онкология

В исследовании представлена новая мультиомиксная методология для функциональной характеристики фосфосайтов человека, которые до сих пор оставались малоизученными. Авторы предложили использовать обилие белков-партнеров в качестве индикатора влияния фосфорилирования на белковые взаимодействия, основываясь на том, что несвязанные субъединицы стабильных комплексов подвергаются деградации. С помощью модели вложенной линейной регрессии был проведен анализ пан-раковых данных 1 006 опухолей с учетом транскрипционных и других ковариат. В ходе работы выявлено 6 160 ассоциаций между 3 038 фосфосайтами и распространенностью взаимодействующих белков. Интеграция данных с предсказаниями AlphaFold позволила локализовать 239 сайтов непосредственно на интерфейсах взаимодействия, а еще 402 сайта были связаны с изменением локализации белков между клеточными компартментами. Экспериментальная проверка мутантов фосфосайтов NKAP и NUF2 методом масс-спектрометрии подтвердила точность предсказаний модели. Данный фреймворк создает структурированный ресурс для приоритезации изучения фосфопротеома человека.

В рамках многоцентрового исследования Articulate Pro были представлены результаты внедрения специализированного ИИ-решения Paige Prostate в клиническую практику Национальной службы здравоохранения (NHS) Великобритании. Исследование подтвердило, что использование искусственного интеллекта для анализа патологии простаты значительно повышает диагностическую согласованность между специалистами. Ключевые результаты демонстрируют существенное ускорение времени обработки анализов (turnaround times) и заметное снижение нагрузки на лабораторный персонал. Технология позволяет автоматизировать рутинные процессы, минимизируя человеческий фактор при анализе биооптических срезов. Данное внедрение является важным этапом перехода к прецизионной медицине в масштабах государственной системы здравоохранения, доказывая безопасность и эффективность ИИ в реальных условиях эксплуатации.

Исследователи разработали STORM (Spatial Topology analysis of Recurrent Motifs) — новый метод на основе графового вариационного автоэнкодера с механизмом внимания, который позволяет обнаруживать повторяющиеся архитектурные паттерны в опухолях без предварительной разметки типов клеток. В ходе исследования на базе 32 секций Xenium от 16 пациентов с колоректальным раком (EOCRC и AOCRC) было выявлено 10 рекуррентных мотивов, сформировавших макро-компартменты опухоли, стромы и иммунной системы. Ключевым открытием стал мотив десмопластического фиброзного барьера (DFB), богатый CAF и внеклеточным матриксом, который физически ограничивает доступ CD8+ Т-клеток к ядрам опухоли независимо от их общего количества. Установлено, что этот барьерный механизм более выражен при раннем начале заболевания (EOCRC), характеризуясь более плотной структурой и специфической программой активации матрикса. С помощью Vision Transformer модель STORM позволила транслировать эти пространственные мотивы в стандартные H&E-изображения, создав прогностический биомаркер, который эффективно предсказывает общую выживаемость пациентов в базе данных TCGA-COAD.

Разработанный компанией PinPoint Data Science тест на основе машинного обучения анализирует около 30 маркеров в крови для оценки риска рака. Технология позволяет эффективно выявлять женщин с низким риском, избавляя тысячи пациенток от болезненных процедур, таких как трансвагинальное УЗИ.

Компания Neko Health получила крупное финансирование для экспансии на рынок США, предлагая комплексную систему превентивной диагностики. Сервис объединяет ИИ-сканирование всего тела, анализ крови и специализированные датчики для раннего выявления рака кожи, сердечно-сосудистых заболеваний и диабета.

Компании продлевают партнерство для поддержки второй фазы клинических испытаний MagSense — нового класса МРТ-агентов на основе магнитных наночастиц для диагностики рака молочной железы. Технология направлена на повышение точности молекулярной визуализации, что в будущем заложит основу для разработки инструментов ИИ для интерпретации диагностических изображений.

