Поиск

Исследование оценивает пять методов вывода локальной родословной (local ancestry inference), включая две вероятностные базовые модели, RFMix, FLARE и свёрточную нейронную сеть с дилатацией, на данных с различной генетической дивергенцией (FST от 0.0022 до 0.243). Выявлено три ключевых результата: во-первых, существует порог осуществимости — при FST=0.0022 ни один метод не превышает точность 0.575, а для пары CHB/CHS при FST=0.00042 максимум составляет 0.551, что делает невозможным тонкий анализ близкородственных популяций. Во-вторых, точность на уровне отдельных позиций скрывает структурные ошибки: наиболее точный метод генерирует в 78.8 раз больше трактов, чем должно быть, что приводит к оценке времени адмиксации в 61.2 раз древнее реального, однако Viterbi-декодирование устраняет эту проблему без потери точности. В-третьих, превосходство методов на симулированных данных не воспроизводится на реальных данных 1000 Genomes, и основной лимитирующий фактор — не архитектура модели (внимание, state-space слои, предобучение дают прирост не более 0.006), а качество входных данных и размер референсной панели (добавление гаплотипной информации даёт +0.031 на 8 из 8 пар при FST<0.04). Работа имеет значение для генетических исследований заболеваний и персонализированной медицины, поскольку точный вывод родословной критичен для admixture mapping и ancestry-specific association testing.

Статья опубликована в рецензируемом журнале npj Digital Medicine 31 июля 2026 года и посвящена влиянию генеративного искусственного интеллекта на образование медицинских работников. Работа рассматривает трансформацию учебных программ и педагогических подходов в условиях распространения генеративных ИИ-моделей. Исследование анализирует возможности и вызовы, которые технологии ИИ создают для подготовки врачей, медсестёр и других специалистов здравоохранения. Авторы обсуждают необходимость адаптации образовательных стандартов, интеграции ИИ-инструментов в учебный процесс и развития новых компетенций у студентов. Особое внимание уделяется этическим аспектам использования ИИ в медицинском образовании и подготовке кадров к работе в цифровой среде. Статья представляет интерес для образовательных учреждений, регулирующих органов и преподавателей медицинских дисциплин.

Данная публикация представляет собой письмо-ответ, опубликованное в рецензируемом журнале npj Digital Medicine 1 августа 2026 года. Статья является реакцией на ранее опубликованное исследование о влиянии вовлечённости медицинских специалистов на эффективность систем искусственного интеллекта для скрининга электрокардиограмм (ЭКГ). Тема непосредственно касается применения машинного обучения в кардиологической диагностике — области, где ИИ-алгоритмы анализируют ЭКГ-сигналы для выявления аритмий, ишемии и других патологий сердца. Ключевой вопрос, поднимаемый в оригинальном исследовании и обсуждаемый в данном ответе, заключается в том, насколько активное участие врачей в процессе внедрения ИИ-инструментов влияет на клинические результаты и точность диагностики. Журнал npj Digital Medicine является авторитетным источником в области цифровой медицины и публикует исследования на стыке технологий и здравоохранения. Однако предоставленный фрагмент содержит только метаданные публикации без доступа к полному тексту ответа, поэтому конкретные аргументы авторов, методологические детали и количественные результаты недоступны для анализа. Для получения полной информации необходимо обратиться к оригинальной публикации по DOI: 10.1038/s41746-026-03096-1.

Исследование демонстрирует применение белковых языковых моделей (pLM) — разновидности ИИ для анализа белковых последовательностей — к метагеномным данным. Авторы показывают, что pLM могут раскрыть функциональный потенциал миллиардов белков из некультивируемых микроорганизмов, когда обучающие данные правильно курированы. Разработана метрика RED (Residue Embedding Diversity) для оценки качества белков, которая работает на порядки дешевле традиционных методов на основе правдоподобия. Обнаружен фундаментальный компромисс между эволюционной калибровкой моделей и структурным моделированием: состав обучающих данных является ключевым фактором, определяющим поведение pLM. Исследователи успешно извлекли разнообразные кандидаты в ферменты из миллиардов метагеномных последовательностей и подтвердили их экспрессию in vivo. Работа имеет значение для открытия новых терапевтических ферментов и понимания микробиома, хотя прямое клиническое применение не демонстрируется.

