машинное обучение

Исследование посвящено разработке и валидации новой многоуровневой схемы аннотирования MRIRA (Medication-Related Incident Report Annotation), предназначенной для структурирования неструктурированных текстовых отчетов о медицинских ошибках. Методология включала двухфазный процесс: на первом этапе на основе 55 отчетов о происшествиях с контролируемыми препаратами была создана итеративная схема, включающая 16 типов сущностей, 11 типов событий и 9 типов отношений. Во второй фазе проводилась проверка надежности схемы на данных Национальной службы здравоохранения (NHS) с использованием метрик F1. Результаты показали высокую точность распознавания сущностей (F1 до 0.91) и извлечения связей между ними (F1 до 0.83), при этом извлечение событий показало умеренную согласованность (F1 0.62–0.72). Разработанная схема MRIRA представляет собой критически важный ресурс для создания автоматизированных NLP-инструментов, которые позволят медицинским организациям систематически анализировать причины ошибок и повышать безопасность лекарственной терапии.

В статье представлен CLEAR (Concise List Enrichment Analysis Reducing Redundancy) — новый байесовский фреймворк для анализа обогащения наборов генов, предназначенный для интерпретации данных высокопроизводительных экспериментов. В отличие от традиционных методов, таких как ORA или GSEA, которые тестируют наборы генов независимо и игнорируют их иерархическую структуру, CLEAR моделирует множественные наборы генов одновременно. Ключевым инновационным отличием является отказ от бинаризации данных (перевода в состояния «активен/неактивен» через пороги) в пользу использования непрерывных статистик, таких как p-values или тестовые статистики. Это позволяет избежать потери информации и снизить избыточность результатов, характерную для Gene Ontology. Исследования на симулированных данных и данных экспрессии генов человека подтвердили, что CLEAR значительно повышает чувствительность анализа и обеспечивает получение более лаконичного и интерпретируемого списка обогащенных наборов генов по сравнению с существующими методами.

Представлена ProteoPy — легковесная библиотека на языке Python, предназначенная для количественного анализа протеомики на уровнях белков и пептидов. В основе библиотеки лежит структура данных AnnData, что позволяет эффективно объединять биоинформатические данные с сохранением всей метаинформации в едином объекте. Ключевой особенностью является программная реализация алгоритма COPF, которая позволяет осуществлять вывод групп протеоформ непосредственно из пептидных данных. Это дает возможность исследователям идентифицировать специфическую регуляцию протеоформ и использование различных изоформ. Библиотека спроектирована для упрощения рабочих процессов как для специалистов, так и для пользователей без глубоких знаний в биоинформатике. ProteoPy бесшовно интегрируется с экосистемами scanpy и muon, обеспечивая масштабируемость и воспроизводимость мультиомиксного анализа. Инструмент доступен под лицензией Apache 2.0 на GitHub и включает обучающие ноутбуки для быстрой адаптации.

В исследовании представлена инновационная временная ИИ-модель MaxToki, предназначенная для моделирования динамики клеточных состояний на протяжении длительных периодов, таких как процесс старения. В отличие от существующих решений, анализирующих отдельные состояния, MaxToki обучалась на колоссальном массиве данных, включающем почти 1 триллион генных токенов, охватывающих траектории жизни человека. Модель демонстрирует способность к обобщению на новые, ранее не виденные траектории через механизм обучения в контексте (in-context learning). В ходе исследования MaxToki успешно предсказала новые мишени, модулирующие возраст, которые были экспериментально подтверждены in vivo как влияющие на возрастные генные программы и функциональный спад. Данная разработка открывает новые горизонты в ускорении поиска терапевтических вмешательств, способных программно корректировать клеточные траектории и замедлять старение.

В исследовании представлен scRitmo — новый вероятностный фреймворк, предназначенный для определения циркадных фаз на уровне отдельных клеток с использованием данных scRNA-seq. Основная инновация метода заключается в возможности разделения наблюдаемой дисперсии фаз на биологическую десинхронизацию и технический шум с помощью калиброванного симуляцией разложения дисперсии. Авторы подтвердили эффективность scRitmo на данных глубокого секвенирования несинхронизированных фибробластов, где предсказанные транскриптомные фазы точно соответствовали колебаниям белков-репортеров. Применение метода к наборам данных scRNA-seq мыши (печень, аорта, кожа) показало превосходство над существующими алгоритмами и позволило выявить специфичные для типов клеток уровни фазовой когерентности. В экспериментах с Drosophila метод успешно зафиксировал сдвиги фаз в нейронах и ожидаемое увеличение дисперсии фаз в условиях постоянной темноты. scRitmo предоставляет фундаментальный инструмент для количественной оценки биологической десинхронизации в различных тканях и организмах, отделяя биологическую вариативность от ошибок измерения.

