персонализированная медицина

Исследователи из МФТИ и ННГУ имени Лобачевского разработали уникальную многоуровневую компьютерную модель, имитирующую работу вкусовых рецепторов человека. В основе проекта лежит создание «цифрового двойника», который моделирует взаимодействие молекул веществ с рецепторными белками на различных биологических уровнях. Методология исследования включает интеграцию данных молекулярной динамики и нейросетевых алгоритмов для предсказания вкусового отклика. Ключевым результатом стала возможность виртуально тестировать тысячи химических соединений без проведения реальных лабораторных опытов на живых тканях. Это достижение открывает колоссальные перспективы для персонализированной нутрициологии и разработки новых пищевых продуктов с заданными свойствами. Технология может значительно ускорить процесс создания специализированного питания для пациентов с нарушениями метаболизма или специфическими диетическими потребностями.

Исследователи представили STDrug — инновационную вычислительную платформу, предназначенную для персонализированного подбора лекарственных средств с учетом пространственного контекста тканей. В отличие от традиционных методов, основанных на секвенировании РНК единичных клеток (scRNA-seq), STDrug интегрирует данные пространственной транскриптомики, графовое моделирование и мультимодальное обучение. Методология включает использование графовых сверточных сетей и метода когерентного точечного дрейфа для выравнивания пространственных доменов между здоровыми и пораженными тканями. Система ранжирует потенциальные препараты, комбинируя сигнатуры обратимых генов опухоли, оценки возмущений и весовые коэффициенты генов на основе биологических знаний. В ходе тестирования на данных гепатоцеллюлярной карциномы и рака простаты метод продемонстрировал превосходство над существующими аналогами, достигнув точности предсказания AUC в диапазоне 0,81–0,82. Валидация результатов с помощью электронных медицинских карт и тестов in vitro подтверждает высокую трансляционную значимость платформы для точной медицины.

В данном исследовании, опубликованном в журнале npj Digital Medicine, рассматривается инновационный подход к реабилитации пациентов с двуязычной афазией через использование технологии цифровых двойников (digital twins). Авторы провели двойное слепое рандомизированное контролируемое исследование, чтобы оценить эффективность прогностических моделей ИИ в предсказании динамики восстановления речевых функций. Методология включала создание персонализированных цифровых моделей пациентов, которые интегрировали нейровизуализационные данные и лингвистические профили для симуляции различных сценариев терапии. Ключевые результаты демонстрируют, что использование цифровых двойников позволяет значительно точнее прогнозировать успех терапевтических вмешательств по сравнению с традиционными клиническими методами. Это открывает новые возможности для персонализированной медицины, позволяя врачам оптимизировать протоколы лечения на ранних этапах. Технология имеет критическое значение для нейрореабилитации, обеспечивая переход от стандартных подходов к высокоточному моделированию восстановления когнитивных функций.

В данной статье исследуется разработка инновационного «цифрового двойника» на основе физически информированных нейронных сетей (PINNs) для моделирования церебрального кровотока. Исследователи стремятся объединить глубокое обучение с фундаментальными законы гемодинамики, чтобы предсказывать регуляцию церебральных сосудов с высокой точностью. Методология включает интеграцию уравнений Навье-Стокса и физических ограничений непосредственно в архитектуру нейросети, что позволяет модели учитывать биологические и физические параметры сосудистого русла. Ключевым результатом является способность системы моделировать сложные изменения кровотока в ответ на различные физиологические стимулы, что потенциально превосходит традиционные численные методы по скорости и точности. Данная технология имеет критическое значение для персонализированной медицины, позволяя прогнозировать риски инсульта и другие сосудистые патологии мозга. Внедрение таких цифровых двойников в клиническую практику может значительно улучшить мониторинг состояния пациентов и планирование нейрохирургических вмешательств.