Исследование представляет оптимизированный алгоритм множественного выравнивания циклических последовательностей (MCSA) для анализа библиотек циклических пептидов в разработке лекарств. Циклические пептиды с циклизацией голова-к-хвосту сочетают высокую аффинность и селективность с метаболической стабильностью, но их анализ требует решения проблемы неизвестной ротации каждой последовательности. Существующие эвристики MCSA были оптимизированы для геномных данных и становятся чрезмерно медленными при работе с сотнями и тысячами коротких пептидных последовательностей. Авторы разработали оптимизации, включая библиотеку пресетов для коротких последовательностей и многопоточный бэкенд с поддержкой SIMD, обеспечивающий почти линейное масштабирование. Метод валидирован на библиотеке из 1000 H2T-циклизованных пептидов длиной 18 аминокислот, нацеленных на онкопротеин MDM2. Оптимизированный MCSA восстанавливает позиционные мотивы связывания MDM2 с той же точностью, что и оригинальная реализация, но работает в 650 раз быстрее. Инструмент открыто доступен и позволяет проводить выравнивание циклических пептидов в масштабах библиотек для де novo дизайна пептидов с использованием генеративных моделей.

Vanderbilt Health и Siemens Healthineers заключили многолетнее партнёрство на $87 млн для модернизации диагностической визуализации и лучевой онкологии в больницах Нэшвилла. Соглашение включает изучение возможностей внедрения ИИ-технологий и инноваций рабочих процессов в радиологии и персонализированной медицине, хотя основная фокусировка — на оборудовании и инфраструктуре.

Статья рассматривает роль искусственного интеллекта в медицинских исследованиях и подчёркивает критическую важность качественного управления данными для работы ИИ-инструментов. Авторы указывают, что возможности ИИ для ускорения исследований практически безграничны: алгоритмы могут анализировать информацию, выявлять закономерности и строить прогнозы быстрее человека, что способствует расширению понимания сложных заболеваний и разработке жизненно важных терапий. Однако надёжность ИИ-систем напрямую зависит от качества данных, на которых они обучаются. Ключевым решением названа система управления данными (data governance) — набор стандартов и политик, регулирующих сбор, организацию, хранение и обмен медицинской информацией. Без прочной инфраструктуры управления данными даже самые совершенные ИИ-инструменты не смогут обеспечить достоверные результаты. Материал адресован руководителям медицинских исследований и ИТ-специалистам здравоохранения, занимающимся внедрением ИИ-технологий.

OpenAI опубликовала отчёт о применении ИИ-агентов для разработки научного программного обеспечения в восьми проектах, охватывающих геномику, иммунологию, статистику и секвенирование РНК. В пяти случаях использовался Codex, в трёх — комбинация Codex и Claude Code от Anthropic. Конкретные результаты включают: симулятор чтения ДНК HI.SIM сократил время выполнения на 31% после оптимизации агентом GPT-5.2/5.6; инструмент сборки генома Hifiasm ускорился на 25% на целевых данных и на 15% на человеческих последовательностях; библиотека bayesm-rs на Rust превзошла оригинал на R в 2.3–9.5 раз по скорости; проект MHCflurry мигрировал бэкенд с TensorFlow/Keras на PyTorch с сохранением совместимости весов моделей. Авторы подчёркивают, что агенты эффективны для рутинных задач (оптимизация, портирование, сборка), но экспертное руководство остаётся незаменимым. Исследование демонстрирует потенциал ИИ для решения проблемы технического долга в научном ПО, где академические команды часто не имеют ресурсов для поддержки кода.

Статья рассматривает критическую проблему устойчивости медицинских организаций в условиях нарастающего давления: участившихся кибератак, сокращения операционной маржи и дефицита персонала. Основной акцент сделан на необходимости перехода от простой защиты к концепции киберустойчивости (cyber resilience), которая позволяет медицинским учреждениям быстрее восстанавливаться после инцидентов. Автор подчеркивает, что сбои в ИТ-инфраструктуре и цепочках поставок напрямую угрожают безопасности пациентов, вызывая задержки в работе лабораторий и нарушая непрерывность ухода. В материале предлагается интегрировать готовность к восстановлению (recovery readiness) как неотъемлемую часть стратегии обеспечения безопасности пациентов. Это подразумевает создание систем, способных поддерживать бизнес-процессы даже при отказе критически важных ИТ-компонентов. Внедрение подобных подходов позволяет минимизировать риски для здоровья людей и снизить экономический ущерб от киберкризисов.

