ИИ в медицине

Компания Viz.ai представила новый инструмент Viz Agent Studio, который позволяет организациям переводить клинические руководства в рабочие процессы и масштабировать их по всей системе здравоохранения с использованием естественного языка. Технология использует искусственный интеллект для автоматизации процесса трансформации клинических протоколов в цифровые алгоритмы, что упрощает внедрение стандартизированных медицинских практик. Инструмент предназначен для больниц и медицинских сетей, стремящихся унифицировать подходы к лечению и повысить эффективность клинических решений. Функция масштабирования «across the enterprise» указывает на возможность развертывания решения в крупных медицинских системах с множеством подразделений. Использование естественного языка для взаимодействия снижает барьер входа для медицинских специалистов, не обладающих техническими навыками программирования. Это решение относится к категории клинических систем поддержки принятия решений (CDSS), которые становятся всё более востребованными в современной медицине для снижения врачебных ошибок и улучшения исходов лечения.

Статья описывает исследование с использованием ИИ и 3D-органов мозга человека для прогнозирования риска судорог при разработке лекарств. Модель показала 83% чувствительность и 89% специфичность в классификации судорожной активности на основе функциональной нейронной активности.

GraphHDBSCAN* — это новый алгоритм машинного обучения для кластеризации данных одноячеистого секвенирования РНК (scRNA-seq), широко используемого в биомедицинских исследованиях для анализа клеточного разнообразия. Метод представляет собой иерархическое расширение HDBSCAN*, которое работает непосредственно с графовой структурой данных, устраняя необходимость в ручной настройке гиперпараметров. В отличие от существующих подходов, фокусирующихся на плоских кластерах, GraphHDBSCAN* сохраняет иерархическую организацию клеток, выявляя как широкие типы клеток, так и их специализированные подтипы. Исследователи протестировали метод на множестве наборов данных scRNA-seq и продемонстрировали, что алгоритм восстанавливает биологически значимые иерархии, включая тонкую структуру субпопуляций моноцитов. Метод обеспечивает высококачественные плоские кластеризации, превосходящие широко используемые методы обнаружения сообществ. GraphHDBSCAN* особенно важен для онкологических исследований, иммунологии и разработки персонализированных терапий, где точное определение клеточных популяций критично для понимания механизмов заболеваний и оценки ответа на лечение.

Исследователи разработали новый AI-фреймворк OPTIMIS для решения проблемы управления сложными биологическими системами на разных масштабах. Методология объединяет дискретный стохастический алгоритм Гиллеспи для микромасштабной динамики рецепторов с непрерывными нелинейными дифференциальными уравнениями для макромасштабного поведения организма. Для достижения скорости, необходимой для глубокого обучения с подкреплением (RL), гибридная система сжимается в дифференцируемый суррогат Neural ODE, действующий как быстрый цифровой двойник. В качестве демонстрации концепции фреймворк применён к инженерной клеточной терапии, где агенты RL обучаются динамическим закрытым петлям лечения внутри суррогатной среды. Ключевой результат: отслеживание микроскопической непредсказуемой клеточной активности как раннего предупреждающего сигнала позволило ИИ непрерывно корректировать дозу препарата, предвосхищая и останавливая опасные иммунные реакции до их неконтролируемого развития. Вычислительное усовершенствование улучшило показатели успешного контроля до более чем 70% в высоко нестабильных симулированных фенотипах, что представляет собой значимый прорыв для персонализированной медицины. Практическая значимость: метод предоставляет общий фреймворк для адаптивного вмешательства в многомасштабные биологические системы, открывая путь к автоматизированному принятию клинических решений в реальном времени.

