation). Метод значительно превосходит существующие инструменты предсказания сайтов лактилирования, что подтверждено комплексными абляционными исследованиями. Практическая полезность подхода экспериментально валидирована в клеточных анализах: система способна предсказывать новые сайты лактилирования и осуществлять направленную модуляцию уровней модификации через последовательность. Лактилирование лизина — динамическая посттрансляционная модификация, влияющая на функцию белков и связанная с разнообразными физиологическими и патологическими процессами, включая воспалительные заболевания и онкологию. Результаты предоставляют исследователям мощную платформу для изучения регуляторного ландшафта лактилирования и генерирования проверяемых гипотез о связанных механизмах. Фреймворк является расширяемым и может быть адаптирован для точной модуляции других посттрансляционных модификаций белков.

Еженедельный дайджест ключевых событий в области применения искусственного интеллекта в российском и мировом здравоохранении. В обзоре представлены четыре основные темы: утверждение российского закона о поддержке развития ИИ-технологий, что создаёт правовую базу для внедрения искусственного интеллекта в медицинскую отрасль; запуск пилотного проекта цифрового сервиса на основе ИИ в Московской области для улучшения доступности медицинской помощи; заключение многолетнего стратегического соглашения между контрактной исследовательской организацией ICON и компанией Anthropic о внедрении языковой модели Claude в процессы клинических исследований для ускорения разработки лекарств; публикация эталонного бенчмарка от компании Insilico Medicine для оценки ИИ-моделей в фармацевтике и биотехнологиях. Материал охватывает регуляторные, практические и исследовательские аспекты применения ИИ в медицине.

Исследователи разработали CPPLocPred — иерархическую платформу машинного обучения для предсказания клеточно-проникающих пептидов (CPP) и их субклеточной локализации, что критически важно для целевой доставки терапевтических грузов в клетки. На первом этапе ML-модели для идентификации CPP достигли AUC 0,953 и MCC 0,7842 на независимом тестовом наборе, демонстрируя производительность на уровне или выше существующих методов. На втором этапе модель предсказания локализации обучалась на экспериментально валидированных CPP: 663 цитоплазматических, 287 ядерных, 57 митохондриальных, 186 эндо-лизосомальных и 328 других. Анализ выявил, что митохондриальные и ядерные CPP богаты положительно заряженными аргинином и лизином, тогда как эндо-лизосомальные предпочитают глицин-, пролин- и цистеин-содержащие мотивы. Лучшую производительность показали модели на основе CatBoost с использованием Distance Distribution of Residues (DDR) и эмбеддингов языковых моделей белков: AUC составил 0,814 (цитоплазма), 0,775 (ядро), 0,970 (митохондрии), 0,782 (эндо-лизосомы) и 0,798 (остальные). Платформа доступна онлайн и предоставляет практический инструмент для рационального дизайна пептидов с заданной локализацией для терапевтических применений.

Биотехнологическая компания Pinnacle Medicines привлекла $89 млн в рамках раунда финансирования серии B от инвесторов из США и Китая, включая OrbiMed, LAV, Foresite Capital и других. Общий объём привлечённого капитала достиг $134 млн с момента основания в 2024 году. Средства будут направлены на перевод доклинического пайплайна в ранние клинические испытания, а также на продолжение исследований и разработок. Компания использует собственную платформу, которая интегрирует технологии искусственного интеллекта с физическими симуляциями для рационального дизайна и оптимизации пептидных терапевтических средств. Первоначальный фокус будет на иммунологии и кардиометаболических показаниях. Соучредитель и научный директор Чэнзао Сун подчёркивает, что быстрый прогресс пайплайна отражает эффективность этого подхода. Пероральные формы пептидов, включая GLP-1 агонисты, стали горячей темой: Novo Nordisk запустила пероральную форму Wegovy, Merck лицензировала платформу Cyprumed за $493 млн, а Protagonist Therapeutics номинировала перорального кандидата на ожирение в июне 2025 года.

