машинное обучение

Израильский стартап QuantHealth закрыл раунд Series B на $45 млн для развития платформы симуляции клинических испытаний на базе ИИ. Платформа использует искусственный интеллект и биомедицинские графы знаний для прогнозирования результатов лечения с точностью до 90%, что позволяет сократить неудачные испытания и ускорить доступ пациентов к эффективным терапиям.

Редакционная статья посвящена критической проблеме алгоритмической предвзятости в системах искусственного интеллекта для здравоохранения и её влиянию на усиление неравенства в медицинской помощи. Авторы приводят ключевые примеры: исследование Obermeyer и коллег 2019 года продемонстрировало, что алгоритм, использующий прогнозируемые расходы на здравоохранение как прокси для медицинских потребностей, проявлял расовую предвзятость — чёрные пациенты в США ошибочно классифицировались как более здоровые по сравнению с белыми пациентами с аналогичными заболеваниями. Другое исследование Seyyed-Kalantari и соавторов показало, что современные алгоритмы компьютерного зрения для классификации патологий на рентгеновских снимках систематически недооценивают заболевания у пациентов из уязвимых и недостаточно обслуживаемых групп населения. Статья подчёркивает, что проблема выходит за рамки технической настройки алгоритмов и требует комплексного подхода к обеспечению справедливости ИИ-систем в медицине. Эти выводы имеют прямое практическое значение для разработчиков медицинских ИИ-решений, регуляторов и клиницистов, внедряющих такие системы. Материал актуален для специалистов, занимающихся этикой ИИ, валидацией медицинских алгоритмов и обеспечением равного доступа к качественной диагностике.

MerMED-FM представляет собой новую фундаментальную модель искусственного интеллекта для медицинской визуализации, разработанную для работы в нескольких медицинских специальностях одновременно. Модель является мультимодальной, что означает способность обрабатывать и интегрировать различные типы медицинских изображений (рентген, КТ, МРТ, УЗИ и другие форматы). Ключевая особенность MerMED-FM — кросс-специальностная адаптивность: модель обучена интерпретировать изображения для диагностики множественных заболеваний, а не ограничивается одной областью медицины. Архитектура фундаментальной модели позволяет дообучать систему под конкретные клинические задачи с минимальными дополнительными данными. Потенциальное применение включает поддержку врачей в диагностике, скрининговые программы, автоматизацию рутинной интерпретации снимков. Детали архитектуры, результаты валидации и метрики точности в предоставленном материале не указаны — требуется доступ к полной версии статьи для оценки технических характеристик и клинической эффективности модели.

Исследование применяет генеративный ИИ и машинное обучение для интеграции транскриптомных и микробиомных данных при болезни Крона, выявляя молекулярные различия между воспалительной и фибротической формами. LLM-аугментация улучшила стабильность модели и помогла идентифицировать ключевые гены, связанные с фиброзом, включая IL-23R, TNF-α и TGF-β.

Исследование оценивает два предобученных классификатора на основе глубокого обучения (свёрточная нейросеть и трансформер), обученных на 5,23 млн последовательностей, для таксономической классификации грибов по региону ITS. Авторы провели бенчмаркинг на 5 222 запросах (по одному на род), сравнивая модели с классическими k-mer методами (SINTAX и best-hit alignment). На полноразмерных ITS классификаторы показали результаты 77,9% и 76,5% для известных родов против 92,0% у SINTAX. Однако при переходе на ITS2-ампликон, используемый в экологических исследованиях, точность глубокого обучения катастрофически упала до 28,3% и 18,5% (потеря 49,6 и 58,0 процентных пунктов), тогда как k-mer методы потеряли лишь 3,5-3,7 пункта. Аблационное исследование выявило причину: модели считывают таксономическую информацию преимущественно из фланкирующих областей, а не из самого штрих-кода ITS2. При подмене ITS2 между последовательностями разных типов модели возвращали таксонию донора в 34,4% (свёрточная) и 63,7% (трансформер) случаев. Кроме того, на ITS2 вероятностные выходы моделей перестают различать известные и новые роды (AUROC 0,541 и 0,503 против 0,866 у выравнивания). Работа демонстрирует критическое ограничение глубокого обучения для метабаркодинга и рекомендует указывать регион ампликона при оценке точности таких моделей.

