онкология

В исследовании представлен LiFT — автоматизированный конвейер анализа изображений на базе Python, разработанный для точного количественного анализа кинетики двухцепочечных разрывов ДНК (DSB), вызванных радиацией. Традиционный ручной анализ данных микроскопии в реальном времени является трудоемким и подвержен субъективности оператора, что снижает воспроизводимость результатов в онкологических исследованиях. Алгоритм LiFT позволяет сегментировать и отслеживать ядра клеток без необходимости использования специальных красителей, а также корректировать межфреймовое движение с помощью регистрации изображений. Система автоматически обнаруживает и отслеживает фокусы белков репарации внутри ядер, что дает возможность напрямую измерять динамику отдельных событий восстановления ДНК. Эффективность метода была подтверждена на клеточных линиях PLC/PRF/5 и U2OS-SSTR2, продемонстрировав высокую масштабируемость и универсальность для различных конфигураций микроскопии. Разработчики выпустили LiFT как open-source пакет с графическим интерфейсом пользователя (GUI), что значительно упрощает внедрение инструмента в повседневную лабораторную практику.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная методология использования машинного обучения для интеграции мультиомных данных с целью прогнозирования эффективности терапии у пациенток с раком яичников. Авторы разработали модель слияния данных (multi-omics fusion), которая объединяет геномные, транскриптомные и протеомные профили для создания комплексного биомаркерного ландшафта. Применение алгоритмов машинного обучения позволило значительно повысить точность предсказания ответа на химиотерапию по сравнению с традиционными методами анализа одиночных типов данных. Результаты исследования демонстрируют, что такая интеграция данных способствует переходу к прецизионному общественному здравоохранению, позволяя персонализировать протоколы лечения на популяционном уровне. Данная работа имеет критическое значение для онкологии, так как предлагает инструмент для минимизации неэффективных терапевтических вмешательств и оптимизации выбора лекарственных препаратов на основе глубокого молекулярного профилирования.

Министерство науки и высшего образования РФ объявило о запуске масштабного конкурса с бюджетом 1,218 млрд рублей в рамках программы Союзного государства «Союз-Биомембраны». Целью инициативы является создание комплексной технологической платформы, которая позволит автоматизировать поиск новых молекулярных мишеней и ускорить разработку перспективных лекарственных препаратов. Проект охватывает широкий спектр терапевтических направлений, включая онкологию, сердечно-сосудистые, инфекционные, аутоиммунные и нейродегенеративные заболевания. Особое внимание будет уделено технологиям клеточной терапии, что открывает новые возможности для персонализированной медицины. Реализация программы рассчитана на длительный период — до ноября 2030 года. Несмотря на отсутствие прямого упоминания алгоритмов машинного обучения в тексте, создание подобных высокотехнологичных платформ для поиска мишеней неразрывно связано с применением методов биоинформатики и вычислительных методов обработки данных.

Специалисты НМИЦ онкологии им. Н.Н. Блохина разработали специализированную методологию подготовки и контроля качества медицинских данных, необходимую для обучения систем искусственного интеллекта. Данная методология направлена на повышение точности ИИ-диагностики новообразований печени, охватывая полный жизненный цикл подготовки датасетов. Процесс включает в себя строгие этапы отбора клинических исследований, их обязательного обезличивания и последующей экспертной верификации разметки медицинских изображений. Внедрение стандартизированного алгоритма позволяет минимизировать ошибки при обучении нейросетей, вызванные некачественными или некорректно размеченными данными. Результаты разработки, обеспечивающие создание надежных диагностических инструментов, были официально опубликованы в журнале «Вестник Росздравнадзора». Данная работа имеет критическое значение для масштабирования медицинского ИИ в онкологической практике России.

Исследование, опубликованное в npj Digital Medicine, представляет инновационный метод прогнозирования выживаемости для пациентов с немелкоклеточным раком легкого, разработанный группой Ruffini et al. Основная проблема современных ИИ-алгоритмов заключается в их зависимости от полноты мультимодальных данных (биопсия, КТ-снимки, клинические характеристики), что ограничивает их применение в реальной клинической практике, где данные часто отсутствуют. Авторы разработали подход, «учитывающий пропущенные данные» (missing data aware), который позволяет проводить стратификацию рисков даже при неполном наборе входных параметров. Методология позволяет алгоритму эффективно работать с мультимодальными данными, не требуя обязательного наличия всех модальностей для выдачи прогноза. Это значительно повышает клиническую полезность инструмента, позволяя врачам использовать ИИ-поддержку принятия решений в условиях типичной для медицины неопределенности и неполноты информации. Данная разработка критически важна для внедрения предиктивной аналитики в повседневную онкологическую практику.