Статья анализирует кризис незавершённой работы в здравоохранении США, который обходится системе почти в $1 трлн ежегодно административных расходов, из которых $265 млрд приходятся на полностью дублирующие процессы (по данным McKinsey и JAMA). Несмотря на два десятилетия инвестиций в цифровую трансформацию и ИИ, административная нагрузка на клиницистов остаётся рекордно высокой. Автор предлагает три ключевых изменения: создание глубоко интегрированной системы действий для завершения задач, использование объяснимого «прозрачного» ИИ (glass-box AI) для обеспечения доверия и подотчётности, и работу с партнёрами, отвечающими за результаты, а не просто за ПО. Особое внимание уделено разрыву между системами учёта (EHR) и системами действий: современные электронные медкарты созданы для биллинга и комплаенса, но не имеют продвинутых ИИ-возможностей. Решение — оркестрационный ИИ-слой, который обходит существующие EHR, объединяя операционные, технологические, клинические и финансовые задачи в единый интеллектуальный слой. Это позволяет автоматизировать рутинную работу и снизить выгорание медперсонала.

Статья рассматривает текущее состояние внедрения искусственного интеллекта в медицинскую практику и подчеркивает необходимость ответственного подхода к его использованию на организационном уровне. ИИ-системы уже активно применяются в интерпретации медицинских изображений, поддержке клинических решений, автоматизации документирования, планировании ресурсов, управлении популяционным здоровьем и пациентоориентированных приложениях. Авторы отмечают критическую проблему: многие клиницисты не запрашивали эти инструменты и не прошли формальное обучение по принципам их работы, однако выводы ИИ всё чаще напрямую влияют на клинические суждения и исходы для пациентов. По мере глубокой интеграции ИИ в системы здравоохранения медицинским работникам необходимо сохранять бдительность и понимание ограничений этих технологий. Статья акцентирует внимание на организационной ответственности за внедрение ИИ-технологий, важности подготовки медицинского персонала и необходимости прозрачности в работе алгоритмов. Ключевой тезис публикации — медицинские организации должны приоритизировать ответственное использование ИИ для обеспечения безопасности пациентов, качества медицинской помощи и сохранения доверия к клиническим решениям.

Израильская компания QuantHealth закрыла раунд финансирования серии B на сумму $45 миллионов для развития платформы искусственного интеллекта, предназначенной для симуляции и оптимизации клинических испытаний. Основатель и генеральный директор Орр Инбар сообщил изданию Fierce Healthcare, что привлечённые средства будут направлены на дальнейшие исследования и разработки, расширение команды и расширение продуктового портфеля компании. Платформа QuantHealth использует технологии машинного обучения для моделирования различных сценариев клинических исследований, что позволяет фармацевтическим компаниям и биотех-стартапам сокращать время и затраты на разработку новых лекарств. ИИ-симуляции помогают предсказывать результаты испытаний, оптимизировать дизайн исследований и выявлять потенциальные риски до начала реальных клинических этапов. Это особенно актуально в условиях, когда традиционные клинические испытания могут стоить сотни миллионов долларов и занимать годы. Инвестиции подтверждают растущий интерес венчурного капитала к ИИ-решениям для фармацевтической отрасли и ускорения вывода препаратов на рынок.

Консорциум CAN.HEAL предлагает европейскую цифровую рамку для онкологических инструментов поддержки принятия решений (oncDST), направленную на интеграцию существующих инструментов через гармонизированную, интероперабельную архитектуру. Рамка включает интеграцию искусственного интеллекта для улучшения точной онкологии, непрерывного наблюдения за пациентами и создания обучающейся онкологической системы.

Представлен программный инструмент Rastair — интегрированный софт для одновременного обнаружения однонуклеотидных полиморфизмов (SNP) и оценки метилирования цитозина из данных секвенирования mC[->]T. В основе метода лежит машинное обучение для детекции вариантов в сочетании с оценкой метилирования, учитывающей генотип. Исследователи протестировали инструмент на бенчмарк-данных NA12878 и показали, что Rastair превосходит существующие вызователи метилирования-ориентированных SNP, достигая F1-оценки более 0.99 для данных с глубиной покрытия выше 30x, что сопоставимо с точностью state-of-the-art инструментов на данных полного геномного секвенирования. Ключевое преимущество — скорость: обработка файла 30x занимает менее 30 минут на 32 CPU-ядрах Intel Xeon, и вдвое быстрее при использовании GPU. Инструмент выявляет дополнительные 500 000 позиций в NA12878, где SNP трансформирует некодирующие позиции CpG в «de-novo» CpG, и наоборот — определяет варианты, нарушающие CpG, корректируя уровень метилирования. Rastair поддерживает стандартные форматы vcf, bam, bed и распространяется как open-source через conda, Dockerhub и как pre-compiled бинарники.

