5 статей
Разработан мультимодальный ИИ-фреймворк, объединяющий гистопатологические изображения и клинические данные для диагностики рака эндометрия. Модель демонстрирует высокую точность (AUC 0.95), обеспечивая при этом интерпретируемость результатов и защиту конфиденциальности данных пациентов.
В исследовании представлена инновационная четырехэтапная методология импутации (заполнения пропусков) данных, разработанная специально для преодоления проблемы неполноты и гетерогенности наборов данных в космической биологии. Авторы решают критическую проблему нехватки образцов, которая препятствует созданию надежных вычислительных моделей реакции человеческого организма на космический полет. В качестве практического применения (case study) использовались мультимодальные данные миссии NASA RR9, включающие ретинальную визуализацию и омиксные профили. Методология позволяет не только восстанавливать отсутствующие значения, но и диагностировать причины их отсутствия, оптимизируя стратегии восстановления для сохранения биологического сигнала. Ключевым результатом стало выявление важного компромисса: хотя импутация значительно повышает точность прогностических моделей, она может скрывать тонкие биологические закономерности. Данный фреймворк закладывает фундамент для разработки цифровых двойников человека в экстремальных условиях и предоставляет ученым инструменты для оценки достоверности восстановленных данных.
В статье представлен Galaxy Learning and Modeling (GLEAM) — новый программный инструментарий, разработанный для упрощения использования машинного обучения (ML) в биомедицинских исследованиях. Проблема нехватки вычислительных компетенций у биологов решается через предоставление веб-ориентированных инструментов без необходимости написания кода (code-free). GLEAM позволяет работать с табличными, изображенными и мультимодальными наборами данных, стандартизируя процессы разбиения данных, выбора моделей, обучения и оценки результатов. Программный комплекс базируется на вычислительном рабочем месте Galaxy, что обеспечивает масштабируемость и воспроизводимость анализов. Валидация инструментария проводилась на трех критических задачах: прогнозировании ответа пациентов на иммунотерапию, классификации поражений кожи и предсказании рецидивов рака. Результаты тестирования подтвердили высокую точность создаваемых моделей и значительное повышение прозрачности и строгости исследовательских процессов в биомедицине.
В исследовании представлен scSAGA (Single-Cell Sampled Gromov-Wasserstein Alignment) — инновационный метод для интеграции мультимодальных данных scRNA-seq и scATAC-seq. Основная проблема существующих подходов заключается в квадратичной сложности памяти и времени выполнения, что ограничивает их применение данными объемом в несколько тысяч клеток. Разработчики предложили решение, сочетающее разреженную геометрию kNN-графов, оптимизацию Громова-Вассерштейна с выборочным сэмплированием и безматричный метод совместного вложения. В ходе тестирования на различных организмах (от человека до Arabidopsis) scSAGA продемонстрировал превосходство над такими методами, как Seurat, LIGER, SCOT и Pamona, обеспечивая более точное сопоставление типов клеток. Ключевым достижением является способность алгоритма масштабироваться до интеграции более одного миллиона клеток с почти линейным ростом вычислительных затрат. Метод обеспечивает высокую точность кластеризации, что критически важно для идентификации клеточных типов в крупномасштабных атласах.
Компания Tempus AI, лидер в области применения искусственного интеллекта для прецизионной медицины, объявила о расширении партнерства с фармацевтическим гигантом Bristol Myers Squibb (BMS). Основная цель сотрудничества заключается в использовании передовых алгоритмов ИИ и мультимодальных данных реальной клинической практики (real-world data) для оптимизации процесса разработки лекарственных препаратов. Проект будет сфокусирован на двух критически важных терапевтических областях: онкологии и нейробиологии. Благодаря интеграции технологических решений Tempus, компания BMS планирует повысить вероятность успеха клинических испытаний и ускорить вывод новых методов лечения на рынок. Использование мультимодальных данных позволит более точно подбирать пациентов для испытаний и прогнозировать эффективность терапии на основе глубокого анализа биологических и клинических параметров. Это сотрудничество знаменует собой важный шаг в интеграции ИИ в современные процессы фармацевтической разработки.
