5 статей
Статья представляет обзор методов федеративного обучения для поиска причинно-следственных связей в многомерных биомедицинских данных. Авторы анализируют переход от централизованных архитектур к федеративным, что позволяет генерировать доказательную базу без прямой передачи конфиденциальных медицинских данных.
Статья рассматривает роль искусственного интеллекта в медицинских исследованиях и подчёркивает критическую важность качественного управления данными для работы ИИ-инструментов. Авторы указывают, что возможности ИИ для ускорения исследований практически безграничны: алгоритмы могут анализировать информацию, выявлять закономерности и строить прогнозы быстрее человека, что способствует расширению понимания сложных заболеваний и разработке жизненно важных терапий. Однако надёжность ИИ-систем напрямую зависит от качества данных, на которых они обучаются. Ключевым решением названа система управления данными (data governance) — набор стандартов и политик, регулирующих сбор, организацию, хранение и обмен медицинской информацией. Без прочной инфраструктуры управления данными даже самые совершенные ИИ-инструменты не смогут обеспечить достоверные результаты. Материал адресован руководителям медицинских исследований и ИТ-специалистам здравоохранения, занимающимся внедрением ИИ-технологий.
Исследование посвящено оценке биологической надежности 24 различных эпигенетических часов (маркеров старения на основе метилирования ДНК) при кратковременном физиологическом воздействии — ночном голодании и последующем приеме пищи. Авторы проанализировали классические часы (Horvath, Hannum), системы системного старения (SystemsAge), часы, обученные на показателях смертности (GrimAge, OMICmAge), и часы темпа старения (DunedinPACE) на трех наборах данных, включая когорту из 2895 человек. Результаты показали, что голодание вызывает сдвиг оценок возраста на 0,5–3 года в часах, чувствительных к состоянию иммунных клеток, в то время как mortality-trained часы (GrimAge) и DunedinPACE не показали значимого острого эффекта. Ключевым выводом стало то, что корректировка состава иммунных клеток практически полностью нивелирует эффект голодания (например, для SystemsAge Blood — 99,7% затухания эффекта). Исследование демонстрирует, что чувствительность часов к физиологическим изменениям во многом зависит от их архитектуры и доли иммунной составляющей, что критически важно для понимания их трансляционного потенциала в клинических испытаниях.
Исследователи использовали метод совместного проектирования с участием пациентов для создания обучающих анимационных роликов о больших языковых моделях (LLM). Результатом стали два доступных видео на английском и бенгальском языках, объясняющих принципы работы ИИ и его применение в медицине без антропоморфизма.
Исследование представляет первый курируемый датасет экосистемы научных агентов OpenClaw, охватывающий 91 проект и 2 230 навыков в 34 научных категориях, включая биоинформатику и открытие лекарств. Авторы анализируют структуру, распределение и возникающие паттерны развития научных агентов на основе ИИ, которые могут выполнять исследовательские рабочие процессы в биоинформатике и фармацевтике. Представлена публичная платформа Claw4Science (claw4science.org), которая организует проекты и агрегирует распределённые репозитории навыков в единый интерфейс для научных рабочих процессов. Результаты показывают сдвиг от изолированных систем к более модульной и разделяемой модели научных вычислений, что особенно актуально для медицинских исследований. Авторы выделяют открытые вызовы в области оценки, воспроизводимости и управления научными агентами на базе больших языковых моделей. Датасет служит основой для будущих бенчмарков и стандартизированной инфраструктуры для научных ИИ-агентов, что может ускорить разработку инструментов для медицинской диагностики и разработки препаратов. Работа демонстрирует, как структурирование знаний об агентах может снизить барьер для вклада и способствовать росту экосистемы. Исследование имеет прямое значение для фармацевтической индустрии и биомедицинских исследований, где ИИ-агенты могут автоматизировать сложные исследовательские задачи.