Исследователи из Манчестерского университета совместно с британским регулятором MHRA разработали новый методологический каркас, основанный на in silico-подходах (компьютерном моделировании), для оценки безопасности и эффективности медицинских изделий. Данный подход использует концепцию «виртуальных пациентов» для создания цифровых доказательств, которые призваны дополнять традиционные лабораторные, доклинические и клинические испытания, а не полностью их заменять. Целью разработки является повышение достоверности симуляций до уровня, достаточного для принятия регуляторных решений. Методология направлена на выявление рисков, которые могут быть упущены при стандартных исследованиях, за счет более широкого и детального моделирования сценариев использования устройств. Это позволяет оптимизировать процесс одобрения медицинских технологий, снижая нагрузку на реальных пациентов и ускоряя вывод безопасных изделий на рынок. Разработанный фреймворк представляет собой значимый шаг в интеграции вычислительных методов в регуляторную практику здравоохранения, демонстрируя переход к более гибким и комплексным подходам к валидации медицинских устройств.

Статья предлагает концепцию «предбилл-контрольной плоскости» как модели управления для сохранения целостности электронных медицинских карт при использовании генеративного ИИ для клинической документации. Авторы выделяют три типа нарушений целостности данных и описывают пять операционных компонентов системы, направленных на безопасность пациентов и врачей в условиях реальной клинической практики.

Штат Юта значительно расширил свою программу регуляторной песочницы для искусственного интеллекта в сфере здравоохранения, добавив новые пилотные проекты и усилив механизмы контроля безопасности. В рамках обновленной программы будут протестированы решения на базе ИИ для поддержки продления рецептов, дерматологической диагностики и реабилитации после физических травм. Ключевыми участниками пилотов выступают компании August AI и Nolla Health, чьи технологии направлены на оптимизацию различных аспектов медицинской помощи. Для повышения уровня доверия и ответственности в программу были включены требования о наличии врачебного надзора за решениями ИИ, а также привлечены независимые сторонние оценщики для объективной проверки эффективности и безопасности алгоритмов. Этот шаг отражает тенденцию к более строгому, но гибкому регулированию медицинских ИИ-решений на региональном уровне в США. Программа позволяет разработчикам тестировать инновации в реальных условиях под контролем регуляторов, что способствует ускорению внедрения технологий при сохранении безопасности пациентов. Расширение списка участников и добавление новых сценариев использования демонстрируют растущий интерес штата к интеграции машинного обучения в клиническую практику. Инициатива служит моделью для других регионов, стремящихся найти баланс между технологическим прогрессом и защитой интересов пациентов.

В статье, опубликованной в журнале Nature Machine Intelligence 7 октября 2026 года, рассматривается влияние искусственного интеллекта на эмоциональную упаковку новостного контента. Исследователи подчеркивают, что использование ИИ для формирования эмоционального тона материалов напрямую влияет на то, как аудитория воспринимает информацию, доверяет ей и делится ею в социальных сетях. Авторы призывают к междисциплинарному сотрудничеству между специалистами по ИИ и поведенческими учеными для проведения тщательной оценки таких систем. Ключевой вопрос заключается в том, помогает ли эмоциональная оптимизация распространению точной информации или же она способствует углублению социального и политического разделения в обществе. Статья не описывает конкретный медицинский продукт, но затрагивает важные аспекты регулирования и этики применения ИИ в сфере коммуникаций, что имеет косвенное отношение к здравоохранению через призму информированности населения и борьбы с дезинформацией. Исследование носит концептуальный характер и предлагает методологический подход к оценке воздействия алгоритмов на поведение пользователей.