GE HealthCare и Mayo Clinic запускают исследование MI-BET, направленное на персонализацию радиолигандной терапии рака простаты. Проект использует передовые технологии визуализации и биомаркеров для адаптации циклов лечения на основе индивидуального ответа пациента.

Исследователи из Сеченовского Университета разработали и протестировали систему на базе искусственного интеллекта, предназначенную для раннего выявления рака шейки матки и предраковых состояний. Методология исследования включала использование алгоритмов глубокого обучения для анализа цитологических мазков, что позволяет минимизировать человеческий фактор и ошибки при интерпретации изображений. Ключевые результаты демонстрируют значительное повышение точности диагностики по сравнению с традиционными методами визуального осмотра, обеспечивая высокую чувствительность к патологическим изменениям клеток. Внедрение данной технологии в клиническую практику позволит автоматизировать скрининг, снизить нагрузку на врачей-цитологов и существенно повысить выявляемость заболеваний на ранних, излечимых стадиях. Данная разработка имеет критическое значение для профилактической онкологии и может стать стандартом в программах массового скрининга.

В данном обзоре представлены ключевые события недели, связанные с внедрением искусственного интеллекта в медицинскую практику. Основное внимание уделено разработке новых российских государственных стандартов (ГОСТ) для медицинских систем на базе больших генеративных моделей, что критически важно для легализации ИИ-решений. В европейском сегменте зафиксировано одобрение нового ИИ-устройства, предназначенного для высокоточной диагностики рака кожи. Также рассматривается инновационная технология от Google, позволяющая проводить неинвазивный мониторинг пульса, используя только камеру смартфона. Важной частью дайджеста является юридическая дискуссия о распределении ответственности между разработчиками и врачами при возникновении ошибок в работе медицинских алгоритмов. Обзор охватывает как технологические прорывы, так и вопросы нормативно-правового регулирования отрасли.

В исследовании представлен GHIST+ — инновационный фреймворк, предназначенный для полномасштабной реконструкции молекулярных состояний отдельных клеток на основе стандартных гистологических срезов (H&E). Основная проблема текущих технологий пространственной транскриптомики заключается в сложности масштабирования и разреженности данных, когда молекулярные измерения доступны лишь для ограниченных участков ткани. GHIST+ решает эту задачу путем интеграции клеточной морфологии, локального контекста ткани и общих представлений тканей, что позволяет преобразовывать разреженные данные микрочипов (TMA) в непрерывные молекулярные карты. Тестирование на различных типах рака и образцах тканей молочной железы из проекта GTEx подтвердило способность модели сохранять биологически значимую организацию, структуру типов клеток и возрастные изменения тканей. Технология позволяет масштабировать пространственное профилирование до уровня целых когорт пациентов, используя рутинную гистологию, что значительно снижает затраты и повышает доступность глубокого молекулярного анализа. Это открывает новые возможности для точной диагностики и персонализированной медицины на основе анализа стандартных медицинских препаратов.

Разработана нейросетевая модель (CEUS-CNN) для прогнозирования эффективности комбинированной терапии рака на основе данных контрастного ультразвукового исследования. Использование синтетических данных позволило значительно повысить точность классификации ответа опухоли, особенно для случаев со стабильной динамикой.

В исследовании представлен SCOUT — масштабный ресурс синтетического полногеномного секвенирования более чем 200 образцов, предназначенный для систематической проверки методов анализа генома опухолей. В отличие от традиционных симуляций, SCOUT моделирует эволюцию опухоли как латентный генеративный процесс, который одновременно формирует мутации, изменения числа копий генов, частоту аллельных вариантов и клональную архитектуру. Авторы протестировали популярные методы детекции соматических вариантов и реконструкции эволюции, выявив, что их точность резко падает в условиях низкой чистоты опухоли и высокой субклональности. Исследование показало, что чистота опухоли оказывает более значительное влияние на точность выводов, чем глубина секвенирования. Также было установлено, что пространственная ошибка выборки и гипермутации создают ложные эволюционные сигналы, искажающие интерпретацию данных. SCOUT позволяет дифференцировать генетические «бутылочные горлышки» от динамики резистентности, связанной с пластичностью опухоли, что критически важно для разработки персонализированной терапии.

