ИИ в медицине

Представлена мультимодальная модель BCMM, объединяющая МРТ молочной железы и клинические данные для прогнозирования остаточной опухолевой нагрузки (RCB) после неоадъювантной терапии. Модель достигла AUC 0.826 на внутренней перекрестной валидации в когорте I-SPY1, что демонстрирует перспективность подхода, но требует внешней валидации.

Представлена ARTNet — трансформерная нейросеть для автоматической классификации и сегментации диабетической ретинопатии (ДР) по снимкам глазного дна. Модель объединяет три подсети: адаптивную канальную калибровку, пространственное внимание к клинически значимым областям и трансформерный энкодер для глобального контекста. На наборах данных Diabetic Retinopathy Detection, APTOS-2019 и IDRiD модель достигает точности 96.45% и превосходит современные подходы, поддерживая реальный скрининг в офтальмологии.

В исследовании на основе клинического испытания COMPASS созданы молекулярные цифровые двойники пациентов с помощью байесовской фундаментальной модели рака FarrSight®. Индивидуальные прогнозы ответа на mFOLFIRINOX показали значительно лучшие показатели AUC, точности, PPV и NPV по сравнению с классификацией Moffitt, что указывает на потенциал для улучшения отбора пациентов на терапию.

В статье представлен агент DK-LLM, построенный на основе LangChain и встроенной базы медицинских знаний, для решения специализированных вопросов торакальной хирургии. Модель показала улучшение результатов на 11,8 балла по сравнению с версией без локальной базы знаний, но уступила опытным хирургам. Авторы подчеркивают, что оценка на 56 вопросах не подтверждает клиническую эквивалентность или готовность к реальному применению.

Статья представляет TurboQuant-Bio — открытый инструментарий для сжатия весов и кэша внимания геномной фундаментальной модели Evo 2 до 4 бит без калибровочных данных. Это позволяет запускать конфигурацию Evo 2 с 40 миллиардами параметров на одном GPU с 80 ГБ памяти, а версию с 7 миллиардами параметров — с полным контекстом в миллион токенов в пределах 40 ГБ, что дает восьмикратное увеличение достижимого контекста. Сжатие почти без потерь по таким задачам, как перплексия на всем дереве жизни, классификация геномов, предсказание сайтов сплайсинга, завершение генов и клинически значимое предсказание эффектов вариантов. Авторы также обнаружили, что опубликованный путь chunked-prefill в Evo 2 молчаливо некорректен, возвращая правдоподобные, но некоррелированные вероятности, и предложили блочное продолжение, исправляющее эту проблему. Благодаря этому полный геном бактерии размером 580 килобаз теперь оценивается в одном контексте за 22 минуты вместо 13,7 часов. Работа имеет прямое отношение к применению ИИ в медицине, особенно в области геномной диагностики и анализа вариантов.

Статья представляет BloClaw — рабочую станцию для научных исследований с искусственным интеллектом (AI4S), предназначенную для аудируемой вычислительной биологии. Основной принцип системы: научный агент должен знать, что он может делать, показывать, как он это сделал, и указывать, что осталось непроверенным. Каждая функциональная возможность описывает состояние выполнения, ограничения входных данных, зависимости, ожидаемые результаты и научные ограничения. Запросы на естественном языке преобразуются в структурированные задачи, проверяются на соответствие реестру возможностей, выполняются с помощью научных инструментов и записываются в журнал Living Lab Notebook с отслеживанием происхождения данных. Система обнаруживает недопустимые входные данные, сбои вызовов инструментов, отсутствующие зависимости и тайм-ауты, направляя их на исправление, повторную попытку или эскалацию. Реализованный и протестированный функционал включает скрининг молекулярных свойств и правил на основе RDKit, анализ структуры белков, проверку поз докинга, 3D-визуализацию и структурированную отчетность. Демонстрация на структуре осимертиниба из PubChem и артефакте докинга 6LU7 показала детерминированные дескрипторы (молекулярная масса 499.619 Да, cLogP 4.5098, TPSA 87.55 Ų) и 2387 записей атомов белка, 309 остатков и девять записей поз. Авторы подчеркивают, что это демонстрация рабочего процесса, а не исследование эффективности или сродства. Также описана предлагаемая конструктивная модель с минимизацией априорных предположений, где целевая функция компилируется в физические, химические и системные ограничения, а наблюдения используются для калибровки и фальсификации. Описан протокол оценки, сравнивающий BloClaw со стандартным однопроцессным агентом и фиксированными скриптами по полноте задач, научной корректности, успешности восстановления, полноте происхождения, воспроизводимости, времени рецензирования, задержке и стоимости. Система позиционируется как уровень исполнения и подотчетности для ИИ-ассистированных исследований, дополняющий экспертный анализ и экспериментальную валидацию.

В статье представлен AnnFlux — новый метод на основе нейронных стохастических дифференциальных уравнений (SDE), который моделирует динамику клеточных популяций в ответ на генетические и химические вмешательства (возмущения). В отличие от большинства существующих моделей, которые учат статическое отображение между возмущением и конечным состоянием клеток, AnnFlux обучает дрейфовое поле в латентном пространстве клеточных состояний, учитывая временную эволюцию и комбинаторные эффекты возмущений. Ключевая особенность — объектно-обусловленное conditioning: модель позволяет запрашивать дрейф для каждого отдельного возмущающего объекта (гена или лекарства), что делает дрейфы сопоставимыми между разными генами и препаратами. Метод продемонстрировал способность интерполировать пропущенный временной шаг в тайм-курсе эпителиально-мезенхимального перехода и предсказывать ответы на невиданные ранее возмущения. Кроме того, AnnFlux улучшает точность распределения (distributional fidelity) и предсказывает ответы на комбинации возмущений, которые не встречались в обучающих данных. В независимом пан-раковом пространственном атласе предсказанный AnnFlux IFN-сигнатурный ответ был ассоциирован с близостью к TLS (третичным лимфоидным структурам), что подтверждает биологическую значимость предсказаний. Предложенная структура позволяет отображать эволюцию клеточных состояний как непрерывные траектории и представлять невиданные возмущения с помощью эмбеддингов на основе предварительных знаний. Работа имеет прямое отношение к применению ИИ в медицине, особенно в области персонализированной медицины и понимания механизмов действия лекарств.

Исследование, опубликованное в виде научного препринта, посвящено истинной полицитемии (PV) — редкому хроническому миелопролиферативному заболеванию, вызванному мутацией JAK2V617F и характеризующемуся неконтролируемой пролиферацией эритроидных клеток. Хотя мутация возникает в гемопоэтических стволовых клетках, стадия дифференцировки, на которой её транскрипционные последствия впервые становятся биологически значимыми, оставалась неопределённой. Авторы применили многоуровневый транскриптомный подход, объединивший дифференциальную экспрессию генов, анализ лиганд-рецепторных взаимодействий NicheNet, траекторный анализ псевдовремени и профилирование CNV на данных scRNA-seq с последующей валидацией на объемных транскриптомах. В результате базофильные эритробласты идентифицированы как критическая точка перехода, где JAK2V617F переключается из состояния «геномно присутствующей, но транскрипционно молчащей» мутации в активный драйвер заболевания, изменяющий траекторию дифференцировки и отвечающий на терапию. Дифференциальная экспрессия выявила качественно отличный сигнатурный профиль на этой стадии, включая ERFE-опосредованную дисрегуляцию железа, коактивацию RAS/MAPK через MAP2K2 и эпигенетическое перепрограммирование. NicheNet показал формирование оси ремоделирования ниши, управляемой суперсемейством TGF-β и хемокинами, а псевдовременной анализ продемонстрировал, что базофильные эритробласты — первая эритроидная популяция с дивергенцией траекторий, зависящей от состояния, тогда как более ранние предшественники не проявляли её, несмотря на носительство мутации. Лечение интерфероном давало наиболее широкий контр-ответ именно на этой стадии, резко снижаясь впоследствии, что определяет базофильные эритробласты как главную терапевтическую мишень и точку максимальной уязвимости при PV. Работа имеет прямое значение для понимания патогенеза и оптимизации таргетной терапии миелопролиферативных заболеваний.

