биомаркеры

Исследование посвящено критической проблеме в анализе данных секвенирования следующего поколения (NGS), таких как микробиомные исследования, RNA-seq и метагеномика. Авторы доказывают, что использование арифметического среднего (AM) для обобщения относительных пропорций приводит к нестабильному ранжированию признаков, которое меняется в зависимости от выбранного метода нормализации. В ходе тестирования на наборе данных dietswap (n=38) было обнаружено, что у 22,5% распространенных родов бактерий (включая Bacteroides и Eubacterium) выводы о значимости групп радикально различались при использовании AM и геометрического среднего (GM). Исследование демонстрирует, что GM-ранжирование инвариантно к мультипликативной структуре композиционных данных, а использование трансформации центрированного логарифмического отношения (CLR) математически эквивалентно применению GM. Авторы рекомендуют использовать геометрическое усреднение для ранжирования признаков и CLR-трансформацию для межгрупповых сравнений, что позволяет устранить скрытый источник невоспроизводимости при поиске биомаркеров в метагеномике, транскриптомике и метаболомике. Данный подход не требует новых вычислительных инструментов и полностью совместим с существующими конвейерами анализа дифференциальной экспрессии.

Исследование посвящено поиску молекулярных маркеров когнитивной устойчивости — способности сохранять высокие когнитивные функции в процессе старения. Ученые провели нецелевое профилирование сыворотки крови методом LC-MS/MS у 237 участников, за которыми велось наблюдение в течение 28 лет. В ходе работы были выявлены специфические метаболические сигнатуры, связанные с когнитивным здоровьем, включая карнитины, конъюгаты глутамина и фосфохолины. Было установлено, что у лиц с высокой когнитивной устойчивостью наблюдается повышенный уровень диетических соединений, таких как пиперин и лютеин, а также специфические изменения в метаболизме антигипертензивного препарата метопролола. Напротив, у участников с низкой устойчивостью зафиксировано накопление глюкуронидных конъюгатов и отрицательная корреляция с уровнем среднецепочечных ацилкарнитинов. Результаты исследования предоставляют новые данные о биологических механизмах старения мозга и предлагают потенциальные биомаркеры для раннего прогнозирования когнитивного снижения.

В исследовании представлен масштабный сравнительный анализ методов отбора признаков и построения прогностических моделей на основе геномных данных, характеризующихся высокой размерностью и разреженностью. Авторы протестировали широкий спектр алгоритмов, включая классические статистические методы и современные подходы машинного обучения, на синтетических наборах данных с варьирующейся корреляцией и силой сигнала. Для практической верификации результаты были проверены на реальном когортном исследовании рака из базы данных The Cancer Genome Atlas (TCGA). Оценка проводилась по комплексному набору метрик: индексу конкордантности (C-index), F1-score, ошибке Brier score, RMSE и скорости вычислений. Исследование показало, что методы CoxBoost и Adaptive LASSO демонстрируют наиболее стабильные результаты по всем показателям, в то время как LASSO и Elastic Net наиболее эффективны при оценке конкордантности и F1-score. Результаты работы предоставляют онкологам и биоинформатикам четкие рекомендации по выбору оптимального математического аппарата в зависимости от специфических характеристик геномных данных.

Исследователи представили cfMIND — инновационный фреймворк на базе машинного обучения, предназначенный для высокоточного обнаружения заболеваний через анализ метилирования внеклеточной ДНК (cfDNA) в плазме крови. В отличие от традиционных методов, которые агрегируют данные на уровне регионов и теряют важные сигналы, cfMIND работает на уровне отдельных чтений (read-level), что позволяет сохранять редкие специфические для определенных типов клеток биомаркеры. При тестировании на обширном наборе данных (n = 868) система продемонстрировала выдающуюся эффективность с показателем AUROC до 0,966. Фреймворк сохраняет высокую точность даже при сверхнизкой глубине секвенирования (0,2x) и эффективно выявляет рак на ранних стадиях. Особое внимание уделено универсальности: cfMIND работает на различных технологиях секвенирования и не требует переобучения при смене когорт. Помимо онкологии, метод показал успешность в диагностике незлокачественных заболеваний, в частности, бокового амиотрофического склероза (БАС). Функциональный анализ подтвердил, что выявленные системой признаки обогащены в ключевых регуляторных регионах, связанных с патогенезом заболеваний.