В исследовании, опубликованном в журнале npj Digital Medicine, представлен инновационный подход к лечению большого депрессивного расстройства (БДР) с использованием цифровых биомаркеров на основе электроэнцефалографии (ЭЭГ). Авторы разработали метод персонализации параметров транскраниальной магнитной стимуляции (ТМС), который позволяет адаптировать терапию под индивидуальные нейрофизиологические особенности пациента. Использование ЭЭГ-данных в качестве цифрового биомаркера позволяет точнее определять целевые зоны коры головного мозга и оптимизировать протоколы стимуляции. Методология исследования направлена на преодоление проблемы низкой эффективности стандартных протоколов ТМС, которые часто применяются по принципу «один размер для всех». Ключевым результатом является возможность повышения клинической эффективности терапии за счет точной настройки нейромодуляции. Данная разработка имеет высокую значимость для психиатрической практики, предлагая переход к прецизионной (высокоточной) нейротерапии на основе объективных данных мониторинга мозговой активности.

Платформа Sunfish для планирования семьи представила новую услугу заморозки яйцеклеток с использованием проприетарного алгоритма искусственного интеллекта. Система анализирует биоданные пациента для прогнозирования оптимального количества зрелых яйцеклеток, которые следует заморозить для достижения наилучших репродуктивных результатов. Алгоритм также рассчитывает стоимость всего цикла криоконсервации с гарантией возврата средств, если прогноз не оправдывается. Это решение представляет собой прямое применение машинного обучения в области репродуктивной медицины и вспомогательных репродуктивных технологий. Клиническая значимость заключается в персонализации подхода к заморозке яйцеклеток, что может повысить шансы на успешную беременность в будущем. Гарантия стоимости снижает финансовые риски для пациентов, делая процедуру более доступной. Технология демонстрирует, как ИИ может трансформировать стандартные медицинские протоколы, добавляя предиктивную аналитику в процесс принятия клинических решений. Продукт ориентирован на женщин, планирующих отложить материнство по медицинским или личным причинам.

Статья представляет гибридную систему поддержки клинических решений для пациентов с гипертонией, объединяющую методы машинного обучения (K-Means кластеризация, PCA) с экспертными правилами. Система проанализировала 615 клинических записей и достигла 78.3% согласованности с экспертными оценками кардиологов. Подход позволяет генерировать персонализированные рекомендации по образу жизни на основе стратификации пациентов.

Исследование посвящено применению обучения с подкреплением (Reinforcement Learning) для генеративных языковых моделей ДНК, что имеет прямое значение для геномики и персонализированной медицины. Авторы использовали технику Group Relative Policy Optimization (GRPO) с функцией вознаграждения, основанной на ограничениях из инженерной биологии, для генерации плазмид — простых генетических конструкций, широко используемых в биотехнологии. Ключевой результат: модель достигла 77% качества при контроле, по сравнению с 5% у предобученной базовой модели, что демонстрирует значительное улучшение. Примечательно, что помимо явно оптимизированных признаков, сгенерированные последовательности демонстрируют биологическую реалистичность в термодинамической стабильности, паттернах использования кодонов и распределении длин открытых рамок считывания (ORF) — свойствах, не включённых в функцию вознаграждения. Эти эмерджентные свойства указывают на способность RL пост-тренинга направлять модели ДНК в биологически когерентные области пространства последовательностей. Результаты открывают перспективы для дизайна генетических конструкций, разработки генной терапии и создания синтетических биологических систем.

Исследование в журнале npj Digital Medicine посвящено применению цифровых физиологических биомаркеров для мониторинга динамики симптомов у пациентов со сложными хроническими заболеваниями. Работа фокусируется на внутриличностном анализе — отслеживании изменений у одного и того же человека во времени, что является более точным подходом по сравнению с межличностными сравнениями. Цифровые биомаркеры обычно собираются с помощью носимых устройств, смартфонов и сенсоров, которые непрерывно измеряют физиологические показатели. Методология включает машинное обучение для выявления паттернов в потоках данных и предсказания будущих изменений состояния. Ключевая значимость работы заключается в возможности раннего выявления обострений и персонализации лечения хронических заболеваний. Это открывает перспективы для создания систем предиктивной медицины, где алгоритмы ИИ могут предупреждать о ухудшении состояния до появления клинических симптомов. Исследование представляет собой важный шаг к внедрению непрерывного цифрового мониторинга в клиническую практику.

