прецизионная медицина

Исследователи разработали транскриптомный атлас сепсиса, объединив данные 3 713 образцов из 28 различных наборов данных, включая 2 251 образец непосредственно от пациентов с сепсисом. На основе кластеризации экспрессии иммунных и липидных генов было выявлено четыре уникальных молекулярных подтипа (C1–C4), характеризующихся различными патофизиологическими механизмами. Подтип C1 демонстрирует признаки иммунного истощения и метаболической дисрегуляции, что указывает на потенциальную эффективность кортикостероидов, в то время как подтип C4 характеризуется наиболее высокой смертностью, иммуносупрессией и метаболическим репрограммированием. Анализ коррелировал молекулярные профили с 28-дневной смертностью: подтип C2 показал профили, схожие с выжившими, а C4 — с умершими пациентами. В ходе поиска лекарств для перепрофилирования (drug repurposing) был предложен метиленовый синий для пациентов с подтипом C4. Исследование также объясняет неудачи предыдущих клинических испытаний антивоспалительных моноклональных антител, указывая на их неэффективность для пациентов с антикоррелированными сигнатурами подтипов C1 и C2. Результаты закладывают фундамент для перехода к прецизионной медицине в терапии сепсиса.

В статье представлен CANCAN (Copy number integrative ANalysis in CANcer) — универсальный вычислительный фреймворк, предназначенный для высокоточного анализа аллель-специфического числа копий и соматических вариантов в онкологии. Методология CANCAN объединяет инновационные стратегии нормализации и сегментации данных, что позволяет интегрированно анализировать данные секвенирования независимо от используемой платформы. Инструмент обеспечивает расчет ключевых параметров опухоли: чистоты (purity), плоидности (ploidy), субклональности и множественности мутаций с предоставлением статистических оценок достоверности. Бенчмаркинг на наборах данных TCGA и IMPRESS-Norway (WGS, WES и таргетное секвенирование) подтвердил высокую точность метода, особенно на таргетных данных, и его способность работать при сниженном покрытии секвенирования. CANCAN предоставляет детальную визуализацию геномного контекста клинически значимых биомаркеров, что критически важно для диагностической интерпретации. Разработка представляет собой воспроизводимый и интерпретируемый подход, решающий актуальные задачи клинической геномики рака.

Проведен комплексный библиометрический анализ публикаций за период с 2000 по 2025 год, посвященных применению ИИ в изучении сонных артерий. Исследование выявило переход к прецизионной медицине на основе мультимодальных данных и подчеркнуло растущую роль ИИ в ранней диагностике и мониторинге заболеваний.

В исследовании представлен SynOmicsBench — первый специализированный фреймворк для сравнительного анализа методов генерации синтетических данных, адаптированный для высокоразмерных транскриптомных данных в онкологии. Авторы провели бенчмаркинг на основе трех клинических испытаний рака, оценивая методы по трем ключевым направлениям: биологическая полезность, статистическая точность и устойчивость к атакам на конфиденциальность. Результаты показали, что ни один метод не является универсальным, однако Gaussian Copula продемонстрировал наиболее сбалансированные показатели, за ним следует модель Avatar. Исследование выявило, что простая метрическая схожесть не гарантирует сохранение сложных молекулярных зависимостей. Синтетические данные успешно воспроизводят направленность биомедицинских сигналов, хотя и с ослабленным размером эффекта и повышенной вариативностью между репликами. Данная работа предлагает инструмент поддержки принятия решений для выбора оптимальных методов синтеза данных, способствуя безопасному использованию ИИ в прецизионной онкологии без нарушения приватности пациентов.

Исследователи представили инновационную платформу MPDR (Machine learning-based Personalized Dietary Recommendation), предназначенную для решения проблемы персонализации питания через управление микробиомом. Основная сложность заключается в непредсказуемости взаимодействия диеты и микробиоты из-за уникальности каждого организма. Предложенный метод использует машинное обучение для неявного изучения этих взаимодействий на основе данных о составе микробиома и рационе питания крупной когорты участников. Обученная модель способна предсказывать изменения микробного состава при изменении потребляемых продуктов. Для формирования рекомендаций авторы используют метод оптимизации, который подбирает диету для достижения целевых показателей микробиоты. Валидация системы проводилась как на синтетических данных, созданных с помощью моделей «потребитель-ресурс», так и на реальных данных исследований ассоциаций диеты и микробиома. Результаты подтверждают высокий потенциал использования ИИ для создания прецизионных планов питания, направленных на улучшение здоровья через коррекцию микробиома.

Компания Tempus AI, лидер в области применения искусственного интеллекта для прецизионной медицины, объявила о расширении партнерства с фармацевтическим гигантом Bristol Myers Squibb (BMS). Основная цель сотрудничества заключается в использовании передовых алгоритмов ИИ и мультимодальных данных реальной клинической практики (real-world data) для оптимизации процесса разработки лекарственных препаратов. Проект будет сфокусирован на двух критически важных терапевтических областях: онкологии и нейробиологии. Благодаря интеграции технологических решений Tempus, компания BMS планирует повысить вероятность успеха клинических испытаний и ускорить вывод новых методов лечения на рынок. Использование мультимодальных данных позволит более точно подбирать пациентов для испытаний и прогнозировать эффективность терапии на основе глубокого анализа биологических и клинических параметров. Это сотрудничество знаменует собой важный шаг в интеграции ИИ в современные процессы фармацевтической разработки.

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.