Исследование представляет VIP2B — инновационный аналитический фреймворк, использующий теги рестрикции IIB типа для извлечения детальных характеристик вирусов (таксономия, покрытие, функции и фенотип) напрямую из данных полногеномного метагеномного секвенирования (WMS). Авторы доказали, что стандартные метагеномы содержат богатую вирусную информацию, сопоставимую по точности с обогащенными образцами вирусно-подобных частиц (VLP). При анализе 20 клинических когорт было установлено, что учет вирусных признаков позволяет выявлять специфические биомаркеры заболеваний, которые не обнаруживаются при анализе только бактериального компонента. Это значительно повышает точность диагностических моделей. Кроме того, на выборке из 6 090 человек были определены два различных состояния сообщества вирома кишечника, связанных с различными профилями здоровья. Работа закладывает методологическую основу для перехода к мульти-царственному анализу микробиома в клинической практике.

Исследование посвящено изучению возможности использования метилирования ДНК в слизистой оболочке щеки в качестве неинвазивной альтернативы анализу крови для оценки биологического старения. Ученые проанализировали профили метилирования 186 японских взрослых с использованием массива Illumina Infinium Methylation Screening Array (MSA). Применение двухэтапного метода остаточного обучения, интегрирующего существующие эпигенетические часы на основе крови, позволило достичь высокой точности прогнозирования хронологического возраста (R = 0,965) и фенотипического возраста (R = 0,964). В ходе работы было установлено, что данные слизистой щеки позволяют предсказывать широкий спектр клинических биомаркеров, включая воспалительные, метаболические, тиреоидные и гормональные показатели. Несмотря на то, что сайты CpG, используемые для прогнозирования, различались между полами и типами тканей, предсказуемые фенотипы в целом совпадали. Результаты подтверждают, что эпигенетический анализ слизистой щеки является перспективным инструментом для мониторинга системного физиологического состояния и биологического старения.

Исследование представляет применение архитектуры жидких нейронных сетей (LNN) для диагностики пародонтита у пациентов с диабетом на основе метаболического анализа слюны. Методология включает сбор слюнных образцов от пациентов с диабетом и последующий метаболический профилирование с использованием масс-спектрометрии. Разработанная модель LNN обучалась на метаболических отпечатках для выявления пациентов с высоким риском развития пародонтита. Ключевые результаты показывают высокую точность классификации, превосходящую традиционные методы диагностики. Применение лёгких нейронных сетей позволяет снизить вычислительные требования, делая технологию пригодной для клинического использования в условиях ограниченных ресурсов. Исследование демонстрирует перспективность неинвазивных методов диагностики в сочетании с современным ИИ для скрининга осложнений диабета. Работа опубликована в ведущем журнале npj Digital Medicine, что подтверждает её научную значимость и соответствие стандартам цифрового здравоохранения.

В данном систематическом обзоре области рассматривается применение сенсорных технологий цифрового здравоохранения для регистрации конечных точек в современных клинических исследованиях. Авторы анализируют данные из множества недавних клинических испытаний, где использовались носимые устройства, мобильные датчики и другие цифровые инструменты для сбора объективных медицинских показателей. Исследование охватывает различные типы сенсоров — от акселерометров и пульсоксиметров до умных пластырей и имплантируемых устройств — и их интеграцию в дизайн клинических исследований. Ключевой вывод заключается в том, что цифровые конечные точки позволяют повысить чувствительность измерений, снизить нагрузку на участников исследований и обеспечить непрерывный мониторинг в реальной жизни. Обзор выявляет значительный рост использования таких технологий в период с 2020 по 2025 год, особенно в области онкологии, кардиологии и неврологии. Основными вызовами остаются стандартизация методов валидации, обеспечение безопасности данных и регуляторное признание цифровых конечных точек. Работа демонстрирует потенциал цифровых биомаркеров для ускорения разработки новых терапий и персонализации лечения. Публикация представляет собой ценный ресурс для исследователей, разрабатывающих клинические протоколы с использованием цифровых технологий.

