онкология

Компания Regeneron Pharmaceuticals сообщила о неудачном завершении клинического исследования III фазы своего ингибитора LAG-3 под названием fianlimab. Испытания были направлены на лечение рака кожи, однако препарат не смог продемонстрировать статистически значимого преимущества, что стало очередным серьезным ударом для всего класса лекарственных средств, нацеленных на мишень LAG-3. Данный провал подчеркивает растущую сложность разработки иммунотерапевтических препаратов этого типа и ставит под сомнение эффективность текущих стратегий таргетирования LAG-3 в онкологии. В статье рассматривается контекст серии недавних неудач других кандидатов в этом классе, что указывает на системные проблемы в разработке подобных иммунных контрольных точек. Для практического применения в медицине это означает необходимость пересмотра подходов к комбинированной терапии и поиска новых биомаркеров для отбора пациентов, которым может помочь данное воздействие.

Компания Philips представила новую систему МРТ 3.0Т Titanion, которая сочетает сверхвысокую градиентную производительность с рабочими процессами на базе ИИ. Устройство предназначено для создания количественных биомаркеров и глубокого анализа микроструктуры тканей, что особенно важно для неврологии и онкологии.

GE HealthCare представила решение MIM ComboTherapy GYN HDR/EBRT, предназначенное для планирования комбинированной лучевой терапии при гинекологических заболеваниях. Технология использует передовое 3D-суммирование доз и биологические модели для точной оценки накопленного облучения, что позволяет персонализировать лечение и минимизировать риски.

Представлена новая веб-платформа MetaGEAR Explorer, предназначенная для глубокого исследования связей между генами микробиома и такими заболеваниями, как воспалительные заболевания кишечника (ВЗК) и колоректальный рак (КРР). Платформа позволяет проводить интерактивный и программный поиск по более чем 33 миллионам семейств микробных генов, охватывающих 9 053 метагеномных образца из 24 различных когорт. Методология включает использование запросов по нуклеотидным или аминокислотным последовательностям (BLAST), а также поиск на основе доменов Pfam. Система вычисляет распространенность генов в зависимости от заболевания, анализирует таксономическую стратификацию на уровне видов и предоставляет данные о функциональных доменах. В ходе демонстрации возможностей платформы на примере гена нитратредуктазы (narG) и генов самозащиты колибактина (clbS и гомологов DUF1706) было выявлено изменение паттернов носительства от комменсалов к Gammaproteobacteria при патологиях. Инструмент включает каталог из 13 795 пангеномов видов (MSP) и поддерживает экспорт данных через API, что делает его ценным ресурсом для функционального мета-анализа микробиома.

В статье представлен IntegrateRigor — инновационный программный фреймворк, предназначенный для оптимизации интеграции данных секвенирования РНК единичных клеток (single-cell) и пространственной транскриптомики. Основная проблема текущих методов заключается в конфликте между удалением межбатчевых вариаций и сохранением биологической идентичности клеток, что ведет к ошибкам переинтеграции или недоинтеграции. IntegrateRigor решает эту задачу без использования предварительных аннотаций, применяя статистически обоснованный подход: сначала отбираются гены со стабильными паттернами экспрессии на основе оценки стабильности батчей, а затем подбираются оптимальные гиперпараметры. В ходе тестирования на данных колоректального рака метод позволил обнаружить ранее не описанные ниши на границе опухоли и иммунной системы, которые были скрыты при использовании стандартных настроек. Исследование показало, что фреймворк превосходит пять современных методов интеграции, обеспечивая более точное восстановление типов и состояний клеток. Это делает IntegrateRigor критически важным инструментом для крупномасштабных мультиомиксных исследований и повышения воспроизводимости биологических открытий.

В исследовании представлен масштабный сравнительный анализ методов отбора признаков и построения прогностических моделей на основе геномных данных, характеризующихся высокой размерностью и разреженностью. Авторы протестировали широкий спектр алгоритмов, включая классические статистические методы и современные подходы машинного обучения, на синтетических наборах данных с варьирующейся корреляцией и силой сигнала. Для практической верификации результаты были проверены на реальном когортном исследовании рака из базы данных The Cancer Genome Atlas (TCGA). Оценка проводилась по комплексному набору метрик: индексу конкордантности (C-index), F1-score, ошибке Brier score, RMSE и скорости вычислений. Исследование показало, что методы CoxBoost и Adaptive LASSO демонстрируют наиболее стабильные результаты по всем показателям, в то время как LASSO и Elastic Net наиболее эффективны при оценке конкордантности и F1-score. Результаты работы предоставляют онкологам и биоинформатикам четкие рекомендации по выбору оптимального математического аппарата в зависимости от специфических характеристик геномных данных.