Исследование представляет новый фреймворк для предсказания аффинности связывания белков (protein-protein binding affinity) исключительно на основе их последовательностей, что критически важно для оптимизации антител и разработки биопрепаратов. Авторы предложили метод метрического обучения, где две белковые последовательности проецируются в общее латентное пространство, а косинусное сходство между ними напрямую коррелирует с экспериментальной аффинностью. Модель использует эффективную тонкую настройку параметров (PEFT) языковых моделей белков. В тестах на бенчмарке PPB-Affinity модель достигла коэффициента корреляции Пирсона r = 0,89 на случайном разделении и продемонстрировала высокую обобщающую способность на эволюционно далеких белках (r = 0,61 при идентичности последовательностей <30%). На наборе данных AB-Bind метод с использованием всего 30% данных (r = 0,756, RMSE = 0,688) превзошел модели, обученные на 90% данных. Важной особенностью является интерпретируемость: анализ на уровне остатков показал, что модель фокусирует внимание на интерфейсных остатках, соответствующих экспериментально подтвержденным «горячим точкам» взаимодействия. Это открывает масштабируемый путь к дизайну терапевтических антител без необходимости получения сложных 3D-структур.

Исследователи разработали новый биоинформатический подход для верификации того, насколько клеточные линии, используемые в лабораторных моделях почек, соответствуют нативным типам клеток. Методология основана на сопоставлении данных bulk RNA-seq (массового секвенирования РНК) с эталонными профилями, полученными из наборов данных scRNA-seq (секвенирования РНК единичных клеток) человека и мыши. В ходе исследования сравнивались три статистические меры сходства и три алгоритма машинного обучения: Random Forest, XGBoost и TabPFN (фундаментальная модель для табличных данных). Результаты показали, что использование корреляции Спирмена и модели TabPFN обеспечивает наивысшую точность идентификации типов клеток, особенно при использовании списков маркерных генов. При тестировании популярных линий было установлено, что клетки OK сохраняют идентичность проксимальных канальцев (особенно под воздействием напряжения сдвига), в то время как линии HK-2, HKC-8 и HKC-11 демонстрируют непоследовательные результаты. Для практического применения авторы представили веб-инструмент CellMatchR, позволяющий исследователям объективно оценивать стабильность и применимость используемых клеточных моделей в экспериментах по изучению заболеваний почек.

Представлен новый программный инструмент командной строки Baktfold, предназначенный для сверхчувствительной и независимой от таксономии аннотации белковых последовательностей. Методология основана на преобразовании белковых последовательностей в токены Foldseek 3Di с помощью языковой модели ProstT5, с последующим поиском по четырем комплементарным структурным базам данных через Foldseek. В ходе бенчмаркинга на более чем 300 000 видов прокариот Baktfold показал медианную скорость аннотации бактериальных геномов на уровне 87,8%, что значительно выше показателя Bakta (72,9%). Особую значимость представляет способность инструмента аннотировать оставшиеся гипотетические белки: для бактерий этот показатель составил 50,1%, а для архей — впечатляющие 68,0% (против 35,8% у Prokka). Инструмент полностью совместим с форматами GFF3 и JSON, что обеспечивает бесшовную интеграцию с Bakta и автоматизацию последующего анализа. Разработка реализована на Python 3 и доступна по лицензии MIT для систем MacOS и Linux.

Исследователи представили ECLIPSE (ESKAPE Connectome Linkage and Inference for Proteome Sequence Exploration) — инновационную вычислительную платформу на основе сетевого анализа для поиска новых мишеней антибиотикорезистентности. Метод интегрирует протеомы патогенных бактерий в глобальную сеть сходства последовательностей Protein Universe Atlas, позволяя выявлять «темный протеом» — группы неаннотированных белков, не имеющих известных гомологов. В ходе тестирования на панпротеоме из 3 460 657 последовательностей (635 штаммов Pseudomonas aeruginosa) система обнаружила 120 985 белков (4%), находящихся в полностью «темных» компонентах. Для приоритизации целей была разработана многомерная система оценки DPPS (Dark Proteome Prioritisation Score), учитывающая функциональную неизвестность, таксономическую специфичность и консервативность. Валидация одного из приоритетных кандидатов выявила новый бета-бочонковый фолд семейства DUF1302, не имеющий структурных аналогов в PDB, который локализован рядом с регулятором типа LuxR. Данный подход позволяет эффективно выделять эволюционно консервативные и структурно определенные белки, которые могут стать ключевыми мишенями для разработки новых противомикробных препаратов.