В статье представлен инновационный метод ORBIT, предназначенный для высокоточного поиска драйверных генов, ответственных за развитие онкологических заболеваний. Исследователи Sang-Pil Cho и Young-Rae Cho разработали архитектуру, использующую контрастивное обучение би-прототипов в гиперболическом пространстве, что позволяет лучше моделировать сложные иерархические структуры биологических данных. В отличие от традиционных методов в евклидовом пространстве, гиперболическое представление обеспечивает более эффективное разделение онкогенных и нейтральных признаков. Методология позволяет значительно повысить точность идентификации ключевых генетических мутаций, что критически важно для персонализированной медицины. Результаты исследования демонстрируют превосходство ORBIT над существующими моделями машинного обучения в задачах биоинформатического анализа. Данная разработка открывает новые возможности для разработки таргетной терапии и улучшения стратегий ранней диагностики рака на молекулярном уровне.

Данная научная работа представляет собой систематический обзор охвата (scoping review), посвященный применению алгоритмов искусственного интеллекта и машинного обучения в области ранней диагностики рака полости рта. Исследование анализирует текущее состояние технологий, которые используются для автоматизированного скрининга новообразований, позволяя выявлять патологии на стадиях, когда хирургическое вмешательство наиболее эффективно. Авторы систематизируют различные подходы, включая использование сверточных нейронных сетей (CNN) для анализа изображений и методов компьютерного зрения. В обзоре рассматриваются методологии обучения моделей на наборах данных клинических фотографий и гистологических срезов, а также оценивается точность, чувствительность и специфичность существующих решений. Работа подчеркивает потенциал ИИ в снижении нагрузки на стоматологов и онкологов, обеспечивая более доступную и быструю первичную диагностику. Результаты исследования указывают на необходимость стандартизации наборов данных для улучшения обобщающей способности моделей в реальных клинических условиях.

Данная научная статья представляет собой комплексный обзор применения технологий TinyML (маломощного машинного обучения) в задачах раннего обнаружения колоректального рака. Авторы анализируют переход от ресурсоемких моделей глубокого обучения к оптимизированным алгоритмам, способным работать непосредственно на периферийных устройствах и встроенных сенсорах. В работе рассматриваются методологии сжатия моделей, квантования и дистилляции знаний, которые позволяют интегрировать ИИ в портативные диагностические инструменты. Исследование выделяет ключевые достижения в области повышения точности классификации новообразований при экстремально ограниченных вычислительных мощностях. Особое внимание уделяется текущим барьерам, таким как ограничения памяти, энергопотребления и необходимость обеспечения высокой надежности в клинических условиях. Результаты подчеркивают потенциал TinyML для создания автономных систем мониторинга, которые могут радикально изменить подходы к скринингу рака кишечника в условиях ограниченных ресурсов.

Обзор посвящен анализу ИИ-решений для цифровой гистопатологии, прошедших одобрение FDA и европейскую сертификацию. Авторы сравнивают рыночные продукты с исследовательскими моделями, выделяя лучшие практики разработки, вопросы регуляции и потенциал трансформерных архитектур в диагностике рака.

В статье анализируются методологические и технологические сложности проведения рандомизированных клинических исследований с использованием цифровых платформ на смартфонах пациентов. На примере исследования BD4QoL авторы предлагают рекомендации по преодолению проблем гетерогенности устройств, регуляторных барьеров и внедрению подходов BYOD (принеси свое устройство) для мониторинга качества жизни онкобольных.

Обзор анализирует стандарты документирования преаналитических факторов (подготовка образцов, сканирование, аннотация) в исследованиях ИИ для цитологии шейки матки. Авторы выявили значительные пробелы в отчетности и предложили специализированный чек-лист PRECY-AI для повышения воспроизводимости и клинической применимости моделей.

Разработана кастомная сверточная нейронная сеть (CNN) для классификации гистопатологических изображений яичников на здоровые и раковые ткани. Модель достигла точности 96,69%, превосходя стандартные методы машинного обучения и популярные архитектуры вроде ResNet50 при интеграции данных биомаркера CA-125.

Разработана модель глубокого обучения с механизмом последовательного внимания для прогнозирования выживаемости клеток при радиационном воздействии. Исследование демонстрирует высокую точность в предсказании относительной биологической эффективности (RBE), подчеркивая важность нано- и микродозиметрических параметров по сравнению с ЛЭТ.

В исследовании представлен Histo3D-MO — инновационный гибридный экспериментально-вычислительный конвейер, предназначенный для реконструкции 3D-карт пространственного мультиомикса с разрешением на уровне отдельных клеток. Основная технология базируется на методе SPONGE, который интегрирует разреженные и несвязанные пространственные омиксные измерения с плотными данными гистологии (окрашивание гематоксилином и эозином). Разработанный алгоритмический комплекс позволяет проводить 3D-пропагацию типов клеток и аннотацию тканевых доменов, обеспечивая полную характеристику объема опухолевого микроокружения. При тестировании на данных гепатоцеллюлярной карциномы метод выявил сложные паттерны эффективности трансляции и траектории дифференцировки моноцитов в зависимости от глубины ткани. Histo3D-MO значительно превосходит существующие методы прогнозирования омиксных данных, предлагая масштабируемое решение для изучения организации сложных биологических систем. Это открывает новые возможности для высокоточной диагностики и понимания архитектуры опухолей на молекулярном уровне.

