биомаркеры

Исследователи разработали CHASM — вычислительный метод для обнаружения хромосомных копийных альтераций (CNA) из данных одноклеточной хроматиновой доступности (scATAC-seq). Метод оценивает фон CNA-null для каждой клетки, обеспечивая индивидуализированное ожидание хромосомной доступности, что критически важно в не-неопластических тканях. Валидация проведена через in silico spike-in эксперименты, кросс-модальные сравнения с одноклеточными ДНК и РНК данными, включая контрасты нестабильности генома (дефицит p53, потеря Y-хромосомы). Применённый к 99 образцам человеческой почки, CHASM выявил обогащение мозаичных хромосомных альтераций (mCA) в ассоциированных с повреждением клеточных состояниях (VCAM1-высокие клетки проксимальных канальцев). Метод обнаружил возраст-ассоциированное появление mCA в релевантных для рака геномных регионах, включая_gain и потерю хромосомы 3, gain хромосомы 7 в нормальных популяциях клеток. Клетки с mCA демонстрируют активацию регуляторных программ ответа на повреждение и сниженную эпителиальную идентичность, а повышенная нагрузка mCA в специфических эпителиальных популяциях ассоциирована с увеличенной иммунной и стромальной инфильтрацией. CHASM раскрывает паттерны нестабильности генома при старении внутри типов клеток и implicирует mCA в ранних, пред-болезненных клеточных состояниях.

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 новый фреймворк для оценки биологического возраста с учётом неопределённости предсказаний, генерирующий калиброванные доверительные интервалы и индивидуализированные вероятности ускоренного или замедленного старения alongside традиционных точечных оценок. Методология была применена к данным UK Biobank Pharma Proteomics Project с оценкой трёх композитных и одиннадцати органоспецифичных часов биологического возраста. Результаты показали, что предсказательная неопределённость существенно варьируется как внутри, так и между различными часами, причём часы с низкой точностью (включая многие органоспецифичные) предоставляют мало доказательств для уверенного определения ускоренного или замедленного старения. Ширина доверительного интервала предсказания независимо ассоциировалась с риском заболеваний и смертностью, особенно для композитных, мозговых и иммунных часов, что указывает на то, что неопределённость предсказания отражает дополнительный аспект биологического старения, связанный с молекулярной гетерогенностью и дисрегуляцией. findings были реплицированы в Biobank Japan и независимой клинической когорте Стэнфорда. Фреймворк позволяет улучшить индивидуальную стратификацию рисков для профилактики заболеваний и лонгитюдного мониторинга, предоставляя более информативную характеристику биологического старения по сравнению с традиционными методами.

Исследователи разработали новый неинвазивный диагностический инструмент — шкалу Fontan EV Score (FES) — для оценки тяжести ассоциированной с Fontan болезни печени (FALD), универсального осложнения после паллиативной операции Fontan. Методология включала использование овечьей модели Fontan (n=19) с лонгитудинальным сбором образцов сыворотки и эластографией печени. Применялось мультиомиксное профилирование циркулирующих внеклеточных везикул (sEVs), включая секвенирование малых РНК и протеомику. С помощью регуляризованной регрессии были идентифицированы транскриптомные предикторы, интегрированные с временем после операции в рамках ординальной логистической регрессии. Шкала FES, включающая 11 биомаркеров малых РНК, продемонстрировала высокую точность предсказания: AUC 0,876 для умеренного и 0,963 для тяжёлого фиброза, значительно превосходя традиционные индексы APRI (AUC=0,618) и FIB-4 (AUC=0,731). Биологическая валидация на человеческих печёночных органоидах подтвердила реакцию ключевых миРНК (miR-125a-5p, miR-193b-5p) на профибротическую стимуляцию. Результаты открывают новые возможности для раннего выявления и стратификации риска FALD без инвазивной биопсии.

