Поиск

В исследовании представлен FloREN — новый метод обучения представлений образцов (sample representation), предназначенный для анализа данных секвенирования РНК единичных клеток (scRNA-seq). В отличие от существующих методов обучения без учителя, FloREN использует контролируемый (supervised) подход, моделируя данные как гетерогенную сеть, объединяющую клетки, гены, регуляторные связи и механизмы межклеточной коммуникации. Использование интерпретируемых графовых трансформеров позволяет не только стратифицировать пациентов по биологическим признакам, но и проводить поиск биомаркеров с высокой точностью. Методология включает в себя создание условных эмбеддингов (condition-aware embeddings) и механизмы внимания, что обеспечивает биологическую интерпретируемость результатов. В ходе тестирования на данных пациентов с иммуноопосредованными воспалительными заболеваниями (IMIDs) фреймворк успешно выявил специфические механизмы функционирования иммунных сетей. Данная разработка имеет высокую значимость для персонализированной медицины и понимания патогенеза сложных воспалительных процессов.

В исследовании представлен инновационный фреймворк EBD-DTI, предназначенный для решения критической проблемы «холодного старта» при прогнозировании взаимодействия лекарственных препаратов с белками-мишенями. Основная сложность заключается в предсказании связей для абсолютно новых, ранее не встречавшихся в обучающей выборке молекул и белков. Авторы предложили метод эпизодического обучения, при котором случайные подмножества сущностей маскируются в процессе каждой эпохи, имитируя условия zero-shot инференса. Использование мостового локального подграфа в сочетании с многошаговой диффузией позволяет передавать реляционный контекст от известных соседей к новым объектам. Экспериментальная проверка на трех ключевых бенчмарках (BioSNAP, BindingDB и DrugBank) показала превосходство метода над существующими SOTA-решениями. В частности, применение эпизодического обучения позволило увеличить показатель AUC на величину до 12%. Данная разработка имеет высокую значимость для ускорения компьютерного поиска новых лекарственных кандидатов.

В исследовании представлена инновационная модель LGNM (Learnable Graph Network Model), предназначенная для высокоточного прогнозирования гибкости белков на уровне отдельных аминокислотных остатков. В отличие от традиционных моделей упругой сети (ENM), которые используют унифицированные коэффициенты жесткости, LGNM применяет гетерогенный подход, где параметры связей определяются физически ограниченной графовой нейронной сетью (GNN). Обучение модели проводилось на данных молекулярной динамики (RMSF-профили) для 413 белков из базы ATLAS с использованием метода разделения по суперсемействам CATH. В основе методологии лежит фреймворк квантового обучения гамильтониану (QNPDE), что позволяет эффективно вычислять градиенты. Результаты тестирования на 91 белке показали значительное превосходство: коэффициент корреляции Пирсона r составил 0,8549 для LGNM против 0,8024 у стандартной модели mENM. Данная разработка критически важна для структурной биологии и компьютерного дизайна лекарств, так как позволяет более точно моделировать динамику молекул.

В статье представлен DPCGS — инновационный вычислительный фреймворк, предназначенный для интеграции статистик полногеномного поиска ассоциаций (GWAS) с данными секвенирования РНК единичных клеток (scRNA-seq). Основная цель метода заключается в преодолении сложности связи генетических вариантов с конкретными клеточными популяциями, что критически важно для понимания механизмов сложных заболеваний. Методология DPCGS базируется на гипотезе, что гены, приоритезированные в GWAS, демонстрируют повышенную экспрессию в соответствующих целевых клетках по сравнению с контрольными группами. Бенчмаркинг на симулированных данных подтвердил, что DPCGS превосходит существующие аналоги по точности и чувствительности при идентификации релевантных типов клеток. В ходе практического применения алгоритма были выявлены ключевые клеточные субпопуляции: олигодендроциты и астроциты при болезни Альцгеймера, а также макрофаги и B-клетки при астме. Кроме того, метод позволил определить потенциальные молекулярные регуляторы, такие как транскрипционные факторы CD74, FOS, FLI1 и AP-1. Данная разработка открывает новые возможности для поиска биомаркеров и разработки таргетной терапии.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная архитектура иерархической модели на базе больших языковых моделей (LLM) с использованием технологии Retrieval-Augmented Generation (RAG) для управления диабетической болезнью почек (ДКБ). Основная цель разработки — преодоление проблемы «галлюцинаций» ИИ и обеспечение строгого соответствия актуальным медицинским протоколам. Методология включает многоуровневый процесс извлечения знаний, где модель сначала обращается к верифицированным клиническим руководствам, а затем формирует персонализированные рекомендации. Результаты показывают, что использование иерархического RAG значительно повышает точность ответов и безопасность предложенных терапевтических стратегий по сравнению со стандартными LLM. Данная технология позволяет минимизировать риски неверного назначения препаратов и обеспечивает высокую степень доверия к автоматизированным системам поддержки принятия врачебных решений. Внедрение подобных моделей в клиническую практику может существенно оптимизировать ведение пациентов с хроническими заболеваниями почек.

Разработан единый легковесный фреймворк на базе YOLOv26n и MobileNetV4 для автоматического распознавания лекарственных средств. Система объединяет детекцию таблеток, классификацию по форме/цвету и чтение надписей (OCR), что позволяет снизить риск ошибок при приеме медикаментов.

Разработан новый вычислительный фреймворк на основе машинного обучения и вложенного конформного прогнозирования для перехода к мультилейбл-классификации при малых выборках. Метод позволяет эффективно проводить подтипирование пациентов (на примере данных РНК-секвенирования рака молочной железы) с учетом неопределенности и гетерогенности образцов.

Разработана модель PLUTO на базе архитектуры YOLO11s для автоматического обнаружения полей легких на боковых рентгеновских снимках детей. Модель демонстрирует высокую точность и способность к обобщению (generalizability) при работе с рентгенограммами взрослых пациентов.

В исследовании представлен новый метод быстрого обучения биологически информированных нейронных сетей (BINN), которые интегрируют биологические пути и белковые взаимодействия непосредственно в архитектуру нейросети. Исследователи протестировали модель на масштабных данных UK Biobank, охватывающих около 500 000 человек, используя генотипические и протеомные данные для анализа шести распространенных заболеваний. Работа выявила две критические проблемы интерпретируемости: систематическую предвзятость оценок атрибуции из-за топологии графа и феномен «прогностической множественности», когда разные модели с одинаковой архитектурой приходят к разным биологическим выводам при схожей точности. Однако авторы доказывают, что эта множественность может быть полезна: при анализе 100 реплик BINN для диабета 2 типа были обнаружены кластеры решений, фокусирующиеся на разных механизмах (воспалительном или печеночно-метаболическом). Это позволяет использовать вариативность объяснений ИИ как инструмент для изучения гетерогенности сложных заболеваний и поиска различных биологических путей их развития.

Представлен SMART (Somatic Mutation Annotation and Reporting Tool) — специализированный Docker-контейнеризированный конвейер для интерпретации соматических вариантов в онкологических панелях. Основная проблема, которую решает инструмент, заключается в непоследовательной приоритизации транскриптов и сложности интеграции доказательной базы OncoKB в воспроизводимые исследовательские процессы. Методология SMART включает объединение данных из VEP, CIViC, Cancer Hotspots, ClinVar, SpliceAI, REVEL, LOEUF и gnomAD с применением единой трехступенчатой системы приоритизации транскриптов (whitelist > MANE Select > VEP fallback). Инструмент интегрирует уровни доказательности OncoKB (терапевтические, резистентность, диагностические, прогностические и уровни FDA) непосредственно в VCF-рабочий процесс. Валидация системы показала полную согласованность (100% совпадение) по 804 проверкам на уровне полей при сравнении с эталонными API. SMART генерирует три типа выходных данных, адаптированных для вычислительных, биоинформатических и исследовательских задач, что значительно ускоряет процесс интерпретации геномных данных в онкологии.