В статье представлен SNAIL — гибридная система распознавания именованных сущностей (NER) для автоматического выявления названий биоинформатического ПО и баз данных (SW/DB) в биомедицинских текстах. Система сочетает лексический анализ (орфографические паттерны и контекстные сигналы) с семантическим моделированием на основе трансформерных языковых моделей, таких как SciBERT, и использует стратегию маскирования токенов для улучшения представлений, ориентированных на сущности. Обучающий корпус был создан автоматически с помощью гибридного конвейера, объединяющего извлечение по цитатам и дистилляцию с использованием больших языковых моделей. Оценка на двух независимых бенчмарках и реальных научных статьях показала, что SNAIL значительно превосходит существующие подходы, включая специализированные методы (bioNerDS2) и универсальные LLM (ChatGPT, Gemini, Grok, Claude). Применение SNAIL к крупномасштабному анализу литературы выявило различия в предпочтениях инструментов на уровне журналов в разных подполях биоинформатики. Результаты демонстрируют, что SNAIL обеспечивает точное и масштабируемое решение для идентификации биоинформатических ресурсов в научных текстах и позволяет проводить систематический мета-анализ использования инструментов и исследовательских трендов.

В статье представлен spatialMET — открытый программный фреймворк для сквозного анализа данных визуализации масс-спектрометрии (MSI), позволяющий получать пространственно разрешенные метаболомные данные из срезов тканей. Платформа объединяет предобработку, обнаружение пространственных доменов и визуализацию в едином интерфейсе, устраняя необходимость комбинировать несколько разрозненных инструментов или использовать проприетарное ПО вендоров. Ключевой особенностью является алгоритм hcdist — реализация иерархической кластеризации на C, которая значительно снижает время выполнения и потребление памяти по сравнению с существующими R-решениями. Фреймворк работает как через интерактивное R Shiny-приложение, так и через командную строку для высокопроизводительных вычислительных сред. На данных MALDI-MSI мелкоклеточного рака легкого мыши (284 673 пикселя) spatialMET идентифицировал опухолевые, стромальные и прилегающие легочные домены, совпадающие с гистологией. Дифференциальный анализ выявил 117 m/z-признаков, различающихся между опухолевыми и стромальными областями, а анализ пространственной автокорреляции показал структурированные паттерны распределения метаболитов. Масштабируемость подтверждена на данных аденокарциномы легкого мыши (338 477 пикселей), где платформа захватила пространственную гетерогенность опухоли и окружающей ткани. spatialMET распространяется в виде Docker-контейнера для воспроизводимого развертывания, исходный код доступен на GitHub.

Детская глиома низкой степени злокачественности (pLGG) — наиболее распространенный тип опухоли мозга у детей, составляющий около 30% всех опухолей центральной нервной системы у детей. pLGG имеет множество молекулярных подтипов, различающихся по прогрессированию заболевания, характеру рецидивов и ответу на лечение. Традиционные лабораторные методы молекулярного профилирования и гистопатологии трудоемки, дороги и медленны. Существующие методы ИИ/МО для молекулярной классификации pLGG обычно выделяют лишь два-три подтипа. Авторы разработали интегрированный подход мета-кластеризации Meta-pLGG, который позволяет выявлять высокоразрешающие молекулярные подтипы и их транскрипционную гетерогенность. Метод включает многократную случайную проекцию (RP) для снижения размерности транскриптомных данных, кластеризацию с помощью шести алгоритмов (иерархическая, K-means, SOM, NMF, GMM, спектральная) и взвешенную мета-кластеризацию (wMetaC) для объединения результатов. На данных 532 пациентов с pLGG подход показал превосходную стабильность и дискриминационную способность по сравнению с традиционными методами. Анализ консенсусной матрицы выявил два основных мега-подтипа, один из которых делится на три подгруппы, другой — на две. Дифференциальный анализ экспрессии генов, молекулярных путей и связей ген-лекарство-болезнь показал значительную транскрипционную гетерогенность между пятью подгруппами. Результаты демонстрируют более высокую производительность и надежность мета-кластеризации для выявления подтипов pLGG, что может способствовать более точной молекулярной классификации и персонализированной терапии.

