онкология

Исследование представляет инновационный метод интеграции различных базовых моделей (foundation models) для компьютерной патологии с целью преодоления ограничений их индивидуальной специализации. Авторы разработали фреймворк, который использует легковесную весовую сеть для адаптивного объединения эмбеддингов нескольких моделей, преобразуя их в единые предсказания на уровне генов и пространственных локаций. Методология опирается на данные пространственной транскриптомики, что позволяет сопоставлять генетическую и морфологическую информацию из одного и того же образца ткани. В ходе тестирования на наборах данных пространственной транскриптомики предложенный подход продемонстрировал превосходство над отдельными моделями и классическими методами ансамблирования. Применительно к раку молочной железы система показала значительный рост точности предсказания клинически важных маркеров подтипов PAM50 и генов, являющихся мишенями для лекарственных препаратов. Кроме того, архитектура повышает интерпретируемость результатов, выявляя специфический вклад каждой модели в зависимости от анализируемого гена. Данная работа открывает новые возможности для высокоточной молекулярной диагностики на основе стандартных гистологических изображений.

Исследователи представили STDrug — инновационную вычислительную платформу, предназначенную для персонализированного подбора лекарственных средств с учетом пространственного контекста тканей. В отличие от традиционных методов, основанных на секвенировании РНК единичных клеток (scRNA-seq), STDrug интегрирует данные пространственной транскриптомики, графовое моделирование и мультимодальное обучение. Методология включает использование графовых сверточных сетей и метода когерентного точечного дрейфа для выравнивания пространственных доменов между здоровыми и пораженными тканями. Система ранжирует потенциальные препараты, комбинируя сигнатуры обратимых генов опухоли, оценки возмущений и весовые коэффициенты генов на основе биологических знаний. В ходе тестирования на данных гепатоцеллюлярной карциномы и рака простаты метод продемонстрировал превосходство над существующими аналогами, достигнув точности предсказания AUC в диапазоне 0,81–0,82. Валидация результатов с помощью электронных медицинских карт и тестов in vitro подтверждает высокую трансляционную значимость платформы для точной медицины.

Компания QT Imaging представила обновление ПО версии 4.5.0, использующее оптимизированную деконволюцию и слияние данных скорости звука с отраженными сигналами для улучшения качества изображений. Новые алгоритмы позволяют более точно характеризовать ткани и анализировать анатомические особенности, такие как малый размер груди или наличие имплантатов.

Анонс ежегодного собрания Общества ядерной медицины и молекулярной визуализации (SNMMI), которое пройдет в мае-июне 2026 года. Программа охватывает новейшие исследования в области тераностики, онкологии, кардиологии и технологий визуализации.

В исследовании представлена инновационная система Cell Positioning System (CPS) — фреймворк на основе неявных нейронных представлений, предназначенный для решения проблем разреженности данных и низкого соотношения сигнал/шум в пространственной транскриптомике. Авторы используют стратегию привилегированной многомасштабной дистилляции контекста, где обучающая сеть (teacher network) с механизмом внимания к биологическим нишам передает структурные знания сети-ученику (student network). Это позволяет генерировать высокоточные карты экспрессии генов, используя только пространственные координаты на этапе инференса, без необходимости в сложной регистрации изображений. Тестирование на наборе данных DLPFC показало, что CPS достигает передовых результатов (SOTA) в задачах импутации (восполнения) и денойзинга (очистки от шума) генной экспрессии. Система также способна выполнять супер-разрешение, восстанавливая детали анатомии мозга мыши, и обеспечивает интерпретируемость, определяя эффективный масштаб биологических взаимодействий в тканях рака молочной железы человека. Важным преимуществом является линейная вычислительная сложность, что делает CPS масштабируемым для работы с крупномасштабными биологическими наборами данных.