Стартап Procode AI успешно завершил раунд финансирования серии A, привлечив 10 миллионов долларов инвестиций. Основная цель компании — развитие интеллектуальной системы управления циклом доходов (RCM), специализирующейся на автоматизации процесса выставления счетов в хирургических отделениях. Использование технологий искусственного интеллекта позволит оптимизировать финансовые потоки медицинских учреждений и снизить ошибки при кодировании процедур. Полученные средства будут направлены на стратегическое расширение бизнеса, включая две запланированные сделки по поглощению других компаний в ближайшие месяцы. Данный проект демонстрирует растущий интерес инвесторов к внедрению ИИ в административные и финансовые процессы здравоохранения для повышения их эффективности.

Компания Aurenar объявила о получении 5,7 млн долларов США в рамках раунда посевного финансирования (seed round). Средства будут направлены на развитие технологической платформы неинвазивной нейромодуляции, возглавляемой основателем и генеральным директором Эриком Лютхардтом (Eric Leuthardt, M.D.). Данная технология относится к области высокотехнологичного медицинского вмешательства, направленного на воздействие на нервную систему без хирургического проникновения. Несмотря на краткость сообщения, проект представляет интерес для сектора цифровой медицины и нейротехнологий. Финансирование позволит компании расширить свои научно-исследовательские возможности и ускорить разработку продукта. Проект находится на ранней стадии коммерциализации, что характерно для стартапов в сфере глубоких медицинских технологий (deep tech).

Компания Included Health, специализирующаяся на виртуальной медицинской помощи и навигации по услугам здравоохранения, объявила о стратегическом приобретении компании Firefly Health. Данная сделка направлена на расширение возможностей предоставления альтернативных планов медицинского страхования, ориентированных на корпоративный сектор (работодателей). Основная цель интеграции заключается в масштабировании моделей управления здоровьем, которые предлагают более эффективные и персонализированные подходы к медицинскому обслуживанию по сравнению с традиционными страховыми продуктами. Сделка позволит объединить технологии виртуального ухода и навигационные инструменты для оптимизации доступа сотрудников компаний к качественной медицинской помощи. Это развитие подчеркивает тренд на цифровизацию управления страховыми планами и внедрение более гибких моделей здравоохранения в корпоративную среду.

Российская компания «Кросстех» отмечает растущий рыночный спрос на услуги по анализу защищенности систем искусственного интеллекта. Основная проблема заключается в уязвимости современных ML-моделей к специфическим атакам, таким как отравление данных (data poisoning) и состязательные атаки (adversarial attacks), которые могут исказить результаты работы алгоритмов. Специалисты подчеркивают, что внедрение ИИ в критически важные бизнес-процессы требует обязательного аудита безопасности для предотвращения манипуляций с выводами моделей. В рамках исследования запросов выявлено, что компании стремятся минимизировать риски несанкционированного доступа к весам моделей и защиты интеллектуальной собственности. Данная тенденция указывает на переход ИИ-решений из стадии чистого экспериментирования в фазу промышленной эксплуатации, где безопасность становится приоритетным фактором. Практическая значимость заключается в необходимости разработки новых стандартов кибербезопасности, специфичных именно для архитектур нейронных сетей.

Следственный комитет Российской Федерации инициировал разработку законопроекта, направленного на ужесточение уголовной ответственности за преступления, совершенные с применением современных технологий. Основное внимание в документе уделяется использованию искусственного интеллекта (ИИ), информационно-коммуникационных технологий (ИКТ), а также средств анонимизации, таких как VPN-сервисы и прокси-серверы. Глава СК Александр Бастрыкин подчеркивает необходимость законодательного закрепления данных инструментов как отягчающих обстоятельств при совершении противоправных действий. Данная инициатива направлена на противодействие киберпреступности и использование алгоритмов машинного обучения для создания дипфейков или автоматизации мошеннических схем. Реализация законопроекта может существенно изменить правовое поле для разработчиков ИИ и пользователей сетевых технологий в России. Для медицинского сектора это означает усиление контроля за использованием ИИ-решений в цифровой среде и необходимость строгого соблюдения протоколов безопасности при работе с данными.