В статье представлен DyMoTree — инновационный вычислительный фреймворк, предназначенный для моделирования решений о судьбе клеток на основе данных секвенирования РНК единичных клеток (scRNA-seq). В отличие от существующих методов, DyMoTree использует архитектуру нейронной сети с древовидной структурой, которая интегрирует графы клеточных линий для точного моделирования нелинейных переходов между состояниями предшественников и терминальными клетками. Методология позволяет не только восстанавливать траектории развития, но и выявлять ранние предрасположенности (fate bias), а также идентифицировать специфические гены-драйверы, управляющие этими переходами. В ходе тестирования на симуляциях и экспериментах in vivo метод продемонстрировал превосходство над текущими аналогами в разрешении ранних этапов дифференцировки. Практическая значимость подтверждена применением модели к эмбриогенезу мышей, прогрессии аденокарциномы легких и терапии CAR-T клетками, что позволило раскрыть регуляторные программы при развитии заболеваний. Инструмент открывает новые возможности для точного картирования клеточных судеб в онкологии и регенеративной медицине.

Компания Sophia Genetics и ведущий онкологический центр Memorial Sloan Kettering (MSK) объявили о стратегическом партнерстве с целью создания глобального центра прецизионной медицины. Проект предполагает объединение обширных клинических данных MSK с передовой платформой искусственного интеллекта от Sophia Genetics для разработки персонализированных стратегий лечения рака. Основная методология заключается в использовании алгоритмов машинного обучения для анализа генетических данных и клинической истории пациентов, что позволит точнее подбирать терапию. Ожидается, что этот хаб станет ключевым инструментом в области онкологии, предоставляя врачам по всему миру доступ к высокоточным аналитическим решениям. Реализация сотрудничества направлена на сокращение времени постановки диагноза и оптимизацию выбора таргетных препаратов на основе ИИ-анализа. Данная инициатива имеет критическое значение для развития персонализированной онкологии и улучшения выживаемости пациентов за счет интеграции больших данных и ИИ.

Исследователи представили новый метод STITCH (Shape-TranscriptomIc Correlation and Harmonization), предназначенный для анализа взаимосвязи между формой клеток и их генетическим профилем в данных пространственной транскриптомики (ISS). В основе метода лежит использование тангенциального анализа главных компонент (TPCA) на многообразии форм Кендалла, что позволяет получить интерпретируемое представление о контурах клеток, не смешивая параметры формы и размера. В ходе тестирования на наборе данных Xenium метод STITCH превзошел подходы на базе глубокого обучения, успешно восстановив сложную слоистую организацию кератиноцитов и пространственный градиент эксцентриситета ядер. При анализе данных CosMx по меланоме метод выявил устойчивую связь между вытянутыми и треугольными фибробластами и их близостью к злокачественным клеткам, что коррелировало с программой миофибробластов. Кроме того, STITCH независимо подтвердил связь между мезенхимально-подобными состояниями злокачественных клеток и увеличением их площади в двух когортах пациентов. Данная технология открывает новые возможности для интерпретируемого анализа морфологических и транскриптомных взаимосвязей на различных платформах пространственной биологии.