В исследовании представлен MitoChontrol — новый вероятностный фреймворк, предназначенный для интеллектуального контроля качества данных секвенирования РНК единичных клеток (scRNA-seq). Традиционные методы используют фиксированные пороги процента митохондриальных транскриптов, что часто приводит к ошибочному удалению здоровых, но метаболически активных клеток, или сохранению поврежденных образцов. Авторы предлагают моделировать долю митохондриальных транскриптов внутри транскрипционно когерентных кластеров с помощью распределения гауссовых смесей. Это позволяет определять пороги фильтрации на основе апостериорной вероятности повреждения клетки, учитывая специфику конкретного типа ткани. Тестирование на данных аденокарциномы протоков поджелудочной железы и контролируемых экспериментах показало, что MitoChontrol превосходит стандартные методы по точности селекции. Метод эффективно удаляет деградировавшие клетки, сохраняя при этом биологически значимые популяции с повышенным содержанием митохондриальной РНК, что критически важно для точного анализа сложных патологий.

Исследование посвящено решению критической проблемы машинного обучения в прецизионной онкологии: неоднородному качеству прогнозов и «скрытым ошибкам» моделей при изменении распределения данных. Авторы провели бенчмаркинг семи моделей, учитывающих неопределенность, сравнивая эпистемическую неопределенность (через ансамбли) и алеаторную неопределенность (через моделирование распределений). Результаты показали, что ансамбли гауссовских нейронных сетей эффективно выявляют данные, выходящие за рамки обучающей выборки (out-of-distribution). Применение фильтрации по 10% наиболее уверенных прогнозов позволило снизить среднюю квадратичную ошибку (MSE) на 64%. Кроме того, авторы выявили транскриптомные сигнатуры непредсказуемости, определив конкретные гены, связанные с неопределенностью прогноза. Работа также демонстрирует потенциал активного обучения (active learning) под руководством оценки неопределенности для приоритизации наиболее информативных экспериментов в разработке лекарств.

Данное исследование посвящено поиску ключевых биомаркеров для прогнозирования выживаемости пациентов с плоскоклеточным раком полости рта (OSCC), что является критически важной задачей из-за сложности ранней диагностики. Авторы использовали биоинформатический подход, проанализировав транскриптомные данные TCGA-HNSC (The Cancer Genome Atlas). В ходе дифференциального экспрессионного анализа были выявлены гены с существенными отклонениями в опухолевых тканях по сравнению с нормой. С помощью построения сети белок-белковых взаимодействий (PPI) в программах STRING и Cytoscape были определены центральные регуляторные узлы (хаб-гены). Ключевыми выявленными генами стали CDK1, CCNB1, TOP2A, BUB1 и MMP9, которые играют важную роль в клеточном цикле и ремоделировании внеклеточного матрикса. Анализ выживаемости подтвердил, что повышенная экспрессия этих генов статистически значимо коррелирует с сокращением общей продолжительности жизни пациентов. Результаты исследования предоставляют новые молекулярные мишени для стратификации рисков и разработки таргетной терапии OSCC.

Биотехнологический стартап Sidewinder из Сан-Диего успешно завершил раунд финансирования серии B, привлечив 137 миллионов долларов от группы ведущих институциональных инвесторов. Основная цель компании заключается в совершенствовании технологии конъюгатов антитело-препарат (ADC) путем использования биспецифического подхода. Данная методология направлена на повышение точности доставки лекарственных средств к опухолевым клеткам при одновременном снижении системной токсичности, что является критической проблемой для современных методов терапии. Несмотря на небольшой штат из семи сотрудников, компания демонстрирует значительный потенциал в области разработки таргетных препаратов. Успешное привлечение столь крупного капитала подтверждает высокий интерес рынка к инновационным решениям в области высокоточной онкологии. Разработка Sidewinder может стать важным шагом в создании более безопасных и эффективных протоколов лечения рака.

Китайская биотехнологическая компания Oricell Therapeutics успешно завершила раунд пре-IPO финансирования, привлечив более 110 миллионов долларов совокупного капитала. Основное внимание компании сосредоточено на разработке инновационных методов CAR-T клеточной терапии, предназначенных для борьбы с солидными опухолями. В частности, Oricell активно продвигает разработку аутологичной CAR-T терапии, таргетированной на антиген GPC3, которая нацелена на лечение определенных видов рака печени. Привлеченные средства будут направлены на ускорение клинических исследований и подготовку компании к выходу на публичный рынок. Данное исследование представляет значительный интерес для области персонализированной медицины и применения клеточных технологий в онкологии. Успех финансирования подчеркивает растущий инвестиционный интерес к высокотехнологичным методам лечения рака с использованием модифицированных иммунных клеток.

