Поиск

Статья представляет собой обзор методологических подходов к интеграции данных жидкой биопсии с использованием искусственного интеллекта и машинного обучения. Авторы анализируют текущее состояние исследований, предлагают стратегии предобработки данных (нормализация, коррекция батч-эффектов) и методы выбора признаков для повышения надежности моделей. Особое внимание уделяется важности строгой валидации и интерпретируемости ИИ-моделей для их клинического внедрения.

В исследовании представлена методология TongueBench для оценки девяти больших мультимодальных моделей (LMM) в задаче диагностики по языку в традиционной китайской медицине без дообучения. Результаты показывают, что использование продвинутых техник промптинга (KGRP) дает modest улучшения метрик по сравнению с прямым запросом, однако модели уступают специализированным обученным базовым моделям и не демонстрируют клинической полезности на уровне пациента.

В исследовании анализируется, какому структурному состоянию — лиганд-связанному (holo) или свободному (apo) — соответствуют предсказанные AlphaFold карманы связывания. Авторы разместили 237 922 кармана из 12 255 белков на оси, образованной экспериментальными структурами, и обнаружили, что большинство из них (62%) имеют голо-подобную конформацию, что отражает дисбаланс в экспериментальных данных. Это различие критически важно для практического применения: предикторы сайтов связывания точнее работают с голо-подобными карманами на 13–21 процентный пункт, а успех докинга когнатных лигандов возрастает на 19 пунктов. Разрыв в эффективности увеличивается по мере удаления экспериментальных состояний друг от друга и исчезает, когда они перекрываются. Исследование показывает, что оценка уверенности AlphaFold (confidence score) указывает на вариативность кармана, а не на его конкретное состояние. Авторы подчеркивают необходимость рассмотрения каждого состояния связывания как распределения, а не единичной структуры, что помогает интерпретировать предсказанные модели и оценивать их готовность к докингу. Для сообщества опубликованы классификации карманов с дескрипторами, позволяющими определить, когда выбор состояния существенен, а когда можно доверять предсказанию.

В исследовании представлен новый фреймворк на основе машинного обучения для прогнозирования функциональной зависимости опухолевых путей в плоскоклеточном раке головы и шеи (HNSCC). Авторы разработали девять моделей Elastic Net, обученных на транскриптомных данных 953 клеточных линий GDSC и ответах на препараты, чтобы отличить активацию пути от реальной зависимости опухоли от него. Модель показала среднюю объясненную дисперсию (R2) от 0.17 до 0.48 в кросс-валидации, что позволяет с определенной долей вероятности предсказывать уязвимости опухоли на основе базового молекулярного профиля. Применение модели к когортам TCGA-HNSC (n=565) и GSE65858 (n=256) выявило, что семь из девяти путей были более выражены в опухолях, связанных с ВПЧ. Особое внимание уделено пути p53: у пациентов с диким типом TP53 статус ВПЧ положительно коррелировал с зависимостью от p53, несмотря на экспрессию онкопротеина E6. Исследование подчеркивает, что кодпенденция во многом отражает инфильтрацию CD8+ Т-клетками, что важно для интерпретации результатов. Разработанный инструмент не является прогностическим для выживаемости, но служит для подбора таргетной терапии до начала лечения, позволяя сопоставлять пациентов с препаратами, нацеленными на их специфические молекулярные уязвимости.

В статье представлен метод DUET — алгоритм на основе искусственного интеллекта для предсказания сайтов связывания РНК с малыми молекулами, использующий только информацию о последовательности без необходимости экспериментальных структурных данных. Архитектура модели объединяет реляционную графовую башню с двумя сверточными последовательными башнями, построенными на основе замороженных языковых моделей РНК, что позволяет эффективно извлекать биологические паттерны. Авторы уделили особое внимание строгости валидации, удалив 98 из 388 записей в обучающей и валидационной выборках, имеющих 80% идентичности с каноническими тестовыми цепями, чтобы избежать утечки данных. Результаты показали, что DUET достиг средней MCC (средней точности) 0.240 +/- 0.013, что статистически значимо превосходит предыдущий метод CoBRA-M3 (0.192 +/- 0.031) с приростом Delta = +0.047 (p = 0.0073). Модель также продемонстрировала параллельные улучшения по метрикам AUC и AUPRC, а на внешних наборах данных результаты DUET (0.246 MCC) оказались статистически неотличимыми от метода GRASSP (0.243 MCC). Исследование подтвердило, что реальная трехмерная топология улучшает MCC на +0.037 по сравнению с перемешанными ребрами и на +0.042 по сравнению с предсказанной вторичной структурой. Увеличение размера обучающей выборки с 80 до 290 записей привело к значительному росту производительности модели на +0.135 MCC. Работа подчеркивает критическую необходимость раздельного контроля за перекрытием тестовых данных и внутренней избыточностью обучающих выборок при оценке ИИ-моделей в биоинформатике.

В статье представлен масштабный бенчмарк, сравнивающий эффективность графовых нейронных сетей (GNN), предