диагностика

В статье представлена инновационная архитектура LogicSleep, предназначенная для автоматизированного определения стадий сна с использованием нейросимволического подхода. В отличие от традиционных «черных ящиков» глубокого обучения, данная методология сочетает в себе мощь нейронных сетей для извлечения признаков и символьную логику для обеспечения интерпретируемости результатов. Исследование направлено на решение проблемы персонализации, так как модель учитывает индивидуальные особенности биоритмов пациента при анализе полисомнографии. Ключевым преимуществом LogicSleep является высокая точность классификации в сочетании с возможностью объяснения логических шагов, принятых алгоритмом при разделении фаз сна. Это делает технологию пригодной для клинического использования, где врачу необходимо понимать обоснование автоматизированного диагноза. Внедрение подобного фреймворка может значительно ускорить процесс диагностики расстройств сна и повысить точность мониторинга пациентов в домашних условиях.

Исследование оценивает эффективность четырех LLM (GPT-4o, OpenAI o3, Gemini-2.5pro и DeepSeek-R1) в анализе причин смерти на основе 118 реальных случаев. Результаты показали, что DeepSeek-R1 превосходит конкурентов по качеству логических выводов, однако все модели склонны к галлюцинациям и требуют обязательного контроля со стороны экспертов.

Разработан инструмент PredictRx, использующий шесть методов машинного обучения для анализа молекулярных структур и предсказания синергии лекарственных комбинаций. Исследование показало высокую эффективность алгоритма Random Forest в прогнозировании совместимости препаратов для терапии рака молочной железы.

В исследовании представлен RIPPLE (Replicate-Aware Inference of Paracrine Profiles via Likelihood Estimation) — новый программный пакет на языке R, предназначенный для анализа пространственной транскриптомики. Инструмент позволяет систематически декодировать межклеточные сигнальные пути, выявляя гены, экспрессия которых меняется в зависимости от расстояния до конкретного типа клеток. При тестировании на наборе данных 10x Xenium (мышиный лимфатический узел) алгоритм успешно восстановил каноническую программу ответа CCL21 в Т-клетках и подмножествах дендритных клеток с полной согласованностью знаков во всех образцах. В ходе анализа когорты немелкоклеточного рака легкого (CosMx) RIPPLE идентифицировал 515 генов градиента близости к опухоли, охватив 17 типов клеток. В частности, метод выделил IGFBP5 как ведущий маркер рак-ассоциированных фибробластов. Данная разработка предоставляет исследователям ранжированные списки паракриновых кандидатов, что критически важно для понимания микроокружения опухолей и разработки новых терапевтических стратегий.

Исследователи представили Human Developmental Lung Cell Atlas (HDLCA) — масштабный курируемый атлас респираторной системы, объединяющий 253 набора данных из 225 исследований. Проект охватывает более 18 миллионов клеток, полученных из 3 198 образцов 2 460 человек, охватывая 34 анатомические локации в состоянии здоровья и при патологиях. В ходе работы было определено 142 консенсусных типа клеток легких, включая 13 редких и 8 ранее не описанных типов. Ключевым открытием стало обнаружение редкой популяции промежуточных прогениторных альвеолярных эпителиальных клеток (Int AP), которые обладают транскрипционными признаками как клеток типа AT2, так и AT1. Траекторный анализ показал, что эти клетки возникают из AT2 и секреторных клеток SCGB1A1+, а их специализация регулируется сигнальным путем Hippo-YAP/TAZ. Установлено, что дисфункция Int AP клеток связана с генетической предрасположенностью к идиопатическому легочному фиброзу и ХОБЛ, что делает их потенциальной мишенью для регенеративной терапии. Данный атлас служит фундаментальной базой для картирования клеточного разнообразия и разработки новых стратегий клеточной терапии заболеваний легких.