Биотехнологическая компания Oricell привлекла значительное финансирование для ускорения клинических разработок, включая разработку CAR-T терапии для лечения гепатоцеллюлярной карциномы. Основное внимание уделяется препарату Ori-C101 и инновационным программам in vivo CAR-T терапии.

Компания Novartis запускает инициативу Inclusive Health Accelerators для раннего выявления рака и расширяет программу Cardio4Cities. Программа Cardio4Cities использует искусственный интеллект и данные для профилактики и управления кардиометаболическими заболеваниями в глобальном масштабе.

Фармацевтический гигант Roche расширяет свое присутствие в области разработки инновационных лекарственных средств, делая ставку на деградаторы, связанные с антителами (DAC). В рамках долгосрочного десятилетнего партнерства с компанией C4 Therapeutics, Roche выплатит 20 миллионов долларов в качестве авансового платежа для совместной разработки новых терапевтических агентов. В отличие от традиционных конъюгатов антитело-лекарство (ADC), технология DAC представляет собой эволюцию модальности, направленную на более эффективную деградацию целевых белков в раковых клетках. Данная сделка подчеркивает растущий интерес индустрии к использованию механизмов деградации белков для лечения онкологических заболеваний. Несмотря на то, что фокус смещается на молекулярную биологию и дизайн лекарств, использование ИИ в подобных процессах (например, для предсказания структуры белков или дизайна лигандов) является подразумеваемым драйвером развития таких технологий, хотя в тексте прямо не упоминается.

В статье рассматриваются важные события в секторе биофармацевтики, включая решение FDA о снятии частичного запрета на проведение второй фазы клинических испытаний противоопухолевого препарата lorigerlimab компании MacroGenics. Ранее в феврале агентство приостановило исследование из-за соображений безопасности, однако теперь процесс возобновлен. Кроме того, упоминается стратегическое сотрудничество между Oxford University и Bristol Myers Squibb, направленное на разработку новых терапевтических решений. В материале также кратко освещаются новости о финансировании Forte, сделке с Everest и операционной деятельности компаний Boston Oncology, Garda и Assertio. Несмотря на фокус на фармацевтических разработках, новости имеют косвенное отношение к ИИ, так как подобные клинические исследования и партнерства часто опираются на алгоритмы машинного обучения для анализа данных и подбора молекул.

Компания Tempus AI, лидер в области внедрения искусственного интеллекта для прецизионной медицины, объявила о расширении многолетнего стратегического партнерства с Gilead Sciences. Основная цель сотрудничества заключается в использовании передовых технологий ИИ и анализа данных реальной клинической практики (Real-World Evidence, RWE) для ускорения исследований и разработок (R&D) в области онкологии. Партнерство позволит Gilead более эффективно использовать огромные массивы структурированных клинических и молекулярных данных, обработанных платформами Tempus, для поиска новых терапевтических мишеней. Применение машинного обучения к RWE поможет оптимизировать процесс разработки лекарственных препаратов и лучше понимать траектории пациентов с онкологическими заболеваниями. Данная инициатива подчеркивает растущую роль ИИ-платформ в трансформации традиционных методов фармацевтических исследований. Сотрудничество направлено на создание персонализированных подходов к лечению рака на основе глубокого анализа данных.

Исследование, опубликованное в журнале npj Digital Medicine, оценивает эффективность применения специализированного прогностического инструмента на основе искусственного интеллекта для врачей, занимающихся лечением метастазов колоректального рака в печени. Основная цель работы заключалась в определении того, насколько использование ИИ-модели помогает клиницистам точнее прогнозировать исходы заболевания и принимать клинические решения. Методология исследования включала сравнение точности прогнозов врачей при использовании стандартных методов и при поддержке интеллектуальной системы. Предварительные результаты указывают на значительное улучшение прогностической способности медиков при интеграции ИИ в рабочий процесс. Данная технология позволяет минимизировать человеческий фактор и повысить точность персонализированного планирования терапии. Практическая значимость работы заключается в возможности внедрения подобных систем в клиническую практику для оптимизации ведения пациентов с онкологическими заболеваниями печени.