Исследование представляет FoundedPBI — ансамблевый подход глубокого обучения для предсказания взаимодействий бактериофагов с бактериями на основе ДНК-последовательностей. Методология использует ансамбль из трёх современных ДНК-языковых моделей (Nucleotide Transformer v2, DNABERT-2, MegaDNA), обученных на прокариотических и бактериофаговых геномах, с агрегацией выходов в единый мета-эмбеддинг и последующей классификацией нейросетью. Ключевые результаты: на бенчмарке PredPHI модель достигла F1-оценки 76%, превзойдя текущий state-of-the-art PBIP на 7%, а на внутреннем наборе данных CI4CB — 93% F1-оценка, улучшив предыдущие методы на 4%. Особый вклад — адаптация стратегий агрегации контекста NLP для обработки целых бактериальных и фаговых геномов до 5 млн пар оснований, что в 50-100 раз превышает контекстные окна фундаментальных моделей (12-96K bp). Это критически важно для ускорения открытия пар фаг-бактерия, необходимых для фаговой терапии как альтернативы антибиотикам. Практическая значимость: метод снижает трудоёмкость экспериментального скрининга, позволяя предсказывать совместимость пар по ДНК-последовательностям без лабораторных тестов, что может революционизировать разработку персонализированных фаговых препаратов.

Компания Insilico Medicine, специализирующаяся на разработке лекарств с использованием искусственного интеллекта, подписала коммерческое соглашение с фармацевтическим гигантом Eli Lilly. Сделка предусматривает первоначальный платеж в размере $115 миллионов и потенциальные дополнительные выплаты до $2,75 миллиарда в зависимости от достижения различных этапов разработки и коммерциализации. Это соглашение представляет собой одну из крупнейших сделок в области ИИ-фармацевтики и демонстрирует коммерческую валидацию технологий искусственного интеллекта в процессе открытия и разработки новых лекарственных препаратов. Партнёрство позволяет Lilly получить доступ к платформе Insilico для генерации новых молекул и ускорения доклинических исследований, что традиционно занимает годы. Успех такого сотрудничества подтверждает растущий интерес крупных фармацевтических компаний к интеграции машинного обучения в процессы drug discovery.

Статья обсуждает, как медицинские системы должны использовать собственные данные для выявления неэффективностей перед покупкой ИИ-решений, вместо реагирования на предложения вендоров. CEO Arcadia Майкл Мьюкки подчеркивает, что ROI-оценка расширяется за рамки финансовых показателей, включая снижение административной нагрузки, удовлетворенность врачей и удержание персонала. Ambient-инструменты документации и компьютерного кодирования приводятся как примеры ИИ-технологий, снижающих нагрузку на клиницистов.

Статья описывает применение ИИ-моделей в Geisinger Health System (2019-2022) для анализа факторов риска колоректального рака и выявления пациентов, нуждающихся в скрининге. ИИ-система оценивала риск на основе биомаркеров крови, возраста и пола, а медсёстры проводили целевой контакт с пациентами, что привело к увеличению количества колоноскопий на 214% и снижению смертности на 43%.

Исследование представляет метод CoMPLip (co-folding of membrane proteins and lipid molecules), который улучшает точность предсказания структуры мембранных белков с помощью глубокого обучения. Традиционные подходы к предсказанию структуры белков, включая AlphaFold 3, не учитывают явным образом молекулярное окружение, что особенно критично для мембранных белков, чья структура и взаимодействия сильно зависят от липидного окружения. CoMPLip решает эту проблему путём совместного фолдинга белков с липидными молекулами во время предсказания, заставляя липиды организовываться в бислои вокруг трансмембранных регионов, создавая реалистичную мембранную среду. Метод демонстрирует улучшения в предсказании позы лигандов, корректном разделении внеклеточных и внутриклеточных доменов, а также позволяет исследовать множественные конформационные состояния динамических транспортеров. Ключевое преимущество CoMPLip — обучение не требуется (training-free), что упрощает интеграцию в существующие рабочие процессы AlphaFold 3. Это имеет прямое значение для разработки лекарств, так как мембранные белки составляют около 60% всех мишеней для фармакологических препаратов, и точное понимание их структуры критично для дизайна эффективных терапевтических агентов.

Представлен MEIsensor — фреймворк глубокого обучения для обнаружения и классификации вставок мобильных элементов (MEI) в человеческом геноме на основе данных секвенирования длинными ридами. В отличие от традиционных подходов, опирающихся на выравнивание с библиотекой повторов, MEIsensor выполняет прямую аннотацию на основе последовательности для вставок Alu, LINE1 и SVA. Оценка на бенчмарках HGSVC с использованием HiFi-длинных ридов показала, что MEIsensor превосходит существующие инструменты по основным классам MEI при существенном улучшении вычислительной эффективности, особенно для структурно сложных вставок SVA. Ручная верификация подтвердила способность метода идентифицировать MEI в высокоповторяющихся геномных регионах, включая центромерные повторы высшего порядка, которые ранее отсутствовали в бенчмарк-наборах. Это исследование представляет собой важный шаг в развитии вычислительной геномики, где методы глубокого обучения позволяют преодолеть ограничения традиционных алгоритмов выравнивания. Инструмент может быть полезен для исследований наследственных заболеваний, связанных со структурными вариациями генома, и для персонализированной медицины. Однако в тексте не указаны конкретные числовые метрики точности или скорости, что ограничивает оценку практической значимости.