Компания Tempus AI опубликовала в престижном журнале Nature Medicine результаты исследования своей мультимодальной фундаментальной модели PRISM2, предназначенной для применения в онкологии. Модель демонстрирует диагностическую точность уровня клинических стандартов для обнаружения рака, одновременно расширяя возможности прогнозирования статуса биомаркеров и прогноза пациентов. PRISM2 представляет собой фундаментальную ИИ-модель, обученную на мультимодальных медицинских данных, что позволяет ей выполнять множественные диагностические и прогностические задачи в рамках единой архитектуры. Исследование подтверждает эффективность модели в реальных клинических сценариях, позиционируя Tempus как лидера во внедрении искусственного интеллекта в онкологию. Публикация в Nature Medicine свидетельствует о прохождении рецензирования и научной валидации технологии. Компания Tempus AI торгуется на бирже NASDAQ под тикером TEM и специализируется на технологиях для персонализированной медицины. Результаты исследования открывают возможности для более широкого клинического применения ИИ в диагностике рака и прогнозировании исходов лечения.

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.

Исследование посвящено решению проблемы гетерогенности данных транскриптомики при поиске биомаркеров сердечно-сосудистых заболеваний (ССЗ). Авторы разработали и протестировали пайплайн, объединяющий 25 независимых наборов данных (983 образца) из 23 различных фенотипов ССЗ, полученных с помощью платформ RNA-seq и микрочипов. В работе сравниваются три метода гармонизации данных (Shambhala-2, TDM и UPC), при этом метод Shambhala-2 показал наилучшие результаты в сохранении биологических сигналов. Исследователи протестировали 35 классификаторов машинного и глубокого обучения, включая архитектуры Transformer и ResNet. Для обеспечения клинической интерпретируемости были применены методы объяснимого ИИ (XAI), такие как SHAP и Integrated Gradients, а их надежность подтверждена метриками AOPC, Sensitivity и Infidelity. Результаты подтвердили, что подходы на основе значений Шепли обеспечивают максимальную стабильность при идентификации геномных признаков. Выявленные биомаркеры связаны с ключевыми процессами: воспалением, иммунной регуляцией и окислительным стрессом, что открывает путь к персонализированной кардиологии.

В исследовании представлен FastEBM — новый масштабируемый фреймворк на основе цепей Маркова, предназначенный для моделирования последовательности изменений биомаркеров при прогрессировании заболеваний. В отличие от традиционных моделей (GMM-EBM, KDE-EBM, DEBM), которые требуют вычислительно затратной пермутационной инференции и предполагают независимость признаков, FastEBM переформулирует задачу в проблему упорядочивания субъектов на диффузионном многообразии. Это позволяет методу эффективно работать в условиях высокой размерности данных и корреляции признаков, сохраняя точность восстановления порядка событий. Авторы внедрили механизм оценки неопределенности прогрессирования через вариативность времени первого достижения (first-passage-time), что позволяет строить диаграммы позиционной дисперсии. При тестировании на синтетических данных FastEBM продемонстрировал превосходство в точности и скорости работы по сравнению с существующими аналогами. Валидация на реальных наборах данных (TADPOLE и ADNI) подтвердила эффективность метода для анализа болезни Альцгеймера: модель успешно восстановила паттерны прогрессирования тау-белка в коре головного мозга, выявив даже латерализованные тренды развития заболевания. Инструментарий FastEBM доступен в открытом доступе на GitHub.

В данной научной работе представлен переработанный фреймворк логистической регрессии, специально оптимизированный для классификации и отбора признаков в условиях высокой размерности биомедицинских данных. Основная проблема, решаемая авторами, заключается в ограничении классической логистической регрессии, когда количество генетических признаков многократно превышает количество доступных образцов. Методология была протестирована на трех различных биомедицинских наборах данных, охватывающих сценарии с десятками тысяч атрибутов при существенно малом объеме выборки. Результаты исследования показали способность модели обеспечивать четкое разделение между контрольными группами и группами пациентов с заболеваниями, одновременно выделяя компактный набор наиболее значимых генов. Важным достижением является то, что часть выбранных признаков совпала с уже известными биомаркерами заболеваний, что подтверждает биологическую достоверность модели, а другие признаки указывают на потенциально новые мишени для дальнейших исследований. Данный подход предлагает интерпретируемую и вычислительно эффективную альтернативу существующим методам в области вычислительной биологии.

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.

