Поиск

Компания GATC Health использовала ИИ-платформу Operon для поиска новых мишеней и дизайна молекул, способных бороться с опиоидной зависимостью. Разработанное соединение GATC-1021 успешно снизило тягу к фентанилу у подопытных животных без побочных эффектов, демонстрируя потенциал для ускорения разработки лекарств.

Компания Anthropic расширяет свое присутствие в сфере здравоохранения, приобретая стартап Coefficient Bio, специализирующийся на использовании ИИ для ускорения разработки лекарств и биологических исследований. Сделка подчеркивает стратегический фокус Anthropic на интеграции моделей Claude в процессы R&D и клинических операций.

Исследование, опубликованное в Nature Machine Intelligence, предлагает новый подход к повышению надежности нейронных сетей путем предварительного обучения на случайном шуме. Авторы обнаружили, что современные модели склонны к чрезмерной самоуверенности (overconfidence) до того, как они сталкиваются с реальными данными. Методология заключается в кратковременном этапе обучения на случайных шумовых паттернах, что позволяет модели «научиться» распознавать неопределенность. Результаты показывают значительное улучшение калибровки предсказаний и более эффективную идентификацию данных, выходящих за пределы распределения (out-of-distribution). Это критически важно для медицинских приложений, где ошибка в оценке уверенности модели может привести к неверной диагностике. Внедрение данного метода позволяет сделать ИИ-системы более предсказуемыми и безопасными при работе в условиях клинической неопределенности.

Компания Tempus AI, лидер в области внедрения искусственного интеллекта для прецизионной медицины, объявила о расширении многолетнего стратегического партнерства с Gilead Sciences. Основная цель сотрудничества заключается в использовании передовых технологий ИИ и анализа данных реальной клинической практики (Real-World Evidence, RWE) для ускорения исследований и разработок (R&D) в области онкологии. Партнерство позволит Gilead более эффективно использовать огромные массивы структурированных клинических и молекулярных данных, обработанных платформами Tempus, для поиска новых терапевтических мишеней. Применение машинного обучения к RWE поможет оптимизировать процесс разработки лекарственных препаратов и лучше понимать траектории пациентов с онкологическими заболеваниями. Данная инициатива подчеркивает растущую роль ИИ-платформ в трансформации традиционных методов фармацевтических исследований. Сотрудничество направлено на создание персонализированных подходов к лечению рака на основе глубокого анализа данных.

Boehringer Ingelheim и Click Therapeutics пересмотрели партнерство по программному препарату CT-155 для лечения шизофрении. Boehringer инвестирует 50 млн долларов в Click, передавая компании права на коммерциализацию цифрового терапевтического средства, которое успешно прошло фазу 3 клинических испытаний.

Статья рассматривает роль интеллектуальных ИИ-ассистентов в первичной медико-санитарной помощи для сокращения разрыва между терапевтами и узкими специалистами. Использование агентного ИИ позволяет автоматизировать административные задачи, предлагать планы лечения на основе доказательной медицины и повышать эффективность работы врачей.

Исследование, опубликованное в журнале npj Digital Medicine, оценивает эффективность применения специализированного прогностического инструмента на основе искусственного интеллекта для врачей, занимающихся лечением метастазов колоректального рака в печени. Основная цель работы заключалась в определении того, насколько использование ИИ-модели помогает клиницистам точнее прогнозировать исходы заболевания и принимать клинические решения. Методология исследования включала сравнение точности прогнозов врачей при использовании стандартных методов и при поддержке интеллектуальной системы. Предварительные результаты указывают на значительное улучшение прогностической способности медиков при интеграции ИИ в рабочий процесс. Данная технология позволяет минимизировать человеческий фактор и повысить точность персонализированного планирования терапии. Практическая значимость работы заключается в возможности внедрения подобных систем в клиническую практику для оптимизации ведения пациентов с онкологическими заболеваниями печени.

В исследовании, опубликованном в журнале npj Digital Medicine, представлен EcoRxAgent — специализированный ИИ-агент, разработанный для оптимизации процесса назначения лекарственных препаратов с учетом экономической эффективности. Основная цель системы заключается в поиске экономически взаимозаменяемых альтернатив (дженериков или более доступных аналогов) без потери терапевтической эффективности. Методология базируется на использовании агентных архитектур ИИ, способных анализировать огромные массимы данных о лекарственных взаимодействиях, стоимости и клинических протоколах. Разработка направлена на решение проблемы высокой стоимости лечения и оптимизацию расходов систем здравоохранения. Внедрение подобного инструмента позволяет автоматизировать процесс подбора наиболее рентабельных схем терапии, сохраняя при этом высокие стандарты безопасности пациентов. Результаты демонстрируют потенциал ИИ в снижении нагрузки на бюджеты медицинских учреждений и повышении доступности лекарств.

