онкология

Исследование демонстрирует способность модели LLaMA 3.3 70B извлекать прогностическую информацию из текстовых патоморфологических отчетов для оценки выживаемости при раке ЖКТ. Разработанный метод позволяет преобразовывать неструктурированный текст в бинарный биомаркер риска, который является независимым прогностическим фактором.

Разработан новый вычислительный фреймворк TIMEL, использующий глубокое обучение для анализа микроокружения опухоли на гистологических изображениях. Исследование показало, что пространственные характеристики иммунных и опухолевых клеток позволяют эффективно прогнозировать выживаемость и риск метастазирования.

Компания Esaote представила систему I-Genius — открытый МРТ-сканер, оптимизированный для использования непосредственно во время операций по удалению глиом. Устройство позволяет проводить многократные сканирования без перемещения пациента, обеспечивая хирургов точными данными в реальном времени для более качественного удаления опухоли.

Компания Roche объявила о приобретении PathAI, специализирующейся на цифровой патологии и технологиях на базе ИИ. Сделка направлена на автоматизацию диагностических процессов, улучшение точности диагностики рака и развитие прецизионной медицины.

В исследовании представлен инновационный фреймворк на базе машинного обучения, предназначенный для моделирования обнаруживаемости белков на основе данных об экспрессии РНК, атрибутов генов и субклеточной локализации. Авторы проанализировали более 100 000 пар «ген-рак» на основе данных TCGA, TARGET, GTEx и Human Protein Atlas, охватив семь типов опухолей. Результаты показали, что модели, использующие только данные РНК, имеют умеренную точность (ROC-AUC ~0.71), в то время как включение параметров субклеточной локализации значительно повышает точность прогнозирования до ROC-AUC ~0.82. Исследование выявило масштабный разрыв (декаплинг) между уровнями транскриптов и белков: значительное количество генов с высокой экспрессией РНК не обнаруживается на уровне белка. Было установлено, что такие дискордантные гены обогащены в митохондриальных, метаболических и трансляционных регуляторных путях, что указывает на структурированную биологическую природу процесса, а не на случайную вариативность. Работа подчеркивает критическую необходимость учета клеточного контекста и ограничения интерпретации геномных данных исключительно через призму транскриптомики в онкологии.

Исследование посвящено решению проблемы неточности обнаружения соматических мутаций, вызванной использованием линейных референсных геномов, которые не учитывают генетическое разнообразие и опираются на данные одного донора. Авторы протестировали новый графовый человеческий пангеномный референс на 30 образцах цельноэкзомного секвенирования опухолей мочевого пузыря с соответствующими образцами крови людей различного происхождения. Результаты показали, что использование пангенома значительно превосходит линейные референсы, особенно у представителей восточноазиатской популяции, где точность обнаружения однонуклеотидных вариантов (SNV) выросла в среднем на 20%. Улучшение показателей было достигнуто за счет снижения эффекта референсной предвзятости и уменьшения загрязнения герминальными (наследственными) вариантами. Кроме того, применение пангенома повышает точность (precision) обнаружения мутаций, что позволяет отказаться от ресурсозатратных ансамблевых методов, объединяющих результаты нескольких инструментов. Эффект подтвердился и на дополнительной выборке из 29 опухолей аденокарциномы легкого, что делает пангеном критически важным инструментом для снижения неравенства в точности диагностики между различными этническими группами.

В данном исследовании рассматривается процесс рационального проектирования одноцепочечных вариабельных фрагментов антител (scFv), нацеленных на рецептор GUCY2C, который экспрессируется более чем в 90% случаев колоректального рака. Основное внимание уделено изучению влияния различных пептидных линкеров на фолдинг, стабильность и связывание антигена. Методология исследования базируется на использовании передовых вычислительных методов: молекулярного моделирования, белок-белкового докинга и симуляций молекулярной динамики (MD). Полученные результаты позволяют оценить конформационную стабильность и междоменную организацию конструктов в динамике. Авторы разработали вычислительную платформу, которая позволяет оптимизировать антитела для прецизионной онкологии, минимизируя ошибки при их дизайне. Работа имеет высокую значимость для разработки таргетной иммунотерапии при гастроинтестинальных злокачественных новообразованиях.