Исследователи разработали AMPainterV2 — модель искусственного интеллекта для дизайна антимикробных пептидов (АМП), использующую генеративное состязательное обучение с подражанием. Модель интегрирует архитектуру Mixture-of-Experts (MoE) для поддержки операций вставки, удаления и мутации, расширяя пространство эволюционного дизайна. В экспериментах in vitro все 10 пептидов с наивысшим рейтингом, созданные из случайных последовательностей, продемонстрировали активность как мембрано-литические АМП. Лучший кандидат показал среднюю минимальную ингибирующую концентрацию (MIC) 1,5 мкМ и превзошёл полимиксин B по мембрано-литической активности. Версия модели только с удалением позволила миниатюризировать пептиды: получено 6 укороченных пептидов с сопоставимой или улучшенной активностью при среднем сокращении длины на 36%. AMPainterV2 представляет механизм-ориентированный подход к дизайну АМП и предлагает экономически эффективный инструмент для разработки новых антимикробных препаратов против устойчивых патогенов.

Данная публикация представляет собой ответ авторов оригинального исследования на критику их многозадачной периоперационной модели прогнозирования, опубликованной в журнале npj Digital Medicine. Речь идёт о машинном обучении в области периоперационной медицины — модели, предназначенной для прогнозирования различных клинических исходов в период вокруг хирургического вмешательства. Критика, на которую отвечают авторы, касалась вопросов клинической полезности модели и её обобщаемости на разные популяции пациентов и медицинские учреждения. Авторы в своём ответе защищают методологию исследования, обосновывают выбор метрик валидации и приводят дополнительные аргументы в пользу применимости модели в реальной клинической практике. Публикация в рецензируемом журнале npj Digital Medicine указывает на научную значимость дискуссии для сообщества цифровой медицины. Детали конкретных показателей точности, размеры выборки и технические характеристики модели в предоставленном фрагменте не указаны — для полной оценки необходимы доступ к оригинальной статье и тексту ответа.

Израильская компания QuantHealth закрыла раунд финансирования серии B на сумму $45 миллионов для развития платформы искусственного интеллекта, предназначенной для симуляции и оптимизации клинических испытаний. Основатель и генеральный директор Орр Инбар сообщил изданию Fierce Healthcare, что привлечённые средства будут направлены на дальнейшие исследования и разработки, расширение команды и расширение продуктового портфеля компании. Платформа QuantHealth использует технологии машинного обучения для моделирования различных сценариев клинических исследований, что позволяет фармацевтическим компаниям и биотех-стартапам сокращать время и затраты на разработку новых лекарств. ИИ-симуляции помогают предсказывать результаты испытаний, оптимизировать дизайн исследований и выявлять потенциальные риски до начала реальных клинических этапов. Это особенно актуально в условиях, когда традиционные клинические испытания могут стоить сотни миллионов долларов и занимать годы. Инвестиции подтверждают растущий интерес венчурного капитала к ИИ-решениям для фармацевтической отрасли и ускорения вывода препаратов на рынок.

Автономная некоммерческая организация высшего образования «Центральный университет», созданная в 2023 году по инициативе Т-Банка при поддержке 60 компаний-партнеров, запустила новую магистерскую программу «ИИ в биотехе». Программа реализуется совместно с Инженерной школой и факультетом биоинженерии и биоинформатики МГУ им. М.В. Ломоносова, выступающим академическим партнёром. Обучение нацелено на подготовку специалистов по применению искусственного интеллекта и машинного обучения для анализа генетических данных, исследования структуры белков и разработки лекарственных препаратов. В реализации программы участвуют российские биотехнологические компании Biocad и Genotek, которые предоставят студентам возможность работать над реальными проектами и проходить стажировки. Данная инициатива направлена на восполнение кадрового дефицита в области применения ИИ в биотехнологиях и фармацевтике, что косвенно влияет на развитие медицинской отрасли через подготовку квалифицированных специалистов для разработки новых лекарств и генетических исследований.

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.