В данном исследовании проводится сравнительный анализ трех математических подходов для оценки биологического возраста (BA) на основе показателей вариабельности сердечного ритма (HRV). Исследователи проанализировали данные 343 участников (193 женщины и 150 мужчин в возрасте от 20 до 90 лет), используя девять временных и частотных индексов HRV, таких как lnSDNN, lnRMSSD и lnHF. Основная цель заключалась в сравнении точности метода множественной линейной регрессии (MLR), метода Дубины (коррекция MLR) и метода Клемера-Дубаля (KDM). Результаты показали, что метод KDM обеспечивает наиболее стабильную и точную оценку с минимальной средней абсолютной ошибкой (MAE) — 4,34 года для женщин и 3,67 года для мужчин. В то время как классическая регрессия MLR продемонстрировала наибольшую погрешность (до 7,47 лет), применение коррекции Дубины улучшило точность, однако этот метод ограничен зависимостью от хронологического возраста. Работа подчеркивает потенциал использования алгоритмов обработки биосигналов для неинвазивного мониторинга биологического старения организма.

В исследовании представлен инновационный фреймворк на базе глубокого обучения, предназначенный для автоматизированного анализа видеопотоков контрастно-усиленного ультразвукового исследования (CEUS) при оценке узлов щитовидной железы. Методология фокусируется на извлечении динамических признаков кровотока и текстурных характеристик новообразований для дифференциации доброкачественных и злокачественных поражений. Использование нейросетевых архитектур позволяет значительно повысить точность интерпретации видеоданных по сравнению с традиционными статичными изображениями. Ключевые результаты демонстрируют высокую чувствительность и специфичность алгоритма в выявлении признаков малигнизации, что критически важно для ранней диагностики рака щитовидной железы. Данная технология может быть интегрирована в системы поддержки принятия врачебных решений (СППВР) в отделениях радиологии, снижая риск человеческой ошибки и оптимизируя процесс подготовки к биопсии. Практическая значимость работы заключается в автоматизации сложного процесса анализа динамического контрастирования, что сокращает время диагностики и повышает точность клинических прогнозов.

Представлен Utanos — модульное программное решение (pipeline и R-пакет), предназначенное для анализа данных полногеномного секвенирования малой глубины (sWGS) по типу FASTQ-to-figures. Методология ориентирована на работу с относительно недорогим секвенированием (целевой объем около 15 миллионов чтений), что делает его экономически эффективной альтернативой глубокому WGS для масштабных исследований. Инструмент позволяет эффективно обнаруживать аберрации числа копий (CN), дефицит гомологичной рекомбинации (HRD) и формировать специфические сигнатуры числа копий. Разработка особенно актуальна для неонатальной диагностики и онкологических исследований, включая работу с образцами из блоков FFPE (фиксированных формалином и заключенных в парафин). Технически решение реализовано на базе кроссплатформенного фреймворка Nextflow с поддержкой Docker, что обеспечивает высокую воспроизводимость и стандартизацию выходных данных. Программное обеспечение доступно в открытом доступе на GitHub и подано на включение в экосистему nf-core.

Исследование демонстрирует эффективность системы Proactive Intelligence, использующей гибридную нейронную сеть для анализа данных стимуляции спинного мозга. ИИ помогает медицинскому персоналу выявлять пациентов, нуждающихся в корректировке терапии, без дополнительной нагрузки на них в плане ввода данных.

Исследование посвящено разработке нового биоинформатического инструмента CHARLIE (Comprehensive High-throughput Analysis of Repeat Length, Interruptions and Expansions), предназначенного для точного анализа расширенных тандемных повторов. Авторы решают критическую проблему идентификации прерываний (interruptions) внутри повторов, которые являются ключевыми модификаторами тяжести таких заболеваний, как болезнь Гентингтона и миотоническая дистрофия 1 типа. В ходе работы сравнивались методы секвенирования на платформах Illumina MiSeq и PacBio SMRT, что позволило выявить уникальные профили ошибок для каждой технологии. Было доказано, что использование подготовки библиотек без ПЦР (PCR-free) для SMRT-секвенирования значительно повышает точность определения последовательностей. Метод CHARLIE позволяет эффективно отличать реальные биологические прерывания, влияющие на клиническую картину заболевания, от технических ошибок секвенирования. Это имеет важное значение для понимания соматического мозаицизма и наследственной вариативности при тандемных повторах.