Исследование представляет scMagnifier — фреймворк консенсус-кластеризации для анализа данных одноядерного секвенирования РНК (scRNA-seq), который решает проблему выявления тонких подтипов клеток, чьи транскрипционные различия часто маскируются техническим шумом и разреженностью данных. Методология включает генерацию in silico возмущений кандидатных транскрипционных факторов (TF), распространение эффектов возмущений через кластер-специфичные сети регуляции генов (GRN) для симуляции профилей экспрессии после возмущения, и интеграцию результатов кластеризации across множественных возмущений в стабильные назначения подтипов. Дополнительно разработан rpcUMAP — визуализация, aware возмущений, обеспечивающая четкое разделение между подтипами клеток и помогающая выбрать оптимальное число кластеров. В бенчмарках как для single-batch, так и multi-batch данных scMagnifier последовательно улучшает разрешение и точность идентификации тонких типов клеток. При интеграции со методами пространственной кластеризации, такими как STAGATE, метод совместим с рабочими процессами пространственной транскриптомики и эффективно выявляет подтипы опухолевых клеток и их пространственную организацию в раке яичников. Это имеет значимость для персонализированной онкологии, позволяя точнее классифицировать опухолевые популяции для таргетной терапии.

Исследование представляет метод PerturbGraph — графовую нейросетевую архитектуру для предсказания транскрипционных ответов на генетические возмущения в функциональной геномике. Методология основана на интеграции сетей молекулярных взаимодействий, функциональных аннотаций и транскрипционных признаков из данных CRISPR Perturb-seq. Модель строит сигнатуры возмущений, представляя сдвиги экспрессии генов относительно контрольных клеток в компактном латентном пространстве программ, что снижает шум и выделяет стабильные транскрипционные вариации. Каждый ген кодируется с использованием обогащённых биологических признаков: эмбеддингов белок-белковых взаимодействий, статистики топологии сети, базовых транскрипционных характеристик и аннотаций Gene Ontology. Графовая нейросеть распространяет информацию по сети взаимодействий для вывода программ возмущений для генов, эффекты которых не наблюдались при обучении. В бенчмарках на неизвестных возмущениях PerturbGraph превосходит классические модели машинного обучения на 6% по косинусному сходству и линейные модели более чем на 20%, улучшая восстановление дифференциально экспрессируемых генов. Результаты демонстрируют, что интеграция биологических сетей взаимодействий с графовым представлением позволяет точно предсказывать транскрипционные эффекты ранее не наблюдавшихся генетических возмущений. Код опубликован в открытом доступе на GitHub.

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.

Nextstrain — это онлайн-платформа для автоматизированного генетического надзора за 21 вирусом и бактериальным патогеном Mycobacterium tuberculosis, обеспечивающая непрерывное обновление данных в реальном времени. Система автоматически выполняет цепочку операций: получение и курирование открытых последовательностей генома, классификация по установленным номенклатурным системам, филодинамический анализ и публичная публикация результатов. Большинство анализов выполняются ежедневно, предоставляя актуальные снимки эволюции патогенов. Платформа использует исключительно открытые данные последовательностей, что делает её доступной для научного сообщества. Все исходные коды доступны на GitHub, результаты визуализации и скачивания — на nextstrain.org/pathogens, а открытые данные и метаданные размещены в отдельном каталоге файлов. Такой подход позволяет общественному здравоохранению получать почти мгновенную информацию об эволюционных и эпидемиологических динамических процессах, что критически важно для принятия своевременных и целенаправленных мер по контролю заболеваний. Платформа демонстрирует, как автоматизация и машинное обучение могут трансформировать эпидемиологический надзор и реагирование на вспышки инфекционных заболеваний.