В исследовании проведен мета-анализ 16 наборов данных bulk RNA-seq (646 образцов: 314 пациентов с болезнью Паркинсона и 332 контрольных образца) для изучения влияния возраста на транскрипционные изменения при данном заболевании. Ученые выявили существенные различия в генетических профилях между группами пациентов моложе 60 лет и старше 60 лет. У лиц младше 60 лет обнаружено 31 дифференциально экспрессируемый ген (DEG), включая lncRNA LINC02188 и регуляторы цитоскелета (TIAM2, KCTD8), что указывает на раннюю реорганизацию аксонов и структурные изменения нейритов. В группе старше 60 лет выявлено 181 DEG, связанных с нейрональными маркерами (NPAS4, PVALB) и иммунно-метаболическими путями (FGA, NPC1L1), что свидетельствует о широкой дисрегуляции протеостаза и цитокинового сигналинга. Исследование подчеркивает, что классические изменения при болезни Паркинсона в большей степени обусловлены возрастом, в то время как ранние формы заболевания вовлекают уникальные модули lncRNA, кальциевой и липидной регуляции. Полученные данные выделяют новые потенциальные биомаркеры, такие как LINC02188 и TLCD3B, для ранней диагностики болезни Паркинсона.

Исследование посвящено изучению фундаментальных различий в молекулярных механизмах развития болезни Альцгеймера (БА) у мужчин и женщин. На основе анализа данных bulk RNA-sequencing из дорсолатеральной префронтальной коры 624 человек (401 женщина и 223 мужчины) из когорты ROSMAP, ученые выявили две принципиально разные биологические траектории заболевания. У женщин наблюдается многоуровневая архитектура перехода: на ранней стадии (от нормы к умеренным когнитивным нарушениям, MCI) происходит иммунное праймирование с участием 628 генов, за которым следует масштабная потеря синаптических и нейропептидных функций, затрагивающая 8 935 генов. В то же время у мужчин раннее иммунное воздействие отсутствует; вместо этого их патологический процесс характеризуется резким коллапсом 8 237 генов, связанных с слиянием мембран органелл, посттрансляционной модификацией и внутриклеточным транспортом. Результаты подчеркивают, что БА не является единым процессом, а представляет собой разные биологические программы в зависимости от пола, что требует разработки гендерно-стратифицированных моделей и независимых биомаркеров для диагностики и лечения.

В исследовании представлен инновационный фреймворк 'proteome velocity', предназначенный для реконструкции непрерывных траекторий изменений протеома на основе перекрестных или разреженных данных протеомики. Авторы используют метод потокового сопоставления (flow matching), где нейронная сеть обучается вычислять поля скоростей в пространстве протеома, позволяя определить скорость и направление изменения концентрации белков при развитии заболеваний. В ходе экспериментов на моделях сепсиса у мышей модель успешно разрешила специфичные для тканей и патогенов траектории, выявив воспалительные белки с уникальными паттернами временной активации. При анализе плазменного протеома пациентов с COVID-19 полученные траектории позволили разделить пациентов на группы с различными программами скоростей, коррелирующими с тяжестью течения болезни. Данная методология позволяет трансформировать статические данные в интерпретируемые динамические модели молекулярного прогрессирования. Это открывает новые возможности для персонализированной медицины и ранней диагностики через понимание динамики биомаркеров.

Исследование посвящено изучению молекулярных механизмов того, как старение и биологический пол взаимодействуют в контексте сердечно-сосудистых заболеваний (ССЗ). Авторы провели комплексный мультиомиксный анализ данных 981 донора и 17 типов тканей, интегрируя профили экспрессии генов с регуляторной, генетической и сетевой информацией для 1176 кандидатных генов ССЗ. В ходе двухэтапного анализа было выявлено 4404 гена с выраженной возрастной динамикой экспрессии, из которых 2718 генов демонстрировали специфические тренды для мужчин, а 202 — для женщин. Были выделены 35 высоконадежных половых диморфных генов, включая REN, APOE и GUCY1A2. Интеграция с базой Open Targets позволила идентифицировать 289 генов, связанных с одобренными препаратами, и 48 из 50 лучших биомаркеров, подтвержденных данными GWAS-eQTL. Итогом работы стал список из 19 потенциально применимых биомаркеров, при этом гены GUCY1A2 и PDE5A были выделены как ключевые кандидаты для стратифицированной по полу персонализированной медицины через ось сигнализации оксида азота-цГМФ. Данная работа создает основу для разработки таргетной терапии ССЗ с учетом половой специфики пациента.