Исследование вскрывает критическую методологическую проблему в области предсказания пептидов, представляемых MHC класса I, что является основой для разработки вакцин и Т-клеточной терапии. Авторы показывают, что фундаментальная причина расхождения между успехами in silico и клиническими результатами заключается в систематическом загрязнении иммунопептидомных данных существующими моделями предсказания через итеративное подтверждение bias. Аудит базы данных IEDB, крупнейшей в области, выявил, что более 70% опубликованных данных были помечены вычислительными моделями, а не подтверждены экспериментально, что искусственно завышает бенчмарки и разрушает применимость на новых данных. В качестве решения авторы переформулировали задачу открытия эпитопов как задачу ранжирования, центрированную на белках, и представили модель deepMHCflare, обученную исключительно на чистых данных. Модель достигла 0.80 Precision@4 на моноаллельных бенчмарках против 0.55-0.65 у моделей золотого стандарта, что демонстрирует существенное улучшение. Проспективные in vivo тесты подтвердили эффективность: в доклиническом исследовании противораковой вакцины deepMHCflare идентифицировала два из четырёх иммуногенных пептидов, тогда как стандартная модель не нашла ни одного. Это исследование имеет критическое значение для разработки новых терапевтических подходов, так как устраняет систематическую ошибку, которая делала невозможным создание эффективных новых терапий.

Исследование представляет DEPICT (Drug rEsponse Prediction in transCriptomics with Transformers) — глубокую нейросетевую модель на основе трансформеров, которая предсказывает транскрипционные ответы клеток на лекарственные препараты в зависимости от базового экспрессионного профиля генов и параметров воздействия. Модель обучена на датасете LINCS L1000 и демонстрирует способность обобщать знания на невиданные ранее препараты и типы клеток. В наиболее сложной задаче предсказания для неизвестных типов клеток DEPICT превзошла все базовые стратегии и два недавних глубоких обучающих модели, улучшив точность предсказания дифференциальной экспрессии и снизив ошибку предсказания возмущённой экспрессии на 30.3% и 36.8% соответственно. В случае не-мелкоклеточного рака лёгких (NSCLC) виртуальный скрининг с использованием DEPICT выявил соединения, способные обратить патологические транскрипционные сигнатуры заболевания, при этом 13 из 20 приоритетных соединений ранее проходили клинические испытания или были валидированы в исследованиях NSCLC. Модель также позволяет предсказывать синергию препаратов и проводить механизмы исследования даже при отсутствии экспериментально сопоставимых профилей. Результаты демонстрируют, что точное условное сопоставление in silico профилирования возмущений может масштабировать генерацию гипотез для репозиционирования лекарств и открытия комбинаций препаратов.

Исследование представляет Cellector — вычислительный метод для выявления редких клеток с чужеродным генотипом в данных одноядерного секвенирования РНК (scRNAseq). Инструмент разработан для анализа биологических условий, включающих пациентов после трансплантации, естественный микрохимеризм между материнскими и фетальными тканями, а также образцы рака с достаточной мутационной нагрузкой. Ключевое применение — мониторинг пациентов с лейкозом после гемопоэтической трансплантации костного мозга (HCT), где выявление клеток с генотипом пациента (измеримая остаточная болезнь, MRD) критически важно для определения рецидива. Cellector демонстрирует высокую точность обнаружения микрохимерических клеток на уровне 0,05% или ниже от общего количества клеток. Точная оценка MRD имеет прямое значение для принятия клинических решений по лечению пациентов с лейкозом. Метод использует алгоритмический подход к анализу геномных данных, что представляет собой пример применения вычислительных методов в персонализированной онкологии и трансплантологии.