инфекционные заболевания

Представлена обновленная версия платформы BiomiX 3.0, предназначенная для упрощения интеграции мультиомиксных данных неопытными пользователями. В новую версию включены четыре метода интеграции: Similarity Network Fusion (SNF), NEighborhood-based Multi-Omics clustering (NEMO), DIABLO и новый метод PRAMIGO, основанный на гетерогенных графовых трансформерах (HGT). Исследователи провели бенчмаркинг всех пяти методов (включая MOFA) на двух независимых наборах данных: когорта хронического лимфоцитарного лейкоза (CLL) и коорта туберкулеза легких (PTB). Результаты показали, что контролируемые методы (DIABLO, PRAMIGO) обеспечивают лучшую дискриминацию состояний, тогда как неконтролируемые (SNF, NEMO) выявляют альтернативные стратификации пациентов. Анализ выявил 154 общих биологических признака (116 генов, 38 метаболитов) и множество уникальных для каждого метода сигналов, что доказывает необходимость использования нескольких стратегий интеграции. PRAMIGO продемонстрировал уникальную способность моделировать кросс-модальные молекулярные взаимодействия, выявляя специфические пути, такие как регуляция ncRNA и разнообразие иммуноглобулинового репертуара. Платформа решает проблему сложности выбора методов и интерпретации результатов в мультиомиксных исследованиях.

Статья в npj Digital Medicine (опубликована 4 сентября 2026 года) представляет обзор и анализ платформ, использующих искусственный интеллект для эпиднадзора за инфекционными заболеваниями. Авторы рассматривают архитектурные подходы, включая интеграцию данных из электронных медицинских карт, лабораторных систем, данных секвенирования патогенов и неструктурированных источников (новости, соцсети). Описаны ключевые компоненты таких платформ: конвейеры сбора и нормализации данных, модули обнаружения вспышек на основе ML-моделей (например, временные ряды, графовые нейросети), а также интерфейсы визуализации для эпидемиологов. Приводятся примеры реальных систем, таких как HealthMap, EPIWATCH и BlueDot, с акцентом на их способность раннего предупреждения: в среднем на 3-7 дней раньше традиционных методов. Обсуждаются проблемы валидации моделей, нехватки стандартизированных данных и этические вопросы конфиденциальности. Авторы подчеркивают необходимость создания открытых стандартов и межведомственного сотрудничества для повышения готовности к пандемиям. Статья имеет прямое отношение к применению ИИ в медицине, особенно в области общественного здравоохранения и эпидемиологии.

Разработан интерпретируемый мультимодальный ИИ-фреймворк, объединяющий эмбеддинги рентгенограмм грудной клетки (DEiT-трансформер) с клиническими, демографическими и социальными данными пациентов для диагностики лекарственно-устойчивого туберкулёза. Модель XGBoost достигла PR-AUC 0.9258 и ROC-AUC 0.8718 на 6279 пациентах, при этом анализ SHAP выявил ключевые факторы риска — контакты с больными, статус занятости и радиологические аномалии. Клиницисты подтвердили правдоподобность объяснений модели.

В исследовании представлена инновационная гибридная архитектура FluQRC, сочетающая квантовые и классические резервуарные вычисления для предсказания антигенной дистанции между штаммами вируса гриппа A/H3N2. Данный метод призван заменить трудоемкие и низкопроизводительные традиционные тесты на ингибирование гемагглютининa (HI), что критически важно для своевременного выбора вакцинных штаммов. Методология тестировалась на двух массивах данных: историческом (1963–2002 гг., 73 441 пара) и современном (2003–2025 гг., 788 544 пары). На более сложном наборе данных 2003–2025 гг. модель FluQRC показала превосходство над всеми базовыми алгоритмами, достигнув показателей MAE = 0,369, RMSE = 0,635 и R² = 0,900. В сравнении с лучшим существующим аналогом, точность модели (MAE) увеличилась на 20,3%, а ошибка (RMSE) снизилась на 14,3%, при этом коэффициент детерминации R² вырос с 0,862 до 0,900. Результаты подтверждают высокую масштабируемость и эффективность квантово-классического подхода для крупномасштабного эпидемиологического прогнозирования.

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.

Разработан новый высокопараллельный биоинформатический конвейер neissflow на базе Nextflow, предназначенный для комплексного анализа геномов Neisseria gonorrhoeae (гонококка). Инструмент объединяет пять ключевых подпроцессов: предобработку чтений, идентификацию вида, сборку de novo, профилирование антибиотикорезистентности (AMR) и филогенетический анализ с учетом рекомбинации для обнаружения вспышек. В ходе валидации на смешанном наборе данных (n=158) система показала 100% чувствительность и специфичность в идентификации вида по сравнению с методами MALDI-TOF и PubMLST. Анализ девяти маркеров резистентности продемонстрировал согласованность с PubMLST на уровне ≥98,1%, при этом выявлена идеальная корреляция генотипа и фенотипа для критических мутаций (gyrA, 23S rRNA, tetM). Тесты на воспроизводимость подтвердили точность в 99,97% по 3093 аналитам, а филогенетический анализ показал 100% точность кластеризации. Данное решение представляет собой стандартизированный и надежный инструмент для лабораторий общественного здравоохранения, занимающихся мониторингом антибиотикорезистентности и расследованием вспышек инфекций.

