репозиционирование лекарств

Исследователи представили PrimeKG-Plus — обновленную версию графа знаний PrimeKG, предназначенную для задач прецизионной медицины и поиска новых мишеней для лекарств. В рамках работы были обновлены 20 исходных источников данных (актуальных на декабрь 2025 года) и интегрированы новые базы, такие как OpenTargets, RepurposeDrugs и nSIDES. Ключевой особенностью стала автоматизированная экстракция связей из 637 статей PubMed и PMC с использованием LLM-ассистированного рабочего процесса, дополненного верификацией экспертами и нормализацией через SapBERT и UMLS. Особое внимание в расширении уделено редким неврологическим заболеваниям, включая болезнь Канавана и болезнь Ниманна-Пика типа C. Результаты анализа топологии сети показали значительное улучшение связности: добавлено 447 288 новых путей «Лекарство-Белок-Заболевание», которые ранее были недоступны в графе. Кроме того, валидация через данные FDA позволила включить 55 новых молекулярных сущностей, появившихся после июня 2021 года. PrimeKG-Plus представляет собой высокоактуальный инструмент для сетевого репозиционирования лекарственных средств и персонализированного лечения.

В исследовании представлен вычислительный подход к выявлению транскрипционных факторов, управляющих переходами состояний микроглии при болезни Альцгеймера (БА). Используя анализ 236 002 ядер микроглии от 84 доноров из атласа SEA-AD, авторы применили методы траекторного анализа (PAGA) и построения генных регуляторных сетей (pySCENIC). Ключевым результатом стало выделение транскрипционного фактора IKZF1 как критического регулятора в поздних стадиях заболевания (LateAD-DAM), что подтверждено независимой репликацией на когорте GSE95587 (p = 0.004). С помощью анализа CellChat была определена сигнальная дорожка SLIT2[->]ROBO2 от нейронов к микроглии как ведущая. В рамках виртуального скрининга 1 962 одобренных лекарственных препаратов были выделены тафамидис и дифлунисал как потенциальные кандидаты для репозиционирования, однако их точность требует дальнейшей экспериментальной проверки. Работа демонстрирует мощный потенциал применения методов машинного обучения и биоинформатики для поиска новых терапевтических мишеней в нейродегенеративных процессах.

В статье рассматривается инновационный подход к поиску новых методов лечения хронических заболеваний и фиброза печени с использованием платформы Co-Scientist. Генетик из Стэнфордского университета применяет специализированные инструменты искусственного интеллекта для процесса репозиционирования лекарственных средств (drug repurposing). Методология заключается в использовании ИИ для анализа существующих препаратов с целью выявления их потенциальной эффективности против специфических патологий печени. Данный подход позволяет значительно сократить время и стоимость разработки новых терапевтических стратегий. Использование Co-Scientist помогает ученым находить скрытые связи между молекулярными мишенями и лекарственными соединениями, что критически важно для борьбы с прогрессирующим фиброзом. Результаты исследования открывают новые возможности для персонализированной медицины и ускоренного внедрения эффективных протоколов лечения в клиническую практику.

Исследование представляет DEPICT (Drug rEsponse Prediction in transCriptomics with Transformers) — глубокую нейросетевую модель на основе трансформеров, которая предсказывает транскрипционные ответы клеток на лекарственные препараты в зависимости от базового экспрессионного профиля генов и параметров воздействия. Модель обучена на датасете LINCS L1000 и демонстрирует способность обобщать знания на невиданные ранее препараты и типы клеток. В наиболее сложной задаче предсказания для неизвестных типов клеток DEPICT превзошла все базовые стратегии и два недавних глубоких обучающих модели, улучшив точность предсказания дифференциальной экспрессии и снизив ошибку предсказания возмущённой экспрессии на 30.3% и 36.8% соответственно. В случае не-мелкоклеточного рака лёгких (NSCLC) виртуальный скрининг с использованием DEPICT выявил соединения, способные обратить патологические транскрипционные сигнатуры заболевания, при этом 13 из 20 приоритетных соединений ранее проходили клинические испытания или были валидированы в исследованиях NSCLC. Модель также позволяет предсказывать синергию препаратов и проводить механизмы исследования даже при отсутствии экспериментально сопоставимых профилей. Результаты демонстрируют, что точное условное сопоставление in silico профилирования возмущений может масштабировать генерацию гипотез для репозиционирования лекарств и открытия комбинаций препаратов.