В статье исследуется, применимы ли эмпирические законы масштабирования, известные для больших языковых и визуальных моделей, к фундаментальным моделям, обучаемым на данных секвенирования одноклеточной РНК (scRNA-seq). Авторы показывают, что loss при предобучении систематически снижается с ростом размера модели и вычислительных затрат, демонстрируя степенную зависимость от размера модели. Однако сила и регулярность этих трендов различаются в зависимости от архитектуры модели. Также выявлены эмпирические соотношения, связывающие оптимальную скорость обучения и соотношение глубины к ширине с размером модели и вычислительными ресурсами. Эти результаты подтверждают, что принципы масштабирования применимы к моделированию транскриптомных данных, и предоставляют количественную основу для оценки ожидаемой отдачи от дополнительных ресурсов и выбора подходящих гиперпараметров и архитектур. Работа важна для разработки более мощных фундаментальных моделей в омиксных исследованиях, что может ускорить прогресс в понимании биологии клеток и заболеваний.

Статья представляет BARCS — новый статистический метод, расширяющий бета-биномиальную модель условного общего количества библиотеки до регрессии на уровне направляющих РНК с произвольной матрицей дизайна. Это позволяет напрямую оценивать эффекты времени, ковариат и взаимодействий в продольных, донор-скорректированных и факторных CRISPR-скринингах, которые ранее анализировались только попарными сравнениями. В четырех повторных Cas13-скринингах добавление промежуточной временной точки незначительно улучшило восстановление essential-генов. При применении единого правила масштабирования нецелевых контролей BARCS, MAGeCK-MLE, edgeR-QL, DESeq2 и limma-voom показали схожую калибровку, но четыре альтернативы ранжировали essential-гены сильнее, чем BARCS. В упорядоченном скрининге IL2RA с бинами донор-скорректированный BARCS выявил больше подтвержденных регуляторов при меньшем числе вызовов, чем MAGeCK-MLE, однако перекрестно подобранные контроли выявили избыточную значимость на уровне направляющих. Симуляции показали выигрыш от умерения дисперсии и знаменателей на основе контролей, но также выявили чувствительность к выбору знаменателя и существенные ошибки на уровне генов, связанные с агрегацией коррелированных направляющих. Внешний аудит, вызванный опасениями о ложных открытиях, показал, что заявленное число нулевых открытий для CB2 исчезло при восстановлении полных итогов библиотеки, что скорректировало один результат, но не опровергло более широкую проблему калибровки. BARCS вносит вклад в виде многофакторного расширения модели и четкого описания границ применимости: коэффициенты на уровне направляющих поддерживаются независимыми биологическими библиотеками, тогда как сводки на уровне генов и дизайны с разделенными бинами требуют корреляционно-осознанной агрегации или совместного моделирования, которое текущая реализация предоставляет диагностически, а не генеративно. Работа важна для биоинформатики и анализа данных CRISPR-скринингов, где точная статистическая обработка критична для надежных выводов.

В статье представлен открытый программный пакет DYNAM-O (Dynamic Oscillation Toolbox) для анализа электроэнцефалограммы (ЭЭГ) сна, который позволяет выявлять индивидуальные нейронные сигнатуры. В отличие от традиционных методов, основанных на предопределенных частотных диапазонах и усреднении, DYNAM-O использует мультитаперные спектрограммы и новую мультиразрешающую процедуру для идентификации транзиторных осцилляций как пиков в частотно-временной области. Для каждого события вычисляются внутренние и внешние (зависящие от стадии сна) признаки, а распределения десятков тысяч пиков представляются в виде гистограмм, отражающих частоту осцилляций, мощность медленных волн и их фазу. Такой подход сохраняет непрерывную вариативность мозговой активности, которая может теряться при усреднении по стадиям сна. Пакет включает методы снижения размерности на основе гауссовых и сплайновых базисов, визуализацию и статистические тесты для анализа гистограмм. Для демонстрации возможностей авторы проанализировали ночные записи ЭЭГ (канал C3) 133 взрослых участников (71 женщина, 72 мужчины, возраст 20–35 лет) из исследования Cleveland Family Study. Анализ подтвердил известное различие в центральной частоте быстрых сонных веретен у женщин и выявил более высокую активность транзиторных осцилляций в низкоальфа-диапазоне у женщин, что выходит за рамки традиционного диапазона веретен. DYNAM-O предоставляет полный цикл анализа — от извлечения пиков до статистического вывода, что делает его доступным и интерпретируемым инструментом для изучения индивидуальной физиологии сна и поиска тонких воспроизводимых электрофизиологических паттернов.