Исследование посвящено разработке нового метода анализа циркулирующей опухолевой ДНК (ctDNA) для неинвазивного мониторинга минимальной остаточной болезни (MRD) и раннего выявления рецидивов рака. Авторы предложили инновационный фреймворк, объединяющий поиск соматических мутаций с фрагментомными характеристиками (длиной фрагментов и паттернами мотивов на их концах). В ходе исследования было проанализировано 712 серийных образцов цельногеномного секвенирования (WGS) у 90 пациентов с колоректальным раком III стадии в течение трех лет наблюдения. Комбинированный подход показал превосходство над стандартными методами: показатель AUC достиг 0,871 при использовании длины и мотивов, и 0,873 при интеграции с оценкой доли опухолевой фракции, что выше, чем при простом подсчете мутантных фрагментов (AUC=0,832). Ключевые выявленные признаки ctDNA включают укорочение фрагментов и специфическое обогащение мотивов A/T на концах фрагментов при истощении C/G концов. Данный метод является масштабируемым, не требует обучения моделей или калибровки по контрольным группам (panel-of-normals), что делает его перспективным инструментом для клинической практики.

Исследователи разработали инновационную динамическую мультимодальную платформу для прогнозирования общей выживаемости пациентов с множественной миеломой, учитывающую временную динамику после постановки диагноза. Модель объединяет три ключевых типа данных: пространственное представление экспрессии генов (с использованием метода DeepInsight), траектории 10 ключевых лабораторных показателей и историю применения трех классов препаратов. В ходе тестирования на когорте MMRF CoMMpass (n = 752) предложенный подход продемонстрировал превосходство над классическими методами, такими как DeepSurv и случайные леса для выживаемости, достигнув индекса конкордации (C-index) 0,773 и AUC на горизонте 1 года 0,789. Анализ абляции показал, что наиболее значимым предиктором являются динамические лабораторные измерения, а использование DeepInsight для геномных данных обеспечило более высокую точность по сравнению с обычными многослойными перцептронами. Важным достижением стала проверка модели на независимой когорте (GSE24080, n = 507), где упрощенная версия системы сохранила высокую прогностическую способность (C-index 0,672) без переобучения. Интерпретируемость модели подтвердила биологическую релевантность результатов, выявив связь с путями стресса эндоплазматического ретикулума и интерферон-альфа ответом.

Разработано новое программное обеспечение T-Rex (Trio Rare variant analysis of EXomes), предназначенное для упрощения анализа данных полноэкзомного секвенирования (WES) в рамках семейных трио (ребенок и родители). Приложение представляет собой кроссплатформенное десктопное решение, которое позволяет проводить клинически значимый биоинформатический анализ локально, не требуя навыков программирования. Инструмент интегрирует передовые методы выравнивания, двойной вызов вариантов (GATK HaplotypeCaller и VarScan2) и аннотацию через SNPEff/SNPSift, а также использует статистические тесты, такие как тест на неравновесие передачи (TDT). Бенчмаркинг на наборе данных Genome in a Bottle показал высокую точность в 99,2% при чувствительности 91,1%. Тестирование на когорте из 121 педиатрического онкологического трио подтвердило способность системы успешно идентифицировать все ранее известные патогенные варианты при фильтрации редких вариантов (MAF ≤ 0,1% по gnomAD v4.0). T-Rex позволяет клиникам проводить глубокий генетический анализ в соответствии с правилами защиты данных, снижая зависимость от внешних провайдеров и упрощая исследовательскую работу.

Исследование представляет модель на базе VGG16, которая использует признаки симметрии тканей для раннего выявления аденокарциномы толстой кишки. Авторы интегрировали методы XAI (Grad-CAM, SHAP, LIME) для устранения проблемы «черного ящика» и достигли точности 99,85% на наборе из 10 000 гистопатологических снимков.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная методология глубокого обучения, предназначенная для точного определения происхождения опухолевых клеток. Авторы разработали подход с использованием 'мягкого' многоклассового дополнения признаков (soft multiclass feature augmentation), который позволяет эффективно анализировать полнослойные изображения (WSI) как цитологического, так и гистологического происхождения. Основная цель работы заключается в автоматизации процесса дифференциальной диагностики, что критически важно при работе с неопределенными типами опухолей. Методология позволяет модели учитывать распределение признаков между различными классами, повышая устойчивость прогноза. Применение данного метода в клинической практике может значительно ускорить постановку диагноза и снизить вероятность врачебной ошибки при интерпретации сложных гистологических срезов. Результаты демонстрируют потенциал интеграции подобных алгоритмов в цифровые патоморфологические системы для повышения точности онкологической диагностики.