Исследователи представили CROWN — новый специализированный датасет, предназначенный для обучения моделей машинного обучения, предсказывающих взаимодействия белков и лигандов. В отличие от существующих баз данных, таких как PDBBind, которые ограничены в объеме, или PLInder, lacking качества, CROWN использует автоматизированный конвейер предобработки для обеспечения высокой точности структур. Из исходных 649 915 систем после применения строгих фильтров (разрешение кристаллографии, полнота карманов, протонирование при физиологическом pH) было отобрано 153 005 высококачественных комплексов. Ключевой инновацией является этап минимизации энергии с использованием кастомных ограничений, что позволяет устранить структурную неоднородность, возникающую из-за различий в методах рефлексии кристаллографов, не искажая при этом экспериментальную геометрию связывания. Датасет обеспечивает четырехкратное увеличение разнообразия белков и видов по сравнению с PDBBind, при этом фокусируясь на геометрии атомов, а не на смещенных показателях аффинности. CROWN станет фундаментальным ресурсом для обучения генеративных моделей связывания, разработки скоринг-функций и бенчмаркинга методов предсказания взаимодействий.

В обзоре анализируется применение ИИ и машинного обучения для прогнозирования несоблюдения пациентами режима приема лекарств при таких заболеваниях, как ВИЧ, диабет и гипертензия. Исследование показывает, что модели на основе электронных медкарт и паттернов аптечных закупок достигают высокой точности (AUC 0.70–0.95), но сталкиваются с барьерами в виде предвзятости алгоритмов и проблем интерпретируемости.

Исследователи из Петрозаводского государственного университета представили инновационную систему на базе искусственного интеллекта, предназначенную для прогнозирования риска преждевременных родов. В основе решения лежит алгоритм градиентного бустинга CatBoost, который эффективно обрабатывает сложные паттерны в данных электронных медицинских карт. Методология исследования заключалась в анализе совокупности клинических факторов и анамнеза пациенток для выявления скрытых закономерностей, предшествующих осложнениям. Разработанная модель позволяет автоматизировать процесс скрининга и выделить группы высокого риска на ранних этапах беременности. Результаты работы, подтверждающие эффективность применения машинного обучения в акушерстве, были официально опубликованы в специализированном научном журнале «Акушерство, гинекология и репродукция». Внедрение данной технологии в клиническую практику может значительно снизить уровень младенческой смертности и улучшить качество ведения беременности.

Исследователи представили mRNA-GPT — инновационную генеративную модель, предназначенную для сквозного проектирования полноразмерных последовательностей мРНК. В отличие от традиционных методов, оптимизирующих отдельные участки, mRNA-GPT осуществляет совместную оптимизацию трех ключевых регионов: 5' UTR, CDS (кодирующая последовательность) и 3' UTR, что позволяет учитывать долгосрочные зависимости и регуляторные взаимодействия между ними. Модель прошла предварительное обучение на колоссальном массиве данных из 30 миллионов естественных последовательностей мРНК различных организмов. Для достижения целевых показателей, таких как период полураспада и эффективность трансляции, авторы применили обучение с подкреплением (Reinforcement Learning) с использованием алгоритма Proximal Policy Optimization (PPO). mRNA-GPT поддерживает гибкие режимы генерации, позволяя создавать как отдельные регионы, так и полноценные последовательности с заданными свойствами. Результаты тестирования показали превосходство модели над современными аналогами (SOTA) в задачах оптимизации стабильности 3' UTR и повышения скорости трансляции CDS, обеспечивая достижение Парето-оптимальных решений при многокритериальной оптимизации.

В данном исследовании, опубликованном в журнале npj Digital Medicine, проводится сравнительный анализ использования анонимизированных реальных данных страховых выплат и синтетически сгенерированных данных для оценки безопасности лекарственных препаратов. Основная методология заключается в проверке того, насколько синтетические наборы данных способны воспроизвести статистические закономерности оригинальных медицинских записей без риска раскрытия персональной информации пациентов. Исследование фокусируется на способности ИИ-моделей генерировать данные, которые сохраняют клиническую значимость для выявления побочных эффектов и рисков при приеме медикаментов. Ключевым результатом является оценка точности статистических выводов, сделанных на основе синтетических данных по сравнению с контрольной группой реальных записей. Работа подчеркивает значимость синтетических данных как безопасного и масштабируемого инструмента для фармаконадзора и разработки алгоритмов машинного обучения в медицине, позволяя обходить строгие ограничения конфиденциальности. Это имеет критическое значение для ускорения исследований безопасности лекарств и обучения нейросетей в условиях жесткого регулирования защиты данных.

Исследование представляет TB-Bench — комплексную платформу для оценки эффективности алгоритмов машинного (ML) и глубокого обучения (DL) в прогнозировании лекарственной устойчивости туберкулеза на основе данных полногеномного секвенирования (WGS). Авторы проанализировали 20 различных моделей из 8 существующих исследований, протестировав их на 14 препаратах второй линии. В ходе экспериментов на наборе данных ВОЗ (50 801 образец) было выявлено, что традиционные ML-модели, такие как XGBoost, демонстрируют более высокие показатели PRAUC (от 46% до 93%) для 10 из 14 препаратов по сравнению с глубоким обучением. При внешней валидации на 1 199 образцах было установлено, что ни один класс моделей не показал значительного превосходства над каталожными методами, что указывает на проблемы с обобщающей способностью алгоритмов. Результаты подчеркивают потенциал использования упрощенных ML-моделей в условиях ограниченных ресурсов. Исследователи опубликовали исходный код проекта для обеспечения воспроизводимости и дальнейшего развития стандартов оценки в клинической практике.

Исследователи представили Cyclome — комплексную вычислительную платформу для анализа циклических пептидов, которые являются перспективными каркасами для создания новых лекарственных препаратов. В ходе работы авторы объединили разрозненные данные в единый структурированный ресурс Cyclome930, увеличив объем аннотированных пептидов в 3,4 раза (с 276 до 930 соединений). Методология включает разработку уникального алгоритма выравнивания последовательностей, учитывающего вращательную симметрию и топологию узлов, а также проведение полноатомного молекулярно-динамического моделирования методом репликационного обмена (REMD) в диапазоне температур от 298 K до 400 K. На основе полученных данных была обучена модель машинного обучения STop2Melt, которая предсказывает температуру плавления пептидов, используя циклические эмбеддинги (ESMc) и векторы смещения для учета топологии. Кроме того, была разработана модель CritiCL для оценки способности пептидов связывать критически важные минералы. Данная работа создает фундаментальную базу для направленного дизайна стабильных циклических пептидов и их применения в биомедицине и промышленной биорекуперации.

В данном исследовании рассматривается применение вариационных автоэнкодеров (VAE) как мощного инструмента для обучения без учителя, в частности для обнаружения аномалий и кластеризации данных. Авторы предлагают использовать вероятностную метрику реконструкции (reconstruction likelihood) в качестве стохастической альтернативы традиционным детерминированным показателям ошибки. В ходе работы тестировались различные архитектуры VAE, сочетающие реконструкционную вероятность с обучаемым или управляемым данными априорным распределением. Методология включала использование методов снижения размерности, таких как t-SNE и UMAP, для визуализации латентного пространства, а также алгоритмов k-means и HDBSCAN для верификации кластеров. Результаты показали, что энкодер VAE эффективно отображает данные в латентное пространство с четко выраженной кластерной структурой, соответствующей истинным меткам. Исследование доказывает, что использование семантических признаков в сочетании с вероятностью реконструкции обеспечивает научно обоснованный подход к идентификации типичных образцов и аномалий, что имеет высокий потенциал для клинического применения в анализе биомедицинских данных.

В исследовании рассматривается критическая проблема мультимодального обучения в биоинформатике, а именно — деградация точности предсказаний при некорректном слиянии данных. Авторы анализируют процесс предсказания связывания Т-клеточного рецептора (TCR) с пептидом, где высокоточные последовательности белковых языковых моделей конфликтуют с зашумленными структурными графами, полученными из предсказанных фолдов. Для решения этой проблемы предложен фреймворк TRACE, использующий метод контрастивного выравнивания в стиле CLIP для обеспечения согласованности между последовательными и структурными представлениями каждой биологической сущности. Эксперименты на наборе данных TCHard RN показали, что наивное объединение последовательностей и графов часто уступает базовой модели, работающей только с последовательностями, или вовсе демонстрирует случайные результаты. Однако использование TRACE позволяет стабилизировать обучение и значительно повысить точность, даже при наличии сильного шума в графах или дефиците положительных меток. Результаты работы доказывают, что для надежной биоинформатики критически важен не просто набор модальностей, а способ ограничения их взаимодействия в процессе оптимизации.

Исследователи представили GeoBridge — инновационный вычислительный фреймворк, предназначенный для моделирования клеточной динамики на основе теории изометрических геодезических линий. Основная проблема текущих методов scRNA-seq заключается в том, что они предоставляют лишь разрозненные «снимки» состояний клеток, что затрудняет реконструкцию непрерывных процессов. GeoBridge решает эту задачу, преобразуя сложные нелинейные транскрипционные траектории в линейные геодезические линии с постоянной скоростью в латентном пространстве. Это позволяет не только восстанавливать ненаблюдаемые промежуточные состояния клеток, но и осуществлять управляемую навигацию между различными клеточными фенотипами. Метод демонстрирует высокую устойчивость к шуму и разреженности данных, позволяя выявлять гены-драйверы, управляющие прогрессией вдоль геодезических путей. В ходе тестирования на различных биологических системах GeoBridge успешно разрешил динамику развития и обеспечил возможность моделирования переходов между множественными конечными точками дифференцировки, что открывает новые горизонты в управлении клеточными состояниями.