В исследовании проведен сравнительный анализ четырех популярных моделей глубокого обучения, предназначенных для прогнозирования эффектов вариантов сплайсинга, на основе набора данных MFASS, включающего 27 733 однонуклеотидных варианта с подтвержденными экспериментальными результатами. Результаты бенчмарка показали, что модель Pangolin является наиболее эффективной для предсказания нарушений сплайсинга с показателем AUROC 0.888 и средней точностью (average precision) 0.421, опережая SpliceAI (AUROC 0.819), SpliceTransformer (AUROC 0.786) и MMSplice (AUROC 0.758). Ключевым открытием стало обнаружение системной «слепой зоны»: все протестированные инструменты демонстрируют высокую точность вблизи сайтов сплайсинга, однако их чувствительность резко падает при анализе вариантов внутри экзонов. В частности, 19% всех нарушающих сплайсинг вариантов были пропущены всеми пятью протестированными моделями, причем эти ошибки сосредоточены преимущественно в центральной части экзонов. Исследование подтверждает, что данная проблема не является следствием архитектуры, ориентированной только на сайты сплайсинга, так как даже модель MMSplice, учитывающая модульные эффекты, показала аналогичное снижение эффективности. Данные выводы критически важны для геномной диагностики, указывая на необходимость разработки новых алгоритмов для более точного анализа глубоких участков экзонов.

Исследование направлено на решение проблемы точной классификации подтипов вируса гриппа А (IAV) в условиях высокой скорости мутаций, что затрудняет клиническое тестирование. Авторы проанализировали обширный массив данных белковых последовательностей с известными подтипами HA и NA. В работе применялись методы машинного обучения, а именно логистическая регрессия и случайный лес (random forest), для выявления специфического набора аминокислот, ассоциированных с конкретными подтипами. Разработанный метод классификации продемонстрировал точность, близкую к оптимальной, что позволяет эффективно отслеживать циркулирующие штаммы вируса. Дополнительный анализ показал, что вариации сигнальных пептидов и индели (вставки/делеции) в белках HA и NA являются ключевыми факторами, объясняющими уникальные комбинации аминокислот. Данная разработка имеет высокую значимость для эпидемиологического надзора и совершенствования методов молекулярной диагностики гриппа.

Исследователи представили scOPE (single-cell Oncological Prediction Explorer) — новый метод анализа данных секвенирования РНК единичных клеток (scRNA-seq), предназначенный для выявления драйверных мутаций в опухолях. Основная проблема scRNA-seq заключается в том, что мутации трудно обнаружить из-за отсутствия экспрессии гена или неполного покрытия ридов, в то время как объемные (bulk) исследования дают точный генотип, но теряют клеточную гетерогенность. scOPE решает эту задачу, обучаясь на экспрессионных осях, связанных с драйверами в объемных опухолях, и проецируя на них транскриптомы отдельных клеток. В ходе тестирования 158 моделей драйверов в семи типах злокачественных новообразований было выявлено, что перенос программ экспрессии носит селективный характер. Наилучшие результаты показаны в случаях острых миелоидных лейкозов (AML, NPM1 AUROC 0.971), глиобластомы (IDH1 AUROC 0.963) и рака поджелудочной железы (KRAS AUROC 0.944). Разработанный метод оценки уверенности (confidence score) позволяет эффективно разделять поддерживаемые программы и шум, обеспечивая точность AUROC 0.85 в тестах на AML. Метод scOPE позволяет восстанавливать непрерывные транскрипционные оси, связанные с мутациями, и выявлять злокачественные популяции клеток, которые не видны при анализе только анеуплоидии.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная интерпретируемая модель искусственного интеллекта, предназначенная для оперативного скрининга лейкемии. Основная методология заключается в использовании данных стандартных, рутинных анализов крови, что позволяет проводить первичную диагностику без необходимости немедленного проведения дорогостоящих и сложных генетических тестов. Модель прошла валидацию на мультицентровых когортах пациентов, что подтверждает её высокую точность и устойчивость к различиям в лабораторном оборудовании. Ключевой особенностью разработки является её интерпретируемость, позволяющая врачам понимать, на основе каких именно параметров гематологического профиля ИИ делает вывод о риске заболевания. Внедрение данного решения может значительно ускорить процесс постановки диагноза и оптимизировать маршрутизацию пациентов в онкологические отделения. Технология открывает новые возможности для раннего выявления лейкозов в условиях первичного звена здравоохранения.