Исследователи представляют Longevity-LLM v0.1 — модель на базе Qwen3-14B, дообученную с помощью контролируемого и reinforcement learning на данных ДНК-метилирования, протеомики, клинических биомаркеров и экспрессии РНК. Модель демонстрирует выдающиеся результаты на Longevity Bench, включая задачи прогнозирования выживаемости при раке и предсказания возраста на основе протеома и РНК. После дообучения с подкреплением модель достигла средней абсолютной ошибки (MAE) в 4.34 года при предсказании эпигенетического возраста, превзойдя известный мульти-тканный часы Хорвата. Longevity-LLM также выполняет множество других задач, включая генерацию протеомных профилей, значительно превосходя все существующие передовые языковые модели. Результаты показывают, что одна компактная LLM может заменить или сравняться с узкоспециализированными моделями старения across различных модальностей данных. Работа представляет промежуточный отчет от инициативы Multi-Modal AI Gym for Science (MMAI), направленной на создание фундаментальных моделей для разработки лекарств и исследований старения. Это исследование знаменует переход от множества специализированных моделей к единым фундаментальным моделям, способным работать с разнородными биомедицинскими данными.

Компания Tempus AI, лидер в области искусственного интеллекта и прецизионной медицины, объявила о стратегическом сотрудничестве с фармацевтической компанией Daiichi Sankyo (TSE: 4568). Партнёрство направлено на ускорение клинической разработки и дифференциации программы антитело-лекарственного конъюгата (ADC) в области онкологии. Ключевым элементом сотрудничества является использование ИИ-технологий для открытия биомаркеров, что позволяет более точно идентифицировать пациентов, которые могут получить максимальную пользу от терапии. ADC-программы представляют собой перспективное направление в лечении рака, где антитело доставляет цитотоксический препарат непосредственно к раковым клеткам, минимизируя повреждение здоровых тканей. Применение алгоритмов машинного обучения для анализа биомаркеров позволяет оптимизировать дизайн клинических испытаний и повысить вероятность их успеха. Это сотрудничество демонстрирует растущую интеграцию ИИ в процесс разработки онкологических препаратов, особенно в области таргетной терапии. Успех такого подхода может привести к более персонализированному лечению и улучшению клинических исходов для пациентов с различными типами рака.

Исследователи представили REGEN (REconstruction of GEne Networks) — метод на основе графовых нейронных сетей (GNN) для одновременного обучения латентных сетей взаимодействий генов из данных транскриптомики и предсказания статуса выживаемости пациентов. Методология включает систематическое сравнение стратегий инициализации матриц смежности генов-генов для построения графов взаимодействий. Модель была оценена на когорте TCGA (The Cancer Genome Atlas) по семи типам рака, где REGEN превзошел базовые модели в пяти наборах данных. Анализ обученной сети генов рака почки выявил биологически значимые пути и биомаркеры, связанные с онкологией, подтвердив биологическую релевантность модели. Работа предоставляет практические руководства по применению GNN к транскриптомике, позволяя улучшить предсказание фенотипов и открывать значимые генные сети. Это имеет прямое значение для онкологии, персонализированной медицины и понимания молекулярных механизмов заболеваний.

Обзор исследований методов преобразования мульти-омиксных данных в изображения для применения глубокого обучения в классификации заболеваний и поиске биомаркеров. Исследование охватывает работы 2013-2024 годов, показывая точность от 75% до 99% при использовании CNN-моделей. Несмотря на перспективы, сохраняются проблемы переобучения, ограниченной обобщаемости и интерпретируемости.

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.