Представлена новая гибридная модель Quantum-SpinalNet, сочетающая Swin ResUNet3+ для сегментации опухолей и квантовую нейронную сеть (DQNN) для классификации. Исследование показало высокую эффективность на наборах данных CBIS-DDSM и DDSM с точностью 93,8%, что делает метод перспективным для клинической диагностики.

В исследовании представлена новая архитектура CBA-TransNet, объединяющая ResNet50 и Vision Transformer (ViT) для диагностики рака полости рта. Использование механизма внимания CBAM позволило достичь точности классификации 98,97%, эффективно сочетая извлечение локальных и глобальных признаков на гистопатологических снимках.

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.

Исследователи представили StriMap — единую платформу на базе глубокого обучения, предназначенную для высокоточного предсказания взаимодействий между Т-клеточными рецепторами (TCR), пептидами и молекулами HLA. В отличие от существующих методов, StriMap интегрирует физико-химические свойства, контекст последовательностей и структурные особенности интерфейсов распознавания, что позволяет моделировать сложные трехсторонние взаимодействия. В ходе тестирования платформа продемонстрировала передовые показатели точности (state-of-the-art) и высокую обобщающую способность. В качестве практического применения была проведена масштабная проверка 13 миллионов пептидов, полученных из 43 241 бактериального белка, в контексте болезни Бехтерева (анкилозирующего спондилоартрита). Исследование выявило молекулярные мимики, которые были экспериментально подтверждены как активаторы Т-клеток, связанных с данным заболеванием. Особую значимость представляет обнаружение пептида, обогащенного у пациентов с воспалительными заболеваниями кишечника (IBD), что указывает на общие микробные триггеры этих патологий. Разработка открывает новые возможности для рационального проектирования иммунотерапии и изучения антигенных драйверов аутоиммунных процессов.

В статье представлен новый вычислительный метод под названием U-method, предназначенный для решения проблемы идентификации маркеров в анализе транскриптомики единичных клеток. В отличие от традиционных подходов, опирающихся на средние различия в экспрессии, которые часто искажаются из-за разреженности и гетерогенности данных, U-method использует вероятностный подход. Алгоритм сравнивает вероятность экспрессии гена внутри целевого кластера с его максимальной вероятностью в любом другом кластере, что позволяет фокусироваться на стабильности обнаружения, а не на абсолютной величине экспрессии. Методология была протестирована на наборах данных секвенирования РНК единичных клеток при раке толстой кишки, молочной железы, поджелудочной железы и легких, успешно выявив как канонические маркеры линий, так и новые специфические гены. Особую значимость представляет применение метода к пространственной транскриптомике Visium HD: использование сырых данных экспрессии топ-маркеров позволило визуализировать четкую структуру тканей без необходимости сложного сглаживания или деконволюции. Таким образом, U-method предлагает эффективный и быстрый инструмент для высокоточного поиска биологических маркеров и пространственной интерпретации данных.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная методология использования визуально-языковых моделей (VLM) для глубокого анализа легочных узлов. Авторы предлагают подход «graphicalized vision-language modeling», который объединяет визуальные признаки КТ-снимков с текстовыми описаниями для более точной интерпретации патологий. Данная модель направлена на автоматизацию процесса обнаружения узлов и, что более важно, на эффективную стратификацию рисков злокачественности. Использование графических структур позволяет нейросети лучше понимать пространственные взаимосвязи между компонентами узла и окружающими тканями. Внедрение подобных систем в клиническую практику может значительно снизить нагрузку на радиологов и повысить точность ранней диагностики рака легких. Результаты демонстрируют потенциал интеграции мультимодальных данных для создания более надежных систем поддержки принятия врачебных решений в онкологии.

В исследовании проводится сравнительный анализ эффективности шести популярных инструментов поиска соматических вариантов (FreeBayes, MuTect2, Pisces, Platypus, VarDict и VarScan) в рамках клинической молекулярной диагностики. Авторы интегрировали эти инструменты в конвейер Snakemake для обработки данных ампликонного секвенирования коммерческого референсного стандарта HD789, полученных с платформ Illumina MiSeq и NextSeq 2000. Методология включала секвенирование в трех повторностях и использование образца с разведением 1:4 для определения пределов обнаружения вариантов. Результаты показали, что FreeBayes выявляет наибольшее количество соматических вариантов, однако характеризуется повышенным количеством артефактов. Наилучшие показатели точности и согласованности на данных HD789 продемонстрировали алгоритмы FreeBayes, VarScan, MuTect2 и Pisces. Исследование имеет высокую практическую значимость для оптимизации биоинформатических пайплайнов в лабораторной диагностике рака.