Пространственные омиксные технологии позволяют изучать молекулярную экспрессию и пространственную организацию тканей на уровне отдельных клеток, однако профилирование целых слайдов остаётся дорогостоящим. На практике обычно анализируются лишь несколько областей интереса (ROI), а остальная ткань остаётся неизученной. Ранее предложенный фреймворк S2-omics объединял выбор ROI с предсказанием вне ROI, но работал на суперпикселях, а не на отдельных клетках, и предсказывал дискретные типы клеток вместо непрерывных молекулярных профилей. В новой работе представлен RECON — двухэтапный фреймворк, который выполняет выбор ROI и реконструкцию молекулярных профилей всего слайда с разрешением отдельных клеток, предсказывая как непрерывные молекулярные профили, так и дискретные типы клеток. На первом этапе RECON извлекает морфологические и микросредовые признаки из отдельных клеток для идентификации репрезентативной ROI для пространственного молекулярного профилирования. На втором этапе RECON обучает модели глубокого обучения на молекулярных измерениях, полученных в выбранной ROI, и реконструирует транскриптомные или протеомные профили для всех остальных клеток на слайде. В сравнении с аннотациями патологов выбор ROI в RECON превосходит подходы на основе суперпикселей S2-omics (IoU: 0.75 против 0.64). Для транскриптомики переход от суперпикселей к отдельным клеткам улучшает корреляцию Пирсона по генам на 22%. Для протеомики RECON превосходит современный метод ROSIE по всем 16 маркерам, достигая медианной корреляции Пирсона на клетку 0.91 против 0.84. Кроме того, RECON delineates границы опухолей и области с различной плотностью иммунных клеток, а также выявляет кандидатные третичные лимфоидные структуры. Эти результаты демонстрируют, что RECON обеспечивает информативный выбор ROI и реконструкцию молекулярных профилей всего слайда с разрешением отдельных клеток как для пространственной транскриптомики, так и для пространственной протеомики.

В статье представлена новая система iDMS (интеллектуальная дифференциальная ионная мобильная спектрометрия), которая использует глубокую нейронную сеть для автоматического прогнозирования оптимальных параметров разделения изомерных моногликосфинголипидов в масс-спектрометрии. Проблема заключается в том, что стандартные методы LC-ESI-MS/MS не могут разделить бета-глюкозил и бета-галактозил эпимеры, что необходимо для мониторинга ферментативных нарушений при таких заболеваниях, как болезнь Гоше, Паркинсона и Краббе. Добавление FAIMS/DMS в качестве ортогональной техники позволяет разделять эпимерные ионные кластеры, но требует ручного подбора параметров (SV и CoV) для каждого липида, что трудоемко и требует чистых синтетических стандартов. Авторы разработали модель машинного обучения, которая обучается на измеренных интенсивностях сигналов для 12 липидов и предсказывает комбинации SV и CoV для разрешения любой пары стереоизомеров. Это ускоряет внедрение MRM-анализов для быстрого количественного определения биологически значимых моногликосфинголипидов. Метод обещает значительное сокращение времени и ресурсов на оптимизацию, а также расширение числа стереоизомеров, которые можно включить в анализ. Работа имеет прямое применение в клинической диагностике и исследованиях наследственных заболеваний.