Исследователи представили cfMIND — инновационный фреймворк на базе машинного обучения, предназначенный для высокоточного обнаружения заболеваний через анализ метилирования внеклеточной ДНК (cfDNA) в плазме крови. В отличие от традиционных методов, которые агрегируют данные на уровне регионов и теряют важные сигналы, cfMIND работает на уровне отдельных чтений (read-level), что позволяет сохранять редкие специфические для определенных типов клеток биомаркеры. При тестировании на обширном наборе данных (n = 868) система продемонстрировала выдающуюся эффективность с показателем AUROC до 0,966. Фреймворк сохраняет высокую точность даже при сверхнизкой глубине секвенирования (0,2x) и эффективно выявляет рак на ранних стадиях. Особое внимание уделено универсальности: cfMIND работает на различных технологиях секвенирования и не требует переобучения при смене когорт. Помимо онкологии, метод показал успешность в диагностике незлокачественных заболеваний, в частности, бокового амиотрофического склероза (БАС). Функциональный анализ подтвердил, что выявленные системой признаки обогащены в ключевых регуляторных регионах, связанных с патогенезом заболеваний.

Данная работа представляет собой методологическое руководство по применению искусственного интеллекта для анализа данных жидкостной биопсии (LB) в онкологии. Авторы подчеркивают, что, несмотря на огромный потенциал неинвазивного обнаружения опухолевых биомаркеров, в литературе наблюдается дефицит исследований, успешно интегрирующих признаки LB с помощью ИИ. В статье предлагается структурированный подход к проектированию исследований, включая определение критериев отбора пациентов и выбор объема выборки. Особое внимание уделяется стратегиям предобработки данных: нормализации, коррекции батч-эффектов, а также методам обработки выбросов и пропущенных значений. Авторы рекомендуют использование различных алгоритмов машинного и глубокого обучения для селекции признаков с целью повышения робастности моделей. В работе также акцентируется необходимость проведения строгой внутренней и внешней валидации, а также оценки клинической применимости и интерпретируемости моделей, что является критическим фактором для их внедрения в реальную медицинскую практику.

В исследовании проводится глубокий анализ влияния параметров хроматографического сэмплирования на точность количественного анализа в методе DIA-протеомики (Data-Independent Acquisition). Авторы изучают, как количество точек данных на пик (DPPP) и другие характеристики хроматографии влияют на пределы обнаружения (LOD) и количественного определения (LOQ). Результаты показывают, что снижение DPPP минимально влияет на LOD, но существенно ухудшает LOQ, что критично для обнаружения низкокопийных белков. С помощью моделирования признаков было установлено, что площадь пика предшественника является наиболее сильным предиктором LOQ, в то время как влияние DPPP носит контекстно-зависимый характер. При тестировании на 40 образцах плазмы (20 раковых и 20 контрольных) с использованием системы Seer Proteograph было доказано, что уменьшение плотности сэмплирования ведет к потере статистической значимости для белков с низкой концентрацией. Исследование подчеркивает необходимость оптимизации DIA-протоколов с упором на метрики LOQ и статистической мощности, а не только на общее количество идентификаций.

Данное исследование, опубликованное в журнале npj Digital Medicine, представляет собой рандомизированное контролируемое испытание эффективности применения систем искусственного интеллекта для обнаружения колоректальных поражений в условиях частных клиник. В работе анализируется, насколько использование ИИ-ассистентов помогает эндоскопистам повысить точность выявления полипов и других патологий во время колоноскопии. Методология исследования направлена на сравнение показателей обнаружения аденом (ADR) между группами врачей, использующих ИИ-поддержку, и контрольной группой, выполняющей процедуры стандартным способом. Ожидается, что внедрение подобных технологий позволит значительно снизить риск пропуска клинически значимых поражений, что критически важно для профилактики колоректального рака. Результаты подчеркивают практическую значимость интеграции компьютерного зрения в рутинную эндоскопическую практику для повышения качества медицинского обслуживания и точности диагностики.