Исследователи представили gANCHOR — инновационную базовую модель (foundation model) для анализа CAR T-клеточной терапии, использующую иерархический гиперграфовый механизм внимания. В отличие от существующих методов, gANCHOR интегрирует генно-путевые взаимосвязи через биологически обоснованное обучение представлений, что позволяет эффективно переходить от анализа отдельных клеток к прогнозированию клинического ответа пациента. Модель демонстрирует высокую устойчивость к эффекту батч-коррекции и сохраняет биологическую консервативность данных. При тестировании на выборке из 161 пациента, охватывающей пять различных исследований CAR T-клеточной терапии, gANCHOR показала выдающийся результат с F1-score 0,87, превзойдя существующие специализированные модели одноклеточного анализа. Помимо предсказательной способности, архитектура позволила выявить воспроизводимые генные программы, связанные с эффективностью и резистентностью к терапии, что открывает новые возможности для интерпретируемой персонализированной медицины в онкоиммунологии.

В статье представлен SHINE — инновационный вычислительный фреймворк на основе гиперграфов, предназначенный для совместного анализа пространственной экспрессии генов и метаболических сетей. Разработка решает критические проблемы мультиомиксных исследований: пространственное несовпадение данных, разницу в разрешении и сложные взаимодействия между транскриптомом и метаболомом. Методология SHINE использует обучение представлениям (representation learning) для интеграции данных, полученных с одного тканевого среза. В ходе тестирования на моделях болезни Паркинсона у мышей алгоритм успешно выявил области с истощением дофаминергических нейронов и реконструировал оси, связанные с дофамином. При анализе образцов рака легких и молочной железы у человека метод позволил точно сегментировать опухолевые микроокружения и идентифицировать пространственно организованные генно-метаболические программы. Технология демонстрирует высокую масштабируемость и точность в выявлении биомаркеров, что открывает новые возможности для прецизионной диагностики и понимания молекулярных механизмов заболеваний.

В исследовании представлен инновационный метод использования ИИ для обнаружения белковых взаимодействий, который позволил выявить связь между белком-ридером m6A (YTHDC1) и ферментом редактирования РНК (ADAR1). Авторы применили стратегию обратного вычислительного дизайна, используя RFdiffusion и ProteinMPNN для генерации 10 000 синтетических связывающих молекул, оптимизированных под поверхность распознавания Z-домена. После многоэтапного скрининга с помощью ColabFold pDockQ и высокоточного моделирования в AlphaFold3 было установлено, что неупорядоченный глутаматный домен YTHDC1 (остатки 199-254) связывается с ADAR1p150 через механизм электростатической комплементарности. Микросекундное моделирование молекулярной динамики подтвердило стабильность комплекса с показателем RMSD ниже 3 Å. Результаты показывают, что YTHDC1 рекрутирует ADAR1p150 к местам транскрипции, обеспечивая редактирование интронов до сплайсинга. Это открытие открывает новые пути для разработки таргетной терапии аутоиммунных заболеваний и рака, вызванных ошибками редактирования РНК.

В исследовании представлен BayesTx (Bayesian Therapeutics target discovery) — инновационный фреймворк на основе байесовских сетей, предназначенный для преодоления разрыва между результатами исследований на клеточных линиях и реальной клинической практикой. Методология заключается в проекции транскриптомных данных пациентов и данных клеточных линий в единое биологическое пространство активности путей и транскрипционных факторов (TF). С помощью обучения доменно-специфичных причинно-следственных графов и агрегации ребер с использованием бутстреп-консенсусной фильтрации, система позволяет моделировать причинно-следственные связи. При тестировании на данных TCGA-BRCA (рак молочной железы) и DepMap, фреймворк успешно ранжировал 47 транскрипционных факторов по их прогнозируемому влиянию на жизнеспособность раковых клеток. Использование Do-симуляции позволило количественно оценить эффект каждого фактора, а полученные мишени получили независимое подтверждение через анализ выживаемости в сторонних когортах и фармакогеномные ассоциации. Данная разработка значительно повышает точность идентификации терапевтических мишеней, обеспечивая их клиническую релевантность.

Представлена инновационная платформа TOPAS, предназначенная для автоматизации анализа фосфопротеомных данных в рамках работы молекулярных онкологических консилиумов (MTB). В то время как стандартная геномика часто не выявляет клинически значимые мишени, TOPAS использует данные о фосфопротеоме для определения реального статуса активности белков. Платформа представляет собой сквозной конвейер (end-to-end pipeline), способный обрабатывать терабайты данных и преобразовывать их в персонализированные отчеты для врачей. В ходе разработки и тестирования система интегрировала данные 1 998 опухолевых образцов, что позволяет генерировать гипотезы как на уровне отдельного пациента, так и на уровне целых когорт. Веб-портал включает инструменты контроля качества, расчет специализированных баллов TOPAS, идентификацию опухолевых антигенов и контрольных точек иммунного ответа. Благодаря открытому исходному коду и масштабируемости, TOPAS значительно упрощает внедрение фосфопротеомики в практику прецизионной онкологии.