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.

Биотехнологическая компания Pinnacle Medicines привлекла $89 млн в рамках раунда финансирования серии B от инвесторов из США и Китая, включая OrbiMed, LAV, Foresite Capital и других. Общий объём привлечённого капитала достиг $134 млн с момента основания в 2024 году. Средства будут направлены на перевод доклинического пайплайна в ранние клинические испытания, а также на продолжение исследований и разработок. Компания использует собственную платформу, которая интегрирует технологии искусственного интеллекта с физическими симуляциями для рационального дизайна и оптимизации пептидных терапевтических средств. Первоначальный фокус будет на иммунологии и кардиометаболических показаниях. Соучредитель и научный директор Чэнзао Сун подчёркивает, что быстрый прогресс пайплайна отражает эффективность этого подхода. Пероральные формы пептидов, включая GLP-1 агонисты, стали горячей темой: Novo Nordisk запустила пероральную форму Wegovy, Merck лицензировала платформу Cyprumed за $493 млн, а Protagonist Therapeutics номинировала перорального кандидата на ожирение в июне 2025 года.

Исследование опубликовано в журнале npj Digital Medicine 28 марта 2026 года и посвящено изучению эффективности аудио-визуальных стимулов в диапазоне альфа- (8-12 Гц) и тета- (4-8 Гц) мозговых волн для снижения стресса и эмоционального выгорания. Работа выполнена в специальной отражающей камере, где участники подвергались воздействию синхронизированных световых и звуковых импульсов, предназначенных для индукции релаксационных состояний мозга. Методология включала рандомизированное контролируемое исследование с оценкой физиологических маркеров стресса (кортизол, вариабельность сердечного ритма) и психологических показателей (шкалы воспринимаемого стресса, выгорания). Ключевые результаты показывают статистически значимое снижение уровня стресса сразу после вмешательства, с эффектом, сохраняющимся в течение последующих часов. Исследование демонстрирует потенциал цифровых нейроинтервенций как немедикаментозного подхода к управлению стрессом в клинической и рабочей практике. Работа представляет собой пример применения технологий цифровой медицины для ментального здоровья, что соответствует направлению ИИ-ассистированных терапевтических вмешательств.

Статья в Nature Machine Intelligence посвящена важности воспроизводимости и повторного использования научных исследований в условиях ускоренного роста научной продукции. Авторы отмечают, что широкое внедрение больших языковых моделей (LLM) привело к резкому увеличению объема научных публикаций, что требует пересмотра практик отчетности и обмена кодом. Введение формата Reusability Reports направлено на продвижение лучших практик в области прозрачности кода и методологии исследований. Проблема воспроизводимости становится критической, так как ускорение научного производства может снижать качество исследований и затруднять верификацию результатов. Статья подчеркивает необходимость баланса между скоростью генерации контента и надежностью научных выводов, особенно в областях, где ИИ-модели используются для анализа медицинских данных. Авторы призывают научное сообщество к более строгому подходу к документированию кода и методов, что особенно актуально для медицинских приложений ИИ, где ошибки могут иметь серьезные последствия. Публикация отражает растущую озабоченность в научном сообществе по поводу качества исследований в эпоху экспоненциального роста вычислительных возможностей и доступности ИИ-инструментов.

Статья посвящена применению фреймворка управления рисками искусственного интеллекта от Национального института стандартов и технологий США (NIST AI RMF) в медицинских организациях. Введение упоминает, что к началу 2026 года крупные игроки генеративного ИИ — OpenAI (ChatGPT) и Anthropic (Claude) — расширили свои сервисы для здравоохранения и науки о жизни. Отмечается, что более 40% врачей в США ежедневно используют платформу OpenEvidence для поиска рецензируемых исследований и поддержки принятия решений на основе доказательств. Статья исследует, как медицинские организации могут адаптировать принципы управления рисками ИИ для безопасного внедрения генеративных моделей в клинические рабочие процессы. Особое внимание уделяется вопросам валидации, прозрачности алгоритмов и защиты данных пациентов при использовании ИИ-систем. Материал рассматривает регуляторные аспекты внедрения ИИ в медицину и предлагает практические рекомендации для медицинских учреждений.