В статье представлена QoQ-Med3 — инновационная мультимодальная базовая модель (foundation model), разработанная специально для глубокого клинического анализа. В отличие от узкоспециализированных алгоритмов, QoQ-Med3 использует механизмы мультимодального рассуждения, позволяя интегрировать текстовые данные электронных медицинских карт, результаты визуальных исследований (радиология, патология) и структурированные лабораторные показатели. Методология исследования базируется на архитектуре, способной к логическому выводу (reasoning), что позволяет модели не просто классифицировать патологии, но и объяснять причинно-следственные связи в клинических случаях. Ключевые результаты демонстрируют превосходство модели над существующими SOTA-решениями в задачах дифференциальной диагностики и прогнозирования течения заболеваний. Практическая значимость разработки заключается в возможности создания интеллектуальных систем поддержки принятия врачебных решений (CDSS), которые минимизируют риск диагностических ошибок и ускоряют процесс обработки сложных мультимодальных данных в реальном времени.

Исследование сравнивает эффективность двух мультимодальных моделей (ChatGPT-5.4 и DeepSeek-VL2) в оценке узлов щитовидной железы по шкале C-TIRADS. ChatGPT-5.4 показал более высокие показатели точности и чувствительности, однако обе модели пока не могут использоваться для самостоятельной клинической диагностики.

В статье представлен Phenoverse — инновационный фреймворк глубокого обучения, предназначенный для анализа транскриптомики единичных клеток с целью выявления состояний заболеваний. Методология включает в себя остаточное кодирование с учетом типов клеток, прототипное обучение и агрегацию на основе архитектуры Perceiver. Исследователи протестировали систему на массивных когортах данных по COVID-19, болезни Альцгеймера и системной красной волчанке, охватывающих более 5 миллионов клеток. Результаты показали, что модель способна предсказывать состояния заболеваний и определять непрерывный спектр тяжести течения болезни на новых данных, даже если обучение проводилось только на бинарных метках. Важным достижением является высокая воспроизводимость молекулярных программ по сравнению с традиционными методами сравнения групп «случай-контроль». Благодаря прототипному обучению, Phenoverse обеспечивает внутреннюю интерпретируемость, позволяя характеризовать специфические для конкретных типов клеток изменения при патологиях, что критически важно для персонализированной медицины.

В исследовании представлена интерпретируемая система классификации заболеваний сетчатки на основе данных оптической когерентной томографии (ОКТ). Авторы разработали фреймворк, который использует четыре анатомически ориентированных слоя сетчатки, сочетая адаптивную сегментацию и целевой инжиниринг признаков для выявления нормы, неоваскулярной мембраны (CNV), диабетического макулярного отека (DME) и друз. Методология включает использование статистических, производных, текстурных (GLCM) и связанных с жидкостью дескрипторов, при этом наиболее информативные признаки были сосредоточены во 2-м и 4-м слоях. Итоговая нейросетевая модель показала исключительную точность: accuracy составила 98,17%, чувствительность — 97,88%, специфичность — 99,38%, а показатель AUC достиг 0,9985. Система отличается высокой вычислительной эффективностью: время обучения составило 2216,3 секунды, а скорость предсказания достигает 160 000 наблюдений в секунду при сверхкомпактном размере модели около 11 кБ. Данный подход предлагает практичную и прозрачную альтернативу «черным ящикам» глубокого обучения, обеспечивая высокую точность и интерпретируемость результатов для клинической практики.

Исследователи представили Nasal Microbiome Wellness Index (NMWI) — инновационный метод количественной оценки состояния назального микробиома, не привязанный к конкретным заболеваниям. Методология основана на использовании LASSO-регрессии для анализа данных секвенирования 16S rRNA, что позволило создать непрерывную шкалу здоровья на основе 24 ключевых таксонов. В исследовании были проанализированы 1654 образца, объединенных из 27 различных публичных баз данных. В отличие от традиционных индексов разнообразия (Шеннона, Симпсона), которые показали слабую корреляцию с состоянием здоровья (Cliff's delta 0.01-0.20), NMWI продемонстрировал высокую точность разделения здоровых и нездоровых состояний (delta = 0.65). Модель показала сбалансированную точность 73.43% при перекрестной проверке и сохранила эффективность 71.49% на независимых внешних когортах. Значимость работы заключается в возможности проактивного мониторинга респираторного здоровья и создании единого стандарта для сравнения данных из различных клинических исследований без необходимости повторного секвенирования.