В данной научной работе, опубликованной в журнале npj Digital Medicine, представлен инновационный подход к использованию мультизадачного глубокого обучения (Multi-task deep learning) для автоматизации анализа нейровизуализационных данных. Исследование направлено на решение сложной задачи одновременного обнаружения и дифференциальной диагностики глиом и метастазов головного мозга на основе МРТ-снимков. Методология базируется на архитектуре нейронных сетей, способных обучаться нескольким задачам параллельно, что позволяет модели лучше улавливать общие признаки патологий и разделять специфические характеристики различных типов опухолей. Ключевым результатом является повышение точности сегментации и классификации новообразований по сравнению с традиционными однозадачными моделями. Разработанный алгоритм демонстрирует высокую чувствительность и специфичность, что критически важно для клинической практики. Внедрение подобных систем ИИ может существенно ускорить процесс постановки диагноза, снизить нагрузку на радиологов и минимизировать риск человеческой ошибки при интерпретации сложных снимков головного мозга.

В исследовании представлен SynOmicsBench — первый специализированный фреймворк для сравнительного анализа методов генерации синтетических данных, адаптированный для высокоразмерных транскриптомных данных в онкологии. Авторы провели бенчмаркинг на основе трех клинических испытаний рака, оценивая методы по трем ключевым направлениям: биологическая полезность, статистическая точность и устойчивость к атакам на конфиденциальность. Результаты показали, что ни один метод не является универсальным, однако Gaussian Copula продемонстрировал наиболее сбалансированные показатели, за ним следует модель Avatar. Исследование выявило, что простая метрическая схожесть не гарантирует сохранение сложных молекулярных зависимостей. Синтетические данные успешно воспроизводят направленность биомедицинских сигналов, хотя и с ослабленным размером эффекта и повышенной вариативностью между репликами. Данная работа предлагает инструмент поддержки принятия решений для выбора оптимальных методов синтеза данных, способствуя безопасному использованию ИИ в прецизионной онкологии без нарушения приватности пациентов.

В исследовании представлен kaleidoCell — новый высокопроизводительный Python-фреймворк с GPU-ускорением, предназначенный для консенсусной нетривиальной матричной факторизации (NMF). Инструмент позволяет идентифицировать воспроизводимые мета-программы в крупных гетерогенных наборах данных секвенирования единичных клеток (scRNA-seq). При бенчмаркинге против R-пакета geneNMF kaleidoCell продемонстрировал двукратное увеличение скорости обработки данных. В качестве прикладного примера авторы использовали анализ глиобластомы при лечении панобинастатом (ингибитором HDAC). Исследование выявило, как ингибирование HDAC изменяет состояния злокачественных клеток на уровне единичных клеток, подтвердив подавление программ, схожих с нейральными и олигодендроцитарными предшественниками. Кроме того, с помощью kaleidoCell был обнаружен ранее неизвестный механизм действия панобинастата — потеря идентичности астроцитоподобных программ. Работа подчеркивает значимость новых вычислительных методов для понимания транскрипционной гетерогенности опухолей и разработки персонализированных стратегий лечения.

Представлена TransXplorer — новая бесплатная веб-платформа, предназначенная для комплексного анализа данных секвенирования РНК (RNA-seq), которая объединяет разрозненные этапы биоинформатического исследования в единый рабочий процесс. В отличие от существующих инструментов, TransXplorer позволяет пройти путь от обработки необработанных FASTQ-файлов (с использованием HISAT2 или Salmon) до клинической и фармакологической интерпретации. Платформа реализует дифференциальный анализ экспрессии генов через DESeq2, edgeR и limma-voom, а также обеспечивает автоматическое обнаружение и коррекцию батч-эффектов (пакетных эффектов) с помощью метрик PVCA, kBET и Silhouette. Важной особенностью является интеграция функционального обогащения для более чем 1800 видов, построение сетей коэкспрессии (WGCNA), деконволюция типов клеток и предсказание транскрипционных факторов. Система позволяет связывать генные сигнатуры с потенциальными лекарственными препаратами через базы DGIdb и OpenTargets, а также проводить анализ выживаемости на когортах TCGA. Тестирование на наборах данных GSE151427 и TCGA-KIRP подтвердило точность коррекции батч-эффектов и способность платформы идентифицировать клинически значимые гены и терапевтические мишени.