Исследователи представили первую комплексную базу данных локусов синтеза капсулы (K-локусов), специально разработанную для комплекса видов Klebsiella oxytoca (SC), который является растущей группой оппортунистических патогенов в медицинских учреждениях. В работе описывается создание базы, включающей 88 различных локусов, определенных по составу генов, которая полностью совместима с инструментом быстрого геномного типирования Kaptive. Методология исследования включала анализ 2 244 геномов, что позволило достичь покрытия в 97,6%, значительно превосходя показатели существующей базы для K. pneumoniae (50,3%, p < 0,0001). Проверка базы на трех различных коллекциях клинических изолятов (от 61 до 102 генома в каждой) подтвердила высокую диверсификацию типов капсул. Данный ресурс критически важен для эпидемиологического надзора и разработки новых методов терапии, таких как вакцины, моноклональные антитела и фаговая терапия. База данных доступна в открытом доступе на GitHub и станет ключевым инструментом для системных геномных исследований патогена.

Исследование посвящено поиску новых методов борьбы с мультирезистентным патогеном Acinetobacter baumannii, который использует образование биопленок для выживания и устойчивости к антибиотикам. Ученые сосредоточились на таргетировании липопротеина NLPA, закрепленного во внутренней мембране бактерии и отвечающего за адаптацию биопленок. С помощью интегрального in silico конвейера и структуры, полученной через AlphaFold, был проведен виртуальный скрининг около 1,6 миллиона соединений. После оценки свободной энергии связывания (MM/GBSA) и молекулярно-динамического моделирования были выделены наиболее перспективные кандидаты, соответствующие правилу пяти Липинского. В ходе in vitro тестирования соединение NLPA-3 показало умеренную антибактериальную активность с МПК 125 мкг/мл и обеспечило ингибирование формирования биопленки на 55,75% при концентрации 4x МПК. Особую значимость представляют исследования на макрофагах, где NLPA-3 снизил выживаемость внутриклеточных бактерий до 19,25% при концентрации 50 мкг/мл, что подтверждает потенциал мишени NLPA для разработки антивирулентных препаратов.

В исследовании представлена новая модульная байесовская платформа, предназначенная для реконструкции сетей передачи инфекций в условиях поликлональных инфекций, когда один носитель может содержать несколько генетически различных клонов. Традиционные методы часто не справляются с такими данными, предполагая наличие только одного источника и одного гаплотипа, что критично для малярии, туберкулеза и ВИЧ. Авторы разработали фреймворк, который позволяет учитывать наличие одного, нескольких или даже ненаблюдаемых родителей инфекции. В качестве практического применения была представлена модель Plasmotrack для возбудителя Plasmodium falciparum, использующая данные таргетного ампликонного секвенирования. Результаты симуляций показали высокую точность (precision) и полноту (recall) при обнаружении направленной передачи, а также успешное восстановление агрегированных характеристик сети, таких как средняя степень исхода (out-degree). Разработанная архитектура является универсальной: другие патогены могут быть интегрированы в систему путем замены модулей правдоподобия передачи и наблюдения.

Систематический обзор 62 исследований, посвященный применению ИИ и глубокого обучения для прогнозирования и диагностики инфекционных заболеваний в Африке. В работе выявлен рост публикаций с 2019 года и определены ключевые направления, такие как борьба с малярией и ВИЧ, а также обозначены барьеры в интеграции данных о животных и окружающей среде.

Информационно-аналитический центр здравоохранения Москвы объявил тендер на развитие Единой медицинской информационно-аналитической системы (ЕМИАС) с бюджетом в 479,77 млн рублей. Основной целью проекта является цифровизация процессов учета контактных лиц, подвергшихся воздействию воздушно-капельных и кишечных инфекций. Данная инициатива направлена на автоматизацию противоэпидемиологических мероприятий и повышение эффективности мониторинга инфекционных рисков в столице. Реализация проекта позволит интегрировать данные о контактах в единую цифровую среду, что ускорит реагирование на вспышки заболеваний. Это пример применения ИТ-инфраструктуры и систем обработки данных для управления общественным здравоохранением и эпидемиологическим контролем.

Обзор посвящен применению искусственного интеллекта в качестве системы поддержки принятия клинических решений в условиях ОИТ, особенно при лечении сепсиса. Авторы классифицируют возможности ИИ для оптимизации антибиотикотерапии, разделяя сигналы патогенов и реакции организма хозяина на шесть ключевых этапов лечения.

Исследователи представили MTB-KB — специализированную базу знаний, предназначенную для систематизации разрозненных данных о туберкулезе, вызываемом Mycobacterium tuberculosis. Проект решает проблему фрагментации знаний, объединяя данные из восьми ключевых областей: от эпидемиологии и диагностики до разработки вакцин и механизмов лекарственной устойчивости. В текущую версию базы включено 75 170 ассоциаций, извлеченных из 1 246 высокоцитируемых публикаций, охватывающих 18 439 стандартизированных сущностей. Центральным элементом платформы является интерактивный граф знаний, который позволяет визуализировать и выявлять скрытые взаимодействия между патогеном и хозяином, а также находить новые стратегии лечения. Использование стандартизированных классификаций ВОЗ обеспечивает высокую точность и применимость данных для клинической практики. Платформа предоставляет инструменты для расширенного поиска и статистической визуализации, становясь критически важным ресурсом для ускорения глобальных усилий по ликвидации туберкулеза.