Данное исследование представляет собой комплексный систематический обзор и создание экспериментального бенчмарка для оценки качества медицинских записей, генерируемых моделями искусственного интеллекта. Авторы анализируют существующие методологии оценки, разделяя их на автоматизированные метрики и экспертную оценку врачами. В работе исследуется проблема несоответствия между стандартными NLP-метриками (такими как ROUGE или METEOR) и реальной клинической точностью, необходимой для безопасного ведения документации. Исследователи предлагают новый бенчмарк, который позволяет более объективно тестировать LLM на предмет галлюцинаций и полноты передачи медицинских фактов. Результаты подчеркивают, что текущие автоматизированные методы часто не способны уловить критические медицинские нюансы, что делает необходимым внедрение специализированных клинических оценочных фреймворков. Работа имеет высокую практическую значимость для разработчиков медицинских ИИ-систем, стремящихся к стандартизации качества генеративного контента.

Статья представляет собой обзор эволюции и влияния инициативы AlphaFold на структурную биологию и медицину, отмечая достижение AlphaFold 2024 года Нобелевской премии. Модели развивались от AF1 через AF2 (достигшую почти экспериментальной точности в сворачивании одиночных цепей белка) к AF3, которая расширяет предсказания на белок-лигандные, белок-нуклеиновые кислоты и белок-белковые комплексы. Архитектурные различия между версиями включают использование глубоких нейронных сетей в AF1, Evoformer для моделирования эволюционно связанных последовательностей в AF2 и Pairformer для парных аминокислотных взаимодействий в AF3. Ключевые результаты включают широкое внедрение инструментов AlphaFold, расширение структурного покрытия и повышение доступности через базу данных AlphaFold Database (AFDB). Основные приложения в медицине включают ускорение трансляционных исследований, особенно в разработке лекарств на основе структуры (SBDD) и изучении сложных макромолекулярных комплексов. Несмотря на достижения, остаются нерешённые задачи предсказания динамики белка и множественных конформационных состояний. Статья подчёркивает, что AlphaFold продолжает продвигать структурную биологию, особенно в биотехнологии и медицине, несмотря на существующие ограничения.

Исследование представляет собой разработку конвейера глубокого обучения для неинвазивного определения показателей крови путём анализа видеозаписей бульбарной конъюнктивы (белковой оболочки глаза). Методология основана на применении нейронных сетей для извлечения признаков из видеоизображений конъюнктивы, которые коррелируют с концентрацией различных компонентов крови. Исследование опубликовано в ведущем журнале npj Digital Medicine (Springer Nature) 8 апреля 2026 года, что подтверждает высокий уровень рецензирования и научной значимости работы. Технология потенциально позволяет избежать инвазивных процедур забора крови для рутинных анализов, что особенно актуально для педиатрии, пациентов с хроническими заболеваниями и в условиях ограниченных ресурсов. Разработка включает обучение модели на большом наборе данных видеозаписей конъюнктивы с сопоставленными результатами стандартных лабораторных анализов крови. Ключевое преимущество подхода — возможность проведения анализа в режиме реального времени с использованием доступных видеокамер, что открывает перспективы для интеграции в телемедицинские платформы и мобильные приложения. Значимость для клинической практики заключается в потенциальном снижении нагрузки на лабораторные службы и повышении доступности базовых диагностических тестов. Работа представляет собой пример применения компьютерного зрения в медицине для создания новых неинвазивных диагностических инструментов.

Систематический обзор анализирует современные методы машинного и глубокого обучения для автоматического обнаружения внутричерепных кровоизлияний по КТ-снимкам без контраста. Исследование охватывает архитектуры CNN, 3D-CNN, гибридные и трансформерные модели, а также методы объяснимого ИИ для интерпретируемости. Результаты показывают высокую диагностическую эффективность, однако сохраняются проблемы с обобщаемостью и клинической валидацией.

