онкология

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.

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.