Исследование оценивает пять методов вывода локальной родословной (local ancestry inference), включая две вероятностные базовые модели, RFMix, FLARE и свёрточную нейронную сеть с дилатацией, на данных с различной генетической дивергенцией (FST от 0.0022 до 0.243). Выявлено три ключевых результата: во-первых, существует порог осуществимости — при FST=0.0022 ни один метод не превышает точность 0.575, а для пары CHB/CHS при FST=0.00042 максимум составляет 0.551, что делает невозможным тонкий анализ близкородственных популяций. Во-вторых, точность на уровне отдельных позиций скрывает структурные ошибки: наиболее точный метод генерирует в 78.8 раз больше трактов, чем должно быть, что приводит к оценке времени адмиксации в 61.2 раз древнее реального, однако Viterbi-декодирование устраняет эту проблему без потери точности. В-третьих, превосходство методов на симулированных данных не воспроизводится на реальных данных 1000 Genomes, и основной лимитирующий фактор — не архитектура модели (внимание, state-space слои, предобучение дают прирост не более 0.006), а качество входных данных и размер референсной панели (добавление гаплотипной информации даёт +0.031 на 8 из 8 пар при FST<0.04). Работа имеет значение для генетических исследований заболеваний и персонализированной медицины, поскольку точный вывод родословной критичен для admixture mapping и ancestry-specific association testing.

Данная публикация представляет собой официальное исправление (Author Correction) к ранее опубликованной статье в журнале npj Digital Medicine от 1 августа 2026 года. Оригинальное исследование посвящено разработке цифровых биомаркеров для оценки здоровья мозга с использованием данных от носимых сенсоров, которые обеспечивают пассивный и непрерывный мониторинг показателей. Цифровые биомаркеры в данном контексте предполагают применение алгоритмов машинного обучения для обработки потоковых данных с носимых устройств (акселерометры, гироскопы, датчики сердечного ритма и др.) с целью выявления паттернов, связанных с неврологическим статусом пациента. Однако предоставленный текст содержит только библиографические метаданные (DOI: 10.1038/s41746-026-03031-4, название журнала, дату публикации) без фактического содержания исправления или оригинальной статьи. В связи с этим невозможно извлечь конкретные методологические детали, количественные результаты, имена авторов или существенные выводы исследования. Для полноценной оценки вклада в область ИИ в медицине необходим доступ к полному тексту оригинальной публикации и самого исправления.

Исследование разработало и оценило фреймворк объяснимого ИИ (XAI) для прогнозирования риска неадекватного послеоперационного обезболивания у пациентов после абдоминальной хирургии. Модели машинного обучения показали AUC 0,707–0,798, при этом ранняя траектория боли (VAS) оказалась strongest предиктором; для интерпретации использованы SHAP-анализ и интеграция LLM для генерации понятных врачам объяснений.

Систематический обзор 120 исследований (2020–2026) оценивает применение ИИ для прогнозирования гестационного диабета и преэклампсии. Модели машинного и глубокого обучения показали AUC от 0,70 до 0,95, причём ансамблевые методы и интеграция мультимодальных данных превзошли традиционные статистические подходы. Выявлены ключевые проблемы: недостаточная внешняя валидация, гетерогенность данных, низкая интерпретируемость моделей и ограниченная интеграция в клиническую практику.

Исследователи разработали MassGAT — инновационный метод на основе графовых нейронных сетей для комплексной обработки данных жидкостной хроматографии с высокоразрешающей масс-спектрометрией (LC-HRMS). Ключевая инновация заключается в объединении двух задач — детекции пиков и их аннотации — в единый процесс обучения, что преодолевает ограничение существующих пайплайнов, обрабатывающих эти этапы независимо. Метод представляет сигналы, предположительно происходящие от одной молекулы, в виде графа и использует Graph Attention Network (GAT) для одновременного определения валидности пиков и связей между ионными видами одного соединения. Тестирование на реальных наборах данных продемонстрировало превосходство MassGAT над текущими подходами по точности как детекции, так и аннотации метаболитов. Решение особенно значимо для метаболомики, поиска биомаркеров и системной биологии, где критична полная и надёжная характеризация метаболитов в сложных биологических образцах. Инструмент распространяется как открытый Python-модуль на GitHub (odisce/MassGAT), обеспечивая доступность для исследовательского сообщества.

Исследователи разработали ChemoCalib — новый фреймворк на основе многоблочного метода частичных наименьших квадратов (MB-PLS) для калибровки геномных метаболических моделей (GEMs). Метод интегрирует данные метаболомики, транскриптомики и протеомики, используя их совместную латентную структуру для калибровки границ реакций в моделях, что преодолевает ограничения традиционных подходов (E-Flux, GIMME, iMAT), работающих только с экспрессией генов. На 11 референсных условиях E. coli с данными 13C-MFA из наборов Keio fluxome и Holm 2010 модель iJO1366 с калибровкой ChemoCalib достигла коэффициента корреляции Спирмена ρ = 0,461 в целом (до 0,523 в пентозофосфатном пути) и Пирсона r = 0,49–0,58 для центральных углеродных путей. Статистически значимое улучшение по сравнению с базовыми методами E-Flux2 и SPOT подтверждено (p < 0,05 с поправкой Холма). Алгоритм использует GPR-aware VIP-агрегацию для проекции многоомиксных латентных оценок на границы реакций без эвристического порогования. Инструмент открыт (лицензия MIT), доступен с Docker-поддержкой и включает 5-минутный туториал, что делает его применимым для исследований метаболизма при заболеваниях и разработки лекарств, хотя текущая валидация проведена на бактериальных моделях.