Исследование представляет новый вычислительный метод PrePR-CT, разработанный группой Alsulami et al. и опубликованный в Nature Machine Intelligence в марте 2026 года. Метод объединяет биологические сети с машинным обучением для предсказания реакции различных типов клеток на лекарственные соединения при ограниченных данных. Ключевое преимущество подхода — работа в режиме малых данных (small-data regime), что критически важно для ранней стадии разработки лекарств, когда экспериментальных данных недостаточно. Метод улучшает точность предсказаний, интерпретируемость результатов и эффективность процесса открытия новых препаратов. Использование индуктивных априорных знаний позволяет модели извлекать полезные паттерны из ограниченных наборов данных, что особенно актуально для персонализированной медицины и таргетной терапии. Разработка имеет практическое значение для фармацевтических компаний, позволяя сократить время и стоимость доклинических исследований за счёт более точного предсказания эффективности соединений на ранних этапах. Методология открывает перспективы для применения в скрининге библиотек соединений и оптимизации дозировок для конкретных типов клеток.

Статья представляет собой обзор применения искусственного интеллекта и технологии цифровых двойников для персонализированной медицины при множественной миеломе. Рассматриваются возможности ИИ для точной стратификации риска, выбора терапии и создания предиктивных моделей на основе больших клинических данных. Описываются перспективы и ограничения цифровых двойников как виртуальных реплик пациентов для динамического мониторинга заболевания.

ИИ-стартап Basecamp Research, работающий в партнёрстве с Microsoft и Nvidia, анонсировал амбициозный проект по сбору генетических последовательностей более чем триллиона белков в течение двух лет. Компания позиционируется как биотехнологический стартап, специализирующийся на применении искусственного интеллекта в биомедицинских исследованиях. Проект направлен на создание крупнейшей в мире базы генетических данных, что может революционизировать понимание молекулярных механизмов заболеваний. Использование ИИ для анализа таких объёмов генетической информации позволит выявлять ранее неизвестные биомаркеры и потенциальные мишени для разработки лекарств. Масштаб проекта — триллион белков — в тысячи раз превышает текущие доступные базы данных, что открывает новые возможности для персонализированной медицины. Партнёрство с технологическими гигантами Microsoft и Nvidia обеспечивает необходимые вычислительные мощности для обработки эксабайтов генетических данных. Успешная реализация проекта может ускорить открытие новых терапий для редких и сложных заболеваний, а также улучшить диагностику на основе генетического профилирования. Однако сроки в два года выглядят крайне амбициозно и потребуют прорывов в технологиях секвенирования и ИИ-анализа.

Исследование посвящено улучшению надежности трансформерных языковых моделей для геномики (GLM), которые демонстрируют высокую эффективность в задачах предсказания на генетических данных, но склонны к излишней уверенности при работе с зашумленными или неизвестными данными. Авторы анализируют влияние нескольких методов оценки неопределенности (uncertainty quantification, UQ), включая температурное масштабирование и эпистемические нейронные сети, на надежность предсказаний моделей в различных доменах геномных и метабаргеномных задач. Сравнение поведения моделей на данных из распределения (in-distribution) и вне распределения (out-of-distribution) показывает, что предложенные методы способны значительно улучшить надежность классификации. Результаты демонстрируют универсальность подхода, так как он работает на нескольких архитектурах GLM и в различных предметных областях. Разработка критически важна для геномики, где неизвестные виды и новые генетические варианты встречаются часто, и надежность предсказаний напрямую влияет на клинические решения. Полученные модели могут применяться для диагностики генетических заболеваний, персонализированной медицины и анализа микробиома. Исходный код проекта доступен в открытом доступе на GitHub, что позволяет исследователям и практикам внедрять эти методы в свои рабочие процессы.