Поиск

В исследовании представлен MethylCurate — инновационный агентный ИИ-фреймворк, разработанный для автоматизации работы с наборами данных метилирования ДНК. Основная проблема текущих методов заключается в сложности извлечения данных из публичных репозиториев, таких как NCBI Gene Expression Omnibus, и необходимости ручной гармонизации разрозненных метаданных. MethylCurate решает эти задачи, используя возможности искусственного интеллекта для автоматического поиска, унификации форматов и сопоставления гетерогенных метаданных. Система позволяет масштабировать процесс оценки эпигенетических часов старения через интегрированный рабочий процесс, управляемый диалоговым интерфейсом. Внедрение данного инструмента значительно снижает потребность в ручном вмешательстве исследователей и устраняет узкие места при подготовке данных для биоинформатического анализа. Это открывает новые возможности для быстрого тестирования и валидации моделей биологического старения на широких массивах данных.

В исследовании проводится детальная оценка модели Boltz-2 (реализация NVIDIA NIM) для решения критической задачи в разработке лекарств — скрининга взаимодействий между терапевтическими моноклональными антителами и их мишенями. Авторы протестировали модель на базе 519 антител из базы Thera-SAbDab, сравнивая пары с родными антигенами и случайными неродственными парами. Результаты показали, что стандартные метрики уверенности модели демонстрируют слабую способность к дискриминации (ROC-AUC в диапазоне 0.5–0.60). Наиболее эффективным показателем была определена минимальная предсказанная метрика ipTM-min (interface predicted TM-score) среди различных случайных выборок (seeds). Было установлено, что увеличение количества стохастических предсказаний дает эффект только до 15–20 образцов, после чего наступает плато. Также выявлено, что использование инференса без множественного выравнивания последовательностей (MSA) незначительно улучшает точность для некристаллизованных антител (delta AUROC ≈ +0.027) и ускоряет процесс на ~8 секунд на каждое предсказание. Исследование подчеркивает, что универсальных моделей предсказания структуры недостаточно для надежного скрининга антител, и требуется разработка специализированных оптимизированных под конкретные задачи алгоритмов.

В данной работе представлен GatorDuo — инновационный фреймворк на основе самообучения с контрастивным двойным графом, предназначенный для точной идентификации пространственных доменов в пространственной транскриптомике (ST). Авторы решают проблему ненадежного построения соседств в графах, вызванную разреженностью данных и техническим шумом, что часто приводит к появлению ложных связей между доменами. Методология GatorDuo включает механизм уточнения графа на основе глобальной согласованности и использование маски согласия псевдометок для подавления ошибочных ребер. Для автоматического выбора детализации кластеризации применяется стратегия обучения с подкреплением (контекстуальные многорукие бандиты), что исключает необходимость ручной настройки. Объединение представлений реализовано через модуль Mixture-of-Experts (MoE) с гибридной маршрутизацией. Тестирование на восьми публичных бенчмарках (от spot- до single-cell разрешения) показало, что GatorDuo превосходит десять существующих базовых моделей по ключевым метрикам кластеризации, обеспечивая высокую устойчивость к шуму и создавая информативные эмбеддинги для последующего биологического анализа.

Исследование представляет инновационный подход к предсказанию конформаций биомолекул, используя генеративные диффузионные модели, обученные на экспериментальных данных. Авторы предлагают метод «скрученного диффузионного сэмплера» (twisted diffusion sampler) в рамках модели Boltz-2, который позволяет моделировать альтернативные функционально важные состояния молекул без необходимости дополнительного переобучения нейросети. Методология основана на переосмыслении поиска конформаций как процесса сэмплирования из диффузионного распределения, обусловленного произвольным байесовским правдоподобием. В ходе экспериментов ученые успешно воспроизвели растянутые состояния фрагментов ДНК, мышечного белка титина и белка протокадгерина-15, а также открытые состояния ионного канала MscL, что согласуется с экспериментальными данными. Данный подход фактически является диффузионным аналогом управляемой молекулярной динамики. Результаты работы открывают новые возможности для изучения не равновесных и недостаточно представленных в экспериментах состояний макромолекулярных систем, что критически важно для понимания механизмов их работы.