Исследование представляет MetaAMI — инновационную систему мета-обучения для прогнозирования внутрибольничной смертности у пациентов с острым инфарктом миокарда (ОИМ). Методология основана на случайных проекциях: данные пациентов с кодами МКБ-9 и МКБ-10 для ОИМ были отобраны из базы MIMIC-IV v3.1, признаки трансформированы через множественные случайные проекции, создающие различные низкоразмерные представления. На каждом представлении обучались базовые классификаторы, их прогнозы агрегировались в интегрированное представление для мета-обучателя, который уточнял границу решений. Результаты бенчмаркинга показали, что MetaAMI последовательно превосходит все базовые классификаторы по семи метрикам оценки: точность, AUC, F1-мера, G-мера, индекс Жаккара, Yоудена J и коэффициент корреляции Мэттьюса (MCC). Анализ важности признаков с помощью SHAP выявил клинически релевантные предикторы смертности, обеспечивая интерпретируемость модели. Анализ выживаемости дополнительно оценил клиническую полезность подхода. MetaAMI предлагает эффективное и надёжное решение для стратификации риска при ОИМ, позволяя клиницистам раньше выявлять пациентов высокого риска и персонализировать лечение.

Исследователи разработали CPPLocPred — иерархическую платформу машинного обучения для предсказания клеточно-проникающих пептидов (CPP) и их субклеточной локализации, что критически важно для целевой доставки терапевтических грузов в клетки. На первом этапе ML-модели для идентификации CPP достигли AUC 0,953 и MCC 0,7842 на независимом тестовом наборе, демонстрируя производительность на уровне или выше существующих методов. На втором этапе модель предсказания локализации обучалась на экспериментально валидированных CPP: 663 цитоплазматических, 287 ядерных, 57 митохондриальных, 186 эндо-лизосомальных и 328 других. Анализ выявил, что митохондриальные и ядерные CPP богаты положительно заряженными аргинином и лизином, тогда как эндо-лизосомальные предпочитают глицин-, пролин- и цистеин-содержащие мотивы. Лучшую производительность показали модели на основе CatBoost с использованием Distance Distribution of Residues (DDR) и эмбеддингов языковых моделей белков: AUC составил 0,814 (цитоплазма), 0,775 (ядро), 0,970 (митохондрии), 0,782 (эндо-лизосомы) и 0,798 (остальные). Платформа доступна онлайн и предоставляет практический инструмент для рационального дизайна пептидов с заданной локализацией для терапевтических применений.

Исследователи разработали PhyloFM — фреймворк на основе flow-matching (машинное обучение), который интегрирует разнородные данные lineage-tracing с одноклеточной РНК-секвенацией и пространственной транскриптомикой для реконструкции непрерывной динамики клеточных судеб. Метод обучает поле скоростей и изменения относительной численности клеток на топологически регуляризованной латентной геометрии, предсказывая транспорт популяций, вероятности будущих судеб, время коммитмента и динамику экспрессии генов. PhyloFM протестирован на пяти бенчмарках: эмбриогенез C. elegans, гемопоэз LARRY, развитие вентрального среднего мозга pandaCREST, регенерация сердца у данио-рерио и пространственные опухоли eTracer. На данных C. elegans метод улучшил транспорт популяций на 17,3% и снизил ошибку динамики на 16,3% относительно state-of-the-art базлайнов, с уменьшением ошибки транспорта на 26,6% относительно lineage-aware контроля. На бенчмарке пространственных опухолей eTracer точность судьбы клонов увеличилась на 70,4% относительно лучшего пространственного базлайна, а 67% сопоставленных генов-репортёров показали корреляцию Пирсона r > 0,6. Результаты демонстрируют, что записи клеточного происхождения могут служить биологическими ограничениями для реконструкции интерпретируемой молекулярной динамики из одноклеточных снимков, что имеет значение для онкологии, регенеративной медицины и изучения развития тканей.