Исследование предлагает фреймворк федеративного обучения для совместного скрининга расстройства аутистического спектра (РАС) у детей, подростков и взрослых без обмена чувствительными данными пациентов. Персонализированные подходы федеративного обучения достигли глобальной точности 97,2% для детей, 89,5% для подростков и 86,8% для взрослых, превзойдя традиционные централизованные модели. Метод обеспечивает масштабируемое, точное и защищённое конфиденциальностью решение для обнаружения РАС в реальной клинической практике.

Исследование вскрывает критическую методологическую проблему в области предсказания пептидов, представляемых MHC класса I, что является основой для разработки вакцин и Т-клеточной терапии. Авторы показывают, что фундаментальная причина расхождения между успехами in silico и клиническими результатами заключается в систематическом загрязнении иммунопептидомных данных существующими моделями предсказания через итеративное подтверждение bias. Аудит базы данных IEDB, крупнейшей в области, выявил, что более 70% опубликованных данных были помечены вычислительными моделями, а не подтверждены экспериментально, что искусственно завышает бенчмарки и разрушает применимость на новых данных. В качестве решения авторы переформулировали задачу открытия эпитопов как задачу ранжирования, центрированную на белках, и представили модель deepMHCflare, обученную исключительно на чистых данных. Модель достигла 0.80 Precision@4 на моноаллельных бенчмарках против 0.55-0.65 у моделей золотого стандарта, что демонстрирует существенное улучшение. Проспективные in vivo тесты подтвердили эффективность: в доклиническом исследовании противораковой вакцины deepMHCflare идентифицировала два из четырёх иммуногенных пептидов, тогда как стандартная модель не нашла ни одного. Это исследование имеет критическое значение для разработки новых терапевтических подходов, так как устраняет систематическую ошибку, которая делала невозможным создание эффективных новых терапий.

Систематический обзор 36 эмпирических исследований (2020–2025) показывает применение методов объяснимого ИИ (SHAP, Grad-CAM, LIME) в медицинской визуализации, диагностике и реабилитации. Исследования демонстрируют соответствие методов объяснимости типам медицинских задач и частое комбинирование нескольких объяснителей для перекрёстной проверки интерпретаций.

Исследование предлагает практический фреймворк для малоэталонного развертывания предобученных трансформеров МРТ в различных задачах нейровизуализации. Авторы используют стратегию предобучения Masked Autoencoder на 31 миллионе 2D срезов МРТ и демонстрируют state-of-the-art результаты с точностью 99.24% и превосходными показателями сегментации.

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.

Исследователи представляют Longevity-LLM v0.1 — модель на базе Qwen3-14B, дообученную с помощью контролируемого и reinforcement learning на данных ДНК-метилирования, протеомики, клинических биомаркеров и экспрессии РНК. Модель демонстрирует выдающиеся результаты на Longevity Bench, включая задачи прогнозирования выживаемости при раке и предсказания возраста на основе протеома и РНК. После дообучения с подкреплением модель достигла средней абсолютной ошибки (MAE) в 4.34 года при предсказании эпигенетического возраста, превзойдя известный мульти-тканный часы Хорвата. Longevity-LLM также выполняет множество других задач, включая генерацию протеомных профилей, значительно превосходя все существующие передовые языковые модели. Результаты показывают, что одна компактная LLM может заменить или сравняться с узкоспециализированными моделями старения across различных модальностей данных. Работа представляет промежуточный отчет от инициативы Multi-Modal AI Gym for Science (MMAI), направленной на создание фундаментальных моделей для разработки лекарств и исследований старения. Это исследование знаменует переход от множества специализированных моделей к единым фундаментальным моделям, способным работать с разнородными биомедицинскими данными.

Исследователи разработали систему искусственного интеллекта для анализа изменений на снимках мозга, способную выявлять ранние признаки болезни Альцгеймера с точностью почти 93 процента. Методология исследования основана на применении алгоритмов машинного обучения для выявления тонких структурных изменений в мозге, которые предшествуют клиническим проявлениям заболевания. Ключевой результат — достижение 93-процентной точности прогнозирования, что значительно превышает возможности традиционных методов диагностики. Раннее выявление болезни Альцгеймера критически важно для своевременного начала лечения и замедления прогрессирования заболевания. Технология может быть интегрирована в клиническую практику для скрининга пациентов из групп риска, что позволит выявлять болезнь на доклинической стадии. Исследование демонстрирует потенциал искусственного интеллекта в области нейровизуализации и неврологии, открывая новые возможности для персонализированной медицины.