Исследование посвящено изучению возможности использования метилирования ДНК в слизистой оболочке щеки в качестве неинвазивной альтернативы анализу крови для оценки биологического старения. Ученые проанализировали профили метилирования 186 японских взрослых с использованием массива Illumina Infinium Methylation Screening Array (MSA). Применение двухэтапного метода остаточного обучения, интегрирующего существующие эпигенетические часы на основе крови, позволило достичь высокой точности прогнозирования хронологического возраста (R = 0,965) и фенотипического возраста (R = 0,964). В ходе работы было установлено, что данные слизистой щеки позволяют предсказывать широкий спектр клинических биомаркеров, включая воспалительные, метаболические, тиреоидные и гормональные показатели. Несмотря на то, что сайты CpG, используемые для прогнозирования, различались между полами и типами тканей, предсказуемые фенотипы в целом совпадали. Результаты подтверждают, что эпигенетический анализ слизистой щеки является перспективным инструментом для мониторинга системного физиологического состояния и биологического старения.

На конференции ASGCT 26 были представлены многообещающие результаты применения новой генной терапии, разработанной компанией Encoded Therapeutics для лечения синдрома Драве — тяжелого нейроразвивающего заболевания. В ходе исследования было зафиксировано значительное снижение частоты эпилептических приступов на 76% у детей, принимавших участие в испытаниях. В частности, этот впечатляющий результат наблюдался у трех пациентов, получавших терапию во второй по интенсивности дозировке из четырех протестированных вариантов. Исследование фокусируется на использовании передовых методов генной инженерии для коррекции генетических дефектов, вызывающих патологию. Данные результаты демонстрируют высокий потенциал технологии Encoded в трансформации подходов к лечению редких неврологических расстройств. Успех клинических испытаний может стать важным шагом к созданию эффективного стандартного лечения для пациентов с этим тяжелым диагнозом.

Компания Tessera Therapeutics представила на конференции ASGCT прорывные данные по своей экспериментальной терапии серповидноклеточной анемии, использующей технологию редактирования генов in vivo. В отличие от существующих коммерческих методов клеточной терапии, которые требуют сложной инженерии клеток пациента и агрессивной химиотерапии для подготовки костного мозга, препарат Tessera может вводиться в виде обычной инфузии. Основная методология заключается в доставке компонентов редактирования непосредственно в организм пациента, что значительно упрощает процесс лечения и снижает риски для здоровья. Представленные данные демонстрируют высокую эффективность и потенциальную конкурентоспособность метода по сравнению с текущими стандартами лечения. Данная разработка может радикально изменить подход к терапии генетических заболеваний крови, сделав высокотехнологичную помощь более доступной и менее инвазивной. Технология обещает минимизировать побочные эффекты, связанные с предоперационной подготовкой, что является критическим фактором для масштабирования терапии.

Компания Tempus AI, лидер в области применения искусственного интеллекта для прецизионной медицины, объявила о расширении партнерства с фармацевтическим гигантом Bristol Myers Squibb (BMS). Основная цель сотрудничества заключается в использовании передовых алгоритмов ИИ и мультимодальных данных реальной клинической практики (real-world data) для оптимизации процесса разработки лекарственных препаратов. Проект будет сфокусирован на двух критически важных терапевтических областях: онкологии и нейробиологии. Благодаря интеграции технологических решений Tempus, компания BMS планирует повысить вероятность успеха клинических испытаний и ускорить вывод новых методов лечения на рынок. Использование мультимодальных данных позволит более точно подбирать пациентов для испытаний и прогнозировать эффективность терапии на основе глубокого анализа биологических и клинических параметров. Это сотрудничество знаменует собой важный шаг в интеграции ИИ в современные процессы фармацевтической разработки.

Обзор посвящен возможностям и барьерам внедрения цифровой патологии (DP) в условиях Индии. Рассматриваются такие аспекты, как ИИ-ассистированная диагностика, телепатология и проблемы инфраструктуры, а также стратегии преодоления трудностей для повышения точности диагностики.

Статья систематизирует технические и регуляторные требования к мониторам, используемым патологами при переходе от стеклянных препаратов к цифровым сканам (WSI). Авторы анализируют различия между медицинскими и профессиональными дисплеями, подчеркивая важность цветопередачи, стабильности яркости и строгого контроля качества.