В Подмосковье внедрена новая цифровая система для оптимизации процесса получения компенсаций за детский сад, использующая технологии искусственного интеллекта. Основная инновация заключается в интеграции сервиса ИИ-распознавания документов, который позволяет автоматически считывать данные из подаваемых заявлений и сопутствующих бумаг. Кроме того, внедрен сервис автозаполнения, минимизирующий ошибки ручного ввода и сокращающий время обработки обращений гражданами. Данное решение направлено на цифровизацию государственных социальных услуг и снижение административной нагрузки на сотрудников ведомств. Внедрение ИИ-инструментов позволяет ускорить процесс верификации данных и повысить точность распределения выплат. Несмотря на то, что технология применяется в административном секторе, она демонстрирует практическое использование машинного зрения в государственном управлении.

Исследование направлено на выяснение молекулярных механизмов связи между острым инфарктом миокарда (ОИМ) и периодонтитом (ПД) с использованием комплексного биоинформатического подхода. Авторы интегрировали транскриптомные данные из нескольких наборов Gene Expression Omnibus (GSE66360, GSE48060, GSE16134, GSE10334), применив методы взвешенного анализа сетей коэкспрессии генов (WGCNA) и отбор признаков на основе алгоритма LASSO. В результате было выявлено 95 общих дифференциально экспрессируемых генов, из которых 46 были определены как наиболее значимые кандидаты. Ключевыми маркерами, показавшими высокую дискриминационную способность в ROC-анализах на обучающих и внешних валидационных когортах, стали гены FCN1 и LYN. Функциональный анализ показал, что общая сигнатура связана с миграцией миелоидных клеток, фагоцитозом и воспалительными путями нейтрофилов, такими как образование внеклеточных ловушек (NETs). Анализ единичных клеток (scRNA-seq) подтвердил, что экспрессия FCN1 и LYN преимущественно сосредоточена в популяциях, производных от макрофагов и моноцитов. Данная работа закладывает молекулярную основу для понимания связи между состоянием полости рта и сердечно-сосудистыми рисками.

Статья обсуждает подход Endeavor Health к ценностно-ориентированному здравоохранению, который фокусируется на глубоком понимании клинических, социальных и финансовых факторов пациента. Основная идея заключается в создании эффективных планов лечения, интегрированных в реальную жизнь пациентов, вместо простого следования моделям оплаты.

Статья анализирует различия в подходах к регулированию искусственного интеллекта в США и России. В то время как американские технологические гиганты используют масштабные финансовые ресурсы для лоббирования своих интересов, в России был принят закон № 243-ФЗ, устанавливающий первую рамочную норму для разработки фундаментальных ИИ-моделей. Данный законодательный акт направлен на создание суверенных национальных моделей и регулирование процессов обучения нейросетей. Основное внимание уделяется переходу к государственному контролю над технологическим суверенитетом в сфере ИИ. Исследование подчеркивает, что российский путь характеризуется более быстрым внедрением жестких правовых рамок по сравнению с попытками корпоративного влияния в США. Это создает различные условия для развития и внедрения ИИ-технологий в государственном и частном секторах обеих стран.

В России принят закон о создании новой федеральной государственной информационной системы, предназначенной для комплексного учета и анализа данных о состоянии здоровья профессиональных спортсменов. Система охватит членов сборных команд страны и регионов, атлетов из федеральной территории «Сириус», а также представителей адаптивного спорта. Основная цель проекта — цифровизация и повышение эффективности медико-биологического обеспечения атлетов через централизованный сбор медицинских данных. Внедрение системы позволит более точно отслеживать динамику физиологических показателей и оптимизировать программы подготовки. Реализация данного государственного проекта запланирована с вступлением закона в силу 1 марта 2027 года. Несмотря на отсутствие прямого упоминания алгоритмов машинного обучения, создание такой структурированной базы данных является необходимым фундаментом для последующего внедрения ИИ-решений в спортивной медицине.