В рамках программы PULSE государственные структуры США будут тестировать генеративный ИИ для решения задач бионадзора, анализа социальных детерминант здоровья и автоматизации работы с клиническими данными. Проект направлен на создание практических руководств по внедрению ИИ в государственном секторе здравоохранения.

Исследователи представили PrimeKG-Plus — обновленную версию графа знаний PrimeKG, предназначенную для задач прецизионной медицины и поиска новых мишеней для лекарств. В рамках работы были обновлены 20 исходных источников данных (актуальных на декабрь 2025 года) и интегрированы новые базы, такие как OpenTargets, RepurposeDrugs и nSIDES. Ключевой особенностью стала автоматизированная экстракция связей из 637 статей PubMed и PMC с использованием LLM-ассистированного рабочего процесса, дополненного верификацией экспертами и нормализацией через SapBERT и UMLS. Особое внимание в расширении уделено редким неврологическим заболеваниям, включая болезнь Канавана и болезнь Ниманна-Пика типа C. Результаты анализа топологии сети показали значительное улучшение связности: добавлено 447 288 новых путей «Лекарство-Белок-Заболевание», которые ранее были недоступны в графе. Кроме того, валидация через данные FDA позволила включить 55 новых молекулярных сущностей, появившихся после июня 2021 года. PrimeKG-Plus представляет собой высокоактуальный инструмент для сетевого репозиционирования лекарственных средств и персонализированного лечения.

Данная работа представляет собой систематический обзор (scoping review) применения методов обучения с подкреплением (Reinforcement Learning, RL) для оптимизации протоколов лечения сепсиса. Исследование анализирует, как алгоритмы ИИ могут использоваться для динамического принятия решений в критических состояниях, когда требуется точная дозировка вазопрессоров и инфузионная терапия. В обзоре рассматриваются различные архитектуры нейронных сетей и подходы к моделированию среды пациента, что критически важно для снижения смертности при сепсисе. Авторы систематизируют текущие достижения в области использования RL, выделяя переход от статических клинических рекомендаций к персонализированным адаптивным стратегиям. Основное внимание уделяется методологическим сложностям, таким как проблема смещения данных и необходимость валидации алгоритмов на реальных клинических данных (offline RL). Работа подчеркивает огромный потенциал ИИ в поддержке принятия врачебных решений в отделениях интенсивной терапии, предлагая дорожную карту для будущих клинических испытаний.

Исследование, опубликованное в журнале npj Digital Medicine, представляет инновационный метод преодоления дефицита данных в дерматологии путем генерации синтетических клинических записей. Авторы разработали подход, позволяющий трансформировать существующие наборы данных, содержащие только изображения (унимодальные), в мультимодальные обучающие выборки с использованием синтезированного текстового сопровождения. Методология включает использование продвинутых языковых моделей для создания структурированных медицинских заметок, которые имитируют реальные описания кожных патологий. Ключевые результаты показывают, что интеграция этих синтетических данных значительно повышает точность и устойчивость (robustness) мультимодальных ИИ-моделей при диагностике заболеваний кожи. Данная технология позволяет эффективно использовать огромные архивы визуальных данных, которые ранее не могли быть полноценно задействованы в обучении мультимодальных систем. Практическая значимость работы заключается в возможности масштабирования обучения диагностических систем без необходимости ручного сбора и разметки колоссальных объемов текстовой информации врачами.

В данном обзоре представлены ключевые события недели, связанные с интеграцией искусственного интеллекта в медицинскую отрасль. Основное внимание уделено государственному регулированию: утвержден план реализации Стратегии развития здравоохранения, включающий конкретные мероприятия по разработке отечественного медицинского ИИ. Важным международным шагом стало вступление России в состав учредителей Всемирной организации сотрудничества в сфере искусственного интеллекта. В области биомедицинских технологий описан прорыв в использовании ИИ для создания синтетических CRISPR-белков, что открывает новые горизонты в генной инженерии. Также рассматривается внедрение специализированного модуля от OpenEvidence, предназначенного для автоматизированной оценки качества медицинских доказательств. Дайджест охватывает широкий спектр тем: от макроэкономического планирования до прикладных инструментов поддержки принятия врачебных решений.