В исследовании представлена инновационная модель глубокого обучения под названием GMAP, предназначенная для точного и быстрого прогнозирования молекулярных изменений в глиомах. Методология исследования основывается на многоцентровом ретроспективном анализе, что подтверждает надежность и масштабируемость предложенного подхода. Ключевым преимуществом GMAP является высокая интерпретируемость: анализ внимания модели (interpretability analysis) позволяет выявить конкретные признаки, на которые опирается ИИ при принятии решений. Это критически важно для повышения доверия врачей и успешного внедрения технологии в клиническую практику. Разработка представляет собой технически осуществимый и потенциально экономически эффективный метод диагностики, особенно актуальный для медицинских учреждений с ограниченными ресурсами. Использование модели позволяет автоматизировать сложный процесс идентификации биомаркеров, сокращая время постановки диагноза.

В статье рассматривается преодоление технологического барьера в патоморфологии благодаря массовой оцифровке медицинских данных. Авторы отмечают, что в то время как электронные медицинские карты и визуализация уже активно используют ИИ, патологические исследования долгое время отставали из-за отсутствия цифровых форматов. На текущий момент оцифровано более 100 000 слайдов, окрашенных гематоксилином и эозином, что открывает путь к созданию универсальных базовых моделей (foundation models). Эти модели способны генерировать общие векторные представления признаков (feature embeddings) непосредственно из патологических изображений. Основная цель применения таких технологий — прогнозирование молекулярных сигнатур глиом на основе цифровых гистологических слайдов. Это позволит автоматизировать сложный процесс молекулярного профилирования, делая диагностику опухолей головного мозга более быстрой и доступной.

Данный обзор представляет ключевые события в области применения искусственного интеллекта в медицине за неделю с 10 по 16 мая 2026 года. В центре внимания — масштабная сделка фармацевтического гиганта Roche, который приобрел разработчика ИИ-решений для цифровой патологии, потратив на это более 1 млрд долларов США. В США было получено официальное одобрение первой специализированной ИИ-платформы, предназначенной для оценки рисков метастазирования у пациенток с раком молочной железы. Также рассматривается инновационная китайская система Digital Aging Twin, использующая технологии для определения биологического возраста внутренних органов. Кроме того, в материале анализируются причины, по которым высокоточные ИИ-системы зачастую сталкиваются с трудностями при внедрении в реальную клиническую практику. Обзор охватывает широкий спектр тем: от крупных инвестиций до проблем интеграции технологий в медицинские протоколы.

Исследование посвящено изучению роли белка TDP-43, который играет ключевую роль в развитии рака и нейродегенеративных заболеваний. Ученые исследовали механизмы транскрипционной регуляции, используя мультиомиксные данные (Hi-C, ChIP-seq, RNA-seq, ATAC-seq) на клеточных линиях K562 и HepG2. Было установлено, что связывание TDP-43 тесно коррелирует с образованием структур ДНК G-квадруплексов (dG4) в ключевых точках анкеровки хроматиновых петель, таких как промоторы и энхансеры. Результаты показывают, что присутствие TDP-43 повышает стабильность dG4, увеличивает частоту взаимодействий хроматиновых петель и доступность хроматина, что ведет к активации экспрессии генов. Эксперименты по нокдауну TDP-43 в клетках HepG2 подтвердили, что снижение уровня белка приводит к значительному уменьшению формирования dG4 и ослаблению силы петлевых взаимодействий, вызывая масштабную транскрипционную дисрегуляцию. Данное открытие раскрывает новый молекулярный механизм, объясняющий, как нарушения в работе TDP-43 приводят к патологическим изменениям в экспрессии генов при различных заболеваниях.

В данном исследовании представлена инновационная вычислительная платформа на базе глубокого обучения для анализа пространственной транскриптомики, направленная на изучение организации тканей и динамики их состояний. Авторы разработали фреймворк, использующий рекуррентный анализ латентных состояний тканей и графовые вложения для интеграции гетерогенных биологических систем, таких как заживление кожных ран и микроокружение опухолей (плоскоклеточный рак полости рта и головы/шеи). Методология включает в себя новый индекс патологической фрагментации, который количественно оценивает пространственную дезорганизацию внутри тканей. Результаты показали высокую точность моделирования: средний коэффициент силуэта (silhouette score) составил 0,79, что подтверждает четкое разделение состояний тканей. Исследование выявило, что при заживлении ран наблюдается прогрессивное восстановление пространственной организации, в то время как в опухолевых тканях фиксируется рост фрагментации и гетерогенности структуры. Полученные данные позволяют интерпретировать биологические процессы ремоделирования тканей через призму латентного пространственного анализа, что имеет критическое значение для персонализированной онкологии и регенеративной медицины.