Исследование представляет SPARK — инновационную вычислительную платформу системного уровня, предназначенную для преодоления проблемы молекулярной гетерогенности аденокарциномы легкого (LUAD). Используя данные секвенирования РНК (bulk RNA-seq) из когорты TCGA-LUAD, авторы применили оптимизированную по стабильности сетевую модель для реконструкции транскриптомной организации на уровне биологических путей. В ходе анализа было выявлено восемь ключевых транскриптомных модулей, представляющих скоординированные биологические процессы. На основе активности этих модулей была разработана комплексная оценка транскриптомного риска (Transcriptomic Risk Score) с помощью модели пропорциональных рисков Кокса (elastic-net). Результаты показали, что данный показатель риска значительно коррелирует с общей выживаемостью и обеспечивает лучшую прогностическую точность по сравнению со стандартными клиническими переменными. Валидация на независимой когорте CPTAC-LUAD подтвердила устойчивость прогностического сигнала и стратификацию рисков. Кроме того, анализ единичных клеток (single-cell analysis) доказал, что выявленные модули отражают скоординированную организацию экосистемы «опухоль-иммунитет-строма», что открывает новые возможности для персонализированной медицины в онкологии.

В исследовании представлен инновационный метод прогнозирования выживаемости пациентов, основанный на данных пространственной протеомики (imaging mass cytometry). Авторы решают проблему ограничения традиционного анализа, который опирается на усредненные показатели экспрессии белков, игнорируя пространственную гетерогенность тканей. Предложенный фреймворк использует пространственную сплайн-регрессию для создания «пространственно скорректированных белковых сводок» (SAPS), включающих скорректированное среднее значение экспрессии и остаточную дисперсию. Эти параметры позволяют учесть как общие пространственные тренды, так и вариабельность между клетками, не объясненную архитектурой ткани. При тестировании на данных масс-цитометрии при раке молочной железы метод показал превосходство над существующими моделями в точности прогнозирования исходов. Результаты демонстрируют высокую трансляционную ценность метода, позволяя извлекать биологически интерпретируемые паттерны из сложных пространственных данных для персонализированной медицины.

В исследовании представлен новый фреймворк для прецизионной онкологии, направленный на решение проблемы точного прогнозирования чувствительности пациентов с острым миелоидным лейкозом (ОМЛ) к лекарственным препаратам на основе транскриптомных данных. Авторы применили метод раздельного конформного прогнозирования (split conformal prediction) к когорте BeatAML 2.0, проанализировав 34 764 наблюдения (пациент-препарат) для 122 соединений на основе профилей экспрессии генов RNA-seq 318 пациентов. Использование регрессоров Elastic Net и XGBoost позволило достичь медианных значений коэффициента Пирсона R на уровне 0,291 и 0,281 соответственно. Ключевым достижением стало получение статистически калиброванных интервалов прогнозирования: при номинальных целях в 80%, 90% и 95% эмпирическое покрытие составило 81,4%, 90,7% и 95,5%. Исследование выявило значительные различия в уровне неопределенности между классами препаратов: ингибиторы HDAC и BCL-2 демонстрировали более высокую неопределенность по сравнению с ингибиторами MDM2. Результаты доказывают, что статистически обоснованная оценка неопределенности возможна даже при высокой биологической гетерогенности ОМЛ, что является важным шагом к переходу от эвристических методов к научно обоснованному прогнозированию ответа на терапию.

В исследовании представлена инновационная модель Pillbox, предназначенная для предсказания ответа раковых клеток на лекарственные препараты. Авторы разработали пайплайн, защищенный от шести типов утечек данных (leakage modes), что критически важно для точности медицинских ИИ-моделей. Архитектура Pillbox объединяет эмбеддинги метилирования CpGPT, эмбеддинги лекарств CLAMP и главные компоненты экспрессии генов, используя механизм Feature-wise Linear Modulation (FiLM) на графе белок-белковых взаимодействий STRING v12. При тестировании на наборе данных GDSC (987 клеточных линий, 375 препаратов) ансамбль модели показал высокие результаты R-квадрат: 0.78 на случайных разбиениях, 0.77 на гистологически слепых и 0.76 на территориально слепых (site-blind) выборках. Исследование также вводит новый диагностический метод для оценки насыщения признаков через кросс-архитектурную корреляцию остатков. Результаты подтверждают, что использование фундаментальных моделей эмбеддингов позволяет достичь точности, сопоставимой с пределом воспроизводимости измерений между базами GDSC и PRISM (разница по Спирмену < 0.01).