Статья в npj Digital Medicine (опубликована 4 сентября 2026 года) представляет обзор и анализ платформ, использующих искусственный интеллект для эпиднадзора за инфекционными заболеваниями. Авторы рассматривают архитектурные подходы, включая интеграцию данных из электронных медицинских карт, лабораторных систем, данных секвенирования патогенов и неструктурированных источников (новости, соцсети). Описаны ключевые компоненты таких платформ: конвейеры сбора и нормализации данных, модули обнаружения вспышек на основе ML-моделей (например, временные ряды, графовые нейросети), а также интерфейсы визуализации для эпидемиологов. Приводятся примеры реальных систем, таких как HealthMap, EPIWATCH и BlueDot, с акцентом на их способность раннего предупреждения: в среднем на 3-7 дней раньше традиционных методов. Обсуждаются проблемы валидации моделей, нехватки стандартизированных данных и этические вопросы конфиденциальности. Авторы подчеркивают необходимость создания открытых стандартов и межведомственного сотрудничества для повышения готовности к пандемиям. Статья имеет прямое отношение к применению ИИ в медицине, особенно в области общественного здравоохранения и эпидемиологии.

Визуализационная масс-цитометрия (IMC) позволяет одновременно количественно определять более 40 белковых маркеров на уровне отдельных клеток в тканях, однако биологически достоверное фенотипирование в масштабе остается критическим узким местом. Неконтролируемая кластеризация либо фрагментирует когерентные популяции, либо, наоборот, объединяет биологически некогерентные в один кластер, а контролируемые классификаторы навязывают закрытый словарь признаков. Кроме того, наличие редких субпопуляций (кодирующих клинически значимую биологию) наряду с обильными субпопуляциями может негативно сказываться на эффективности детекции. Авторы представляют AltraFlowSOM — полууправляемое расширение FlowSOM, которое встраивает частичные экспертные аннотации непосредственно в обучение самоорганизующейся карты (SOM) через двухслойную архитектуру SuperSOM, балансируя привязку топологии к меткам с неконтролируемым обнаружением новых популяций. За счет привязки карты к биологически размеченным референсным точкам AltraFlowSOM обходит каноническую зависимость между коррекцией батч-эффектов и кластеризацией. В оценке с перекрестной валидацией leave-one-out на двух независимых когортах IMC — волчаночный нефрит (n=22 ROI) и синдром Шегрена (n=10 ROI) — AltraFlowSOM превзошел все неконтролируемые и контролируемые базовые методы по скорректированному индексу Рэнда, F1-мерам (макро и взвешенной), взвешенной чистоте и идентификации редких популяций. Медианное восстановление Treg-клеток превысило показатели всех сравниваемых методов. AltraFlowSOM разрешает трилемму масштабируемости, выравнивания и открытия, устанавливая полууправляемую SOM как обобщаемый метод для высокоразмерного фенотипирования IMC.

В статье представлен siProGenA — новый генеративный подход к конструированию кандидатов малых интерферирующих РНК (siRNA) для сайленсинга генов. Традиционные пайплайны перечисляют все возможные окна на мРНК, назначают каждой каноническую направляющую последовательность и затем ранжируют готовые пары siRNA-мРНК с помощью предсказателей эффективности. Это создает разрыв: позиции и последовательности кандидатов фиксируются до начала ранжирования, что ограничивает пространство поиска. Авторы разбивают задачу на два генеративных этапа: предложение позиций внутри сегмента мРНК (с помощью дискретной диффузионной модели D3PM) и генерацию направляющих вариантов с учетом ограничений (с помощью байесовской сети потоков BFN с контролем температуры). На 62 положительных тестовых сегментах итоговая библиотека, учитывающая разнообразие, достигает Hit@1 = 0.790 и Hit@5 = 0.903. В контролируемом по измеренным сайтам Stage 2 оценке варианты, сохраняющие затравку и сайт расщепления, превосходят канонический комплемент для 89.8% измеренных сайтов, с дополнительными улучшениями по вычислительным скорам, контролям случайных несоответствий и биофизическим диагностикам. Результаты подтверждают эффективность модульного подхода «предложение-генерация» для приоритизации компактных наборов кандидатов siRNA, что важно для разработки терапевтических РНК-препаратов и функциональной геномики.