В статье представлен CLEO — инновационный фреймворк с замкнутым циклом (closed-loop), разработанный для генерации синтетических табличных медицинских данных, обеспечивающих высокий уровень защиты конфиденциальности пациентов. Методология исследования фокусируется на решении критической проблемы дефицита качественных данных в медицине из-за строгих регуляторных ограничений (таких как GDPR). Система использует продвинутые алгоритмы машинного обучения для создания наборов данных, которые статистически идентичны реальным медицинским записям, но не позволяют идентифицировать конкретных лиц. Ключевым преимуществом CLEO является интеграция механизмов обратной связи, что позволяет непрерывно оптимизировать синтетические данные для достижения максимальной точности при сохранении математических гарантий приватности. Результаты показывают, что использование данного фреймворка позволяет исследователям обучать диагностические модели на синтетических данных без риска утечки персональной информации, что значительно ускоряет цикл разработки медицинских ИИ-решений. Данная технология имеет высокую практическую значимость для междисциплинарных исследований и обучения нейросетей в условиях жесткого комплаенса.

В исследовании рассматривается процесс внедрения и использования специализированной платформы на базе искусственного интеллекта для подготовки студентов к объективному структурированному клиническому экзамену (OSCE). Основное внимание уделяется методологии «целенаправленной практики» (deliberate practice), где ИИ выступает в роли симулятора для отработки клинических навыков. Исследование анализирует, как обучающиеся адаптируют цифровые инструменты в процессе подготовки к государственным лицензионным экзаменам. Ключевые результаты демонстрируют высокую степень вовлеченности пользователей и потенциал ИИ-платформы в создании реалистичной среды для оценки компетенций. Использование платформы позволяет стандартизировать процесс подготовки и обеспечить немедленную обратную связь, что критически важно для формирования клинического мышления. Данная работа имеет высокую значимость для медицинского образования, предлагая масштабируемое решение для подготовки будущих врачей к сертификации.

В данном исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная модель объяснимого машинного обучения (Explainable AI), предназначенная для долгосрочного прогнозирования когнитивных нарушений. Исследование фокусируется на сельской популяции Китая, что позволяет оценить эффективность алгоритмов в условиях ограниченного доступа к специализированной медицинской помощи. Авторы применили методы интерпретируемого ИИ, чтобы не только предсказать риск развития когнитивных расстройств на горизонте 10 лет, но и выявить ключевые биомаркеры и демографические факторы, влияющие на результат. Методология включает использование сложных ML-архитектур, чья работа прозрачна для клиницистов, что критически важно для принятия медицинских решений. Ключевые результаты демонстрируют высокую прогностическую точность модели, позволяющую проводить раннюю стратификацию пациентов. Данная работа имеет высокую практическую значимость для превентивной гериатрии и разработки систем поддержки принятия врачебных решений в регионах с дефицитом ресурсов.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная методология использования машинного обучения для интеграции мультиомных данных с целью прогнозирования эффективности терапии у пациенток с раком яичников. Авторы разработали модель слияния данных (multi-omics fusion), которая объединяет геномные, транскриптомные и протеомные профили для создания комплексного биомаркерного ландшафта. Применение алгоритмов машинного обучения позволило значительно повысить точность предсказания ответа на химиотерапию по сравнению с традиционными методами анализа одиночных типов данных. Результаты исследования демонстрируют, что такая интеграция данных способствует переходу к прецизионному общественному здравоохранению, позволяя персонализировать протоколы лечения на популяционном уровне. Данная работа имеет критическое значение для онкологии, так как предлагает инструмент для минимизации неэффективных терапевтических вмешательств и оптимизации выбора лекарственных препаратов на основе глубокого молекулярного профилирования.