deep learning

Обзор систематизирует исследования по применению глубокого обучения в диагностике лейкемии, охватывая анализ изображений крови и костного мозга, геномные данные, проточную цитометрию и мультимодальные подходы. Критически оцениваются проблемы обобщаемости моделей, интерпретируемости и клинической применимости, предлагаются направления для будущих исследований включая fusion-подходы и валидацию на внешних датасетах.

Исследователи представили HDOCK-Multimer (HDM) — новый фреймворк на основе глубокого обучения для предсказания структуры крупных белковых комплексов, который объединяет методы ab initio докинга и комбинаторной сборки. В отличие от существующих подходов вроде AlphaFold и RosettaFold, которые сталкиваются с трудностями при работе с крупными многоцепочечными белками, HDM снижает зависимость от точности предсказания отдельных компонентов за счёт интеграции докинга с стратегией сборки. Метод был протестирован на трёх бенчмарках: 35 крупных гетеромерных комплексов, 172 крупных белковых комплекса и 7 мишеней CASP15, где продемонстрировал существенное превосходство над современными методами включая MoLPC, CombFold, AlphaFold-Multimer и AlphaFold3. Важной особенностью HDM является способность предсказывать стехиометрию комплексов без необходимости ввода этой информации заранее. Инструмент особенно ценен для изучения крупных белковых комплексов и молекулярных машин, что имеет прямое значение для разработки лекарств и понимания механизмов заболеваний. Пакет HDM доступен бесплатно на GitHub по адресу https://github.com/huang-laboratory/HDOCK-Multimer.

Исследователи разработали MDA-Net — фреймворк доменной генерализации для обнаружения рака головы и шеи по КТ-снимкам, работающий в условиях различий между больницами. Модель улучшила AUC с 0.51 до 0.59 и точность с 48% до 60% на мультицентровом датасете из 1081 случая, не требуя адаптации при инференсе.

Исследователи разработали CLEAR-Lactyl — курированный эталонный набор данных человеческого лактилирования лизина, включающий 16 604 положительных сайта модификации. На его основе создан AttentionKla — фреймворк глубокого обучения, использующий предобученную языковую модель белков, дообученную с помощью технологии LoRA (Low-Rank Adaptation). Метод значительно превосходит существующие инструменты предсказания сайтов лактилирования, что подтверждено комплексными абляционными исследованиями. Практическая полезность подхода экспериментально валидирована в клеточных анализах: система способна предсказывать новые сайты лактилирования и осуществлять направленную модуляцию уровней модификации через последовательность. Лактилирование лизина — динамическая посттрансляционная модификация, влияющая на функцию белков и связанная с разнообразными физиологическими и патологическими процессами, включая воспалительные заболевания и онкологию. Результаты предоставляют исследователям мощную платформу для изучения регуляторного ландшафта лактилирования и генерирования проверяемых гипотез о связанных механизмах. Фреймворк является расширяемым и может быть адаптирован для точной модуляции других посттрансляционных модификаций белков.

В исследовании представлена инновационная мультимодальная модель (vision-language model), которая имитирует когнитивный процесс врача-радиолога при анализе медицинских изображений. Ключевой особенностью разработки является использование данных о движении глаз (eye-tracking) и вербальных рассуждениях экспертов в процессе обучения. Это позволяет модели не просто классифицировать патологии, но и фокусироваться на критически важных анатомических зонах, имитируя человеческое внимание. Методология обучения объединяет визуальные признаки рентгенологических снимков с текстовыми объяснениями, что повышает точность интерпретации сложных случаев. Результаты демонстрируют значительное превосходство модели над стандартными архитектурами в задачах описания изображений и постановки диагнозов. Данная технология открывает путь к созданию более прозрачных и объяснимых систем поддержки принятия врачебных решений (CDSS) в радиологии. Практическая значимость работы заключается в сокращении времени на анализ снимков и снижении вероятности пропуска патологий из-за человеческого фактора.

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.