Исследование посвящено оценке точности моделирования прогрессирования заболевания (DPM), используемого для определения «амилоидного времени» при болезни Альцгеймера. Авторы провели симуляционные исследования, используя эмпирические данные о шуме в биомаркерах амилоида (ПЭТ, спинномозговая жидкость и плазма крови) в когортах с аутосомно-доминантной и спорадической формами заболевания. Результаты показали, что межличностная вариативность является основным источником ошибок при временных оценках, в то время как внутрииндивидуальная вариативность снижает стабильность прогнозов. Было установлено, что ПЭТ-сканирование амилоида превосходит по точности анализы спинномозговой жидкости и плазмы. Исследование подчеркивает, что текущие подходы DPM более надежны на уровне групп, чем на уровне отдельных пациентов, особенно при использовании жидкостных биомаркеров с вариативностью более 10-15%. Это имеет критическое значение для планирования клинических испытаний и разработки персонализированных стратегий лечения.

Исследователи разработали STORM (Spatial Topology analysis of Recurrent Motifs) — новый метод на основе графового вариационного автоэнкодера с механизмом внимания, который позволяет обнаруживать повторяющиеся архитектурные паттерны в опухолях без предварительной разметки типов клеток. В ходе исследования на базе 32 секций Xenium от 16 пациентов с колоректальным раком (EOCRC и AOCRC) было выявлено 10 рекуррентных мотивов, сформировавших макро-компартменты опухоли, стромы и иммунной системы. Ключевым открытием стал мотив десмопластического фиброзного барьера (DFB), богатый CAF и внеклеточным матриксом, который физически ограничивает доступ CD8+ Т-клеток к ядрам опухоли независимо от их общего количества. Установлено, что этот барьерный механизм более выражен при раннем начале заболевания (EOCRC), характеризуясь более плотной структурой и специфической программой активации матрикса. С помощью Vision Transformer модель STORM позволила транслировать эти пространственные мотивы в стандартные H&E-изображения, создав прогностический биомаркер, который эффективно предсказывает общую выживаемость пациентов в базе данных TCGA-COAD.

GE HealthCare и Mayo Clinic запускают исследование MI-BET, направленное на персонализацию радиолигандной терапии рака простаты. Проект использует передовые технологии визуализации и биомаркеров для адаптации циклов лечения на основе индивидуального ответа пациента.

В статье представлено инновационное исследование, направленное на разработку системы мониторинга состояния поясничного отдела позвоночника с использованием комбинированного подхода, объединяющего анализ данных (data-driven) и экспертные медицинские знания (knowledge-driven). Авторы предлагают использовать новые биомаркеры визуализации для точной стратификации рисков развития дегенеративных заболеваний позвоночника. Методология исследования базируется на применении алгоритмов машинного обучения для анализа медицинских изображений, что позволяет выявлять скрытые паттерны старения тканей, недоступные при стандартном визуальном осмотре. Ключевым результатом является создание прогностической модели, способной не только фиксировать текущие изменения, но и оценивать риски прогрессирования патологий в долгосрочной перспективе. Данная технология имеет высокую клиническую значимость, так как позволяет персонализировать стратегии профилактики и раннего вмешательства, минимизируя риск развития инвалидизирующих состояний у пациентов. Внедрение подобных ИИ-ориентированных биомаркеров в повседневную радиологическую практику может значительно повысить точность диагностики дегенеративных изменений позвоночника.

Исследование посвящено оценке биологической надежности 24 различных эпигенетических часов (маркеров старения на основе метилирования ДНК) при кратковременном физиологическом воздействии — ночном голодании и последующем приеме пищи. Авторы проанализировали классические часы (Horvath, Hannum), системы системного старения (SystemsAge), часы, обученные на показателях смертности (GrimAge, OMICmAge), и часы темпа старения (DunedinPACE) на трех наборах данных, включая когорту из 2895 человек. Результаты показали, что голодание вызывает сдвиг оценок возраста на 0,5–3 года в часах, чувствительных к состоянию иммунных клеток, в то время как mortality-trained часы (GrimAge) и DunedinPACE не показали значимого острого эффекта. Ключевым выводом стало то, что корректировка состава иммунных клеток практически полностью нивелирует эффект голодания (например, для SystemsAge Blood — 99,7% затухания эффекта). Исследование демонстрирует, что чувствительность часов к физиологическим изменениям во многом зависит от их архитектуры и доли иммунной составляющей, что критически важно для понимания их трансляционного потенциала в клинических испытаниях.