Авторы предлагают стандартизированную иерархическую модель для описания данных в вычислительной патологии, устраняя путаницу между биологическими единицами, лабораторными препаратами и цифровыми данными. Внедрение этого фреймворка на основе стандарта DICOM позволит повысить воспроизводимость исследований и упростить внедрение ИИ-моделей в клиническую практику.

Разработана модель глубокого обучения для быстрой классификации органов по гистологическим препаратам (H&E) с использованием низкоразрешенных миниатюр. Метод позволяет проводить автоматизированный контроль качества цифровых архивов, выявляя ошибки маркировки образцов менее чем за секунду.

Представлен новый метод REMIL-IBD для автоматизированной оценки активности воспалительных заболеваний кишечника (ВЗК) на основе цельных гистологических изображений. Использование предобученных фундаментальных моделей позволяет достичь точности 82–84% при классификации степени тяжести заболевания, обеспечивая при этом интерпретируемость результатов.

Данное исследование, опубликованное в журнале npj Digital Medicine, посвящено анализу способности больших языковых моделей (LLM) оценивать читаемость и структурированность радиологических заключений. Авторы применяют многомерный подход к оценке, проверяя, насколько эффективно ИИ может интерпретировать сложность медицинского текста и его доступность для различных групп пользователей. В работе исследуется методология сопоставления оценок LLM с экспертными заключениями опытных радиологов. Ключевым результатом является выявление корреляции между метриками, генерируемыми моделями, и реальной клинической полезностью отчетов. Исследование подчеркивает потенциал использования ИИ для автоматизированного аудита качества документации в радиологии, что может значительно снизить когнитивную нагрузку на врачей и улучшить коммуникацию с пациентами. Результаты работы закладывают основу для внедрения интеллектуальных систем контроля качества медицинских текстов в клиническую практику.

Исследование, опубликованное в журнале npj Digital Medicine, посвящено оценке эффективности больших языковых моделей (LLM) в процессе упрощения текстов медицинского информированного согласия для пациентов, не владеющих английским языком. В методологии работы ключевую роль играет участие практикующих врачей, которые оценивают качество, точность и доступность генерируемого контента. Основная цель проекта — преодоление языкового барьера и повышение уровня медицинской грамотности пациентов через использование ИИ для адаптации сложных терминов. Результаты показывают, что LLM способны значительно сократить когнитивную нагрузку на пациентов, сохраняя при этом клиническую точность формулировок. Внедрение подобных инструментов может существенно снизить риски юридических и этических ошибок при получении согласия на процедуры. Данная работа подчеркивает важность гибридного подхода, сочетающего мощь ИИ с экспертным контролем со стороны медицинского персонала для обеспечения безопасности пациентов.

Данное исследование, опубликованное в журнале npj Digital Medicine, посвящено сравнительному анализу эффективности больших языковых моделей (LLM) и традиционных алгоритмов машинного обучения (ML) для прогнозирования осложнений после процедуры чрескожной кифопластики. Авторы изучали возможности применения современных нейросетевых архитектур в контексте лечения остеопоротических компрессионных переломов позвонков. В работе оценивается точность предсказания рисков, что критически важно для предоперационного планирования и выбора тактики лечения. Методология включает сопоставление метрик точности, чувствительности и специфичности между классическими моделями ML и новейшими LLM на основе клинических данных пациентов. Результаты исследования позволяют определить, какой тип интеллектуальных систем обеспечивает более надежную поддержку принятия врачебных решений в ортопедии и нейрохирургии. Практическая значимость работы заключается в возможности интеграции ИИ-инструментов в клинические протоколы для снижения частоты послеоперационных осложнений.

Статья рассматривает применение технологий виртуального ухода и машинного обучения для управления очередями и разгрузки больниц в Великобритании. Использование ИИ и носимых устройств позволяет прогнозировать ухудшение состояния пациентов, снижая количество госпитализаций и затраты на содержание койко-мест.

Статья посвящена критической важности непрерывного мониторинга медицинских ИИ-систем после их развертывания. Автор рассматривает проблему деградации моделей и «дрейфа данных» (data drift), возникающих из-за изменений в клинической практике и популяциях пациентов.

Компания Roche объявила о приобретении PathAI, специализирующейся на цифровой патологии и технологиях на базе ИИ. Сделка направлена на автоматизацию диагностических процессов, улучшение точности диагностики рака и развитие прецизионной медицины.