Исследование посвящено разработке метода высокоточной идентификации личности на основе метаболомного профилирования сухих пятен крови (DBS). Авторы провели масштабную валидацию на когорте из 1257 человек, проанализировав 18 288 образцов с помощью нецелевой масс-спектрометрии (LC-MS/MS) на платформе Orbitrap. Разработанный пайплайн классификации, включающий пакетную нормализацию и супервизорный отбор признаков, показал точность идентификации на уровне пользователя 94,1% при кросс-валидации и 96,1% на полностью отложенной выборке. Особое внимание в работе уделено проблеме «утечки данных» (batch leakage), которая при наивном подходе может искусственно завышать точность. Ключевые дискриминантные метаболиты были обнаружены в путях метаболизма аминокислот, транспорта жирных кислот и биосинтеза сфинголипидов. Данная технология имеет критическое значение для создания «цифровых двойников» в прецизионной медицине, позволяя надежно связывать продольные (лонгитюдные) биообразцы с конкретными пациентами при самостоятельном сборе биоматериала на дому.

В исследовании представлен FM-GPT — инновационный байесовский метод тонкого картирования (fine mapping), разработанный для приоритизации причинно-следственных генов в рамках полнофеномных транскриптомно-широких исследований ассоциаций (TWAS). Метод эффективно справляется с проблемой ложных сигналов, вызванных неравновесием по сцеплению и корреляцией экспрессии генов, позволяя анализировать множество взаимосвязанных фенотипов одновременно. FM-GPT использует генно-направленное снижение размерности фенотипов, что позволяет выявлять как плейотропные, так и специфические для конкретных фенотипов эффекты генов. В ходе симуляций метод продемонстрировал более высокую точность идентификации истинных причинных генов по сравнению с существующими аналогами при строгом контроле ложноположительных результатов. Применение алгоритма к данным UK Biobank позволило детально изучить генетические основы толщины коры головного мозга и клинических фенотипов из электронных медицинских карт (EHR). В частности, были выявлены пять генов на 17-й хромосоме (BCAS3, LRRC37A, NOS2P3, ARL17B и UBB), регулирующих морфологию нейронов, а также обнаружены ключевые оси вариации, указывающие на компромисс в регуляции генов между иммунной и метаболической функциями. Данная разработка значительно расширяет возможности трансляционных исследований и изучения коморбидности.

Исследование посвящено решению критической проблемы машинного обучения в прецизионной онкологии: неоднородному качеству прогнозов и «скрытым ошибкам» моделей при изменении распределения данных. Авторы провели бенчмаркинг семи моделей, учитывающих неопределенность, сравнивая эпистемическую неопределенность (через ансамбли) и алеаторную неопределенность (через моделирование распределений). Результаты показали, что ансамбли гауссовских нейронных сетей эффективно выявляют данные, выходящие за рамки обучающей выборки (out-of-distribution). Применение фильтрации по 10% наиболее уверенных прогнозов позволило снизить среднюю квадратичную ошибку (MSE) на 64%. Кроме того, авторы выявили транскриптомные сигнатуры непредсказуемости, определив конкретные гены, связанные с неопределенностью прогноза. Работа также демонстрирует потенциал активного обучения (active learning) под руководством оценки неопределенности для приоритизации наиболее информативных экспериментов в разработке лекарств.

Компания Tempus AI, Inc., являющаяся технологическим лидером в области внедрения искусственного интеллекта для развития прецизионной медицины, официально объявила о своем участии в 25-й ежегодной виртуальной конференции Needham Virtual Healthcare Conference. Мероприятие запланировано на период с 13 по 16 апреля 2026 года. В рамках конференции финансовый директор компании Джим Роджерс (Jim Rogers) представит стратегическое видение развития бизнеса и технологических решений компании. Tempus специализируется на использовании ИИ для анализа данных и персонализации подходов к лечению пациентов. Данное выступление представляет интерес для инвесторов и специалистов отрасли, так как демонстрирует рыночные позиции компании в секторе ИИ-технологий для здравоохранения.

Компания Tempus AI, лидер в области внедрения искусственного интеллекта для прецизионной медицины, объявила о расширении многолетнего стратегического партнерства с Gilead Sciences. Основная цель сотрудничества заключается в использовании передовых технологий ИИ и анализа данных реальной клинической практики (Real-World Evidence, RWE) для ускорения исследований и разработок (R&D) в области онкологии. Партнерство позволит Gilead более эффективно использовать огромные массивы структурированных клинических и молекулярных данных, обработанных платформами Tempus, для поиска новых терапевтических мишеней. Применение машинного обучения к RWE поможет оптимизировать процесс разработки лекарственных препаратов и лучше понимать траектории пациентов с онкологическими заболеваниями. Данная инициатива подчеркивает растущую роль ИИ-платформ в трансформации традиционных методов фармацевтических исследований. Сотрудничество направлено на создание персонализированных подходов к лечению рака на основе глубокого анализа данных.

Компания Tempus AI, лидер в области искусственного интеллекта и прецизионной медицины, объявила о стратегическом сотрудничестве с фармацевтической компанией Daiichi Sankyo (TSE: 4568). Партнёрство направлено на ускорение клинической разработки и дифференциации программы антитело-лекарственного конъюгата (ADC) в области онкологии. Ключевым элементом сотрудничества является использование ИИ-технологий для открытия биомаркеров, что позволяет более точно идентифицировать пациентов, которые могут получить максимальную пользу от терапии. ADC-программы представляют собой перспективное направление в лечении рака, где антитело доставляет цитотоксический препарат непосредственно к раковым клеткам, минимизируя повреждение здоровых тканей. Применение алгоритмов машинного обучения для анализа биомаркеров позволяет оптимизировать дизайн клинических испытаний и повысить вероятность их успеха. Это сотрудничество демонстрирует растущую интеграцию ИИ в процесс разработки онкологических препаратов, особенно в области таргетной терапии. Успех такого подхода может привести к более персонализированному лечению и улучшению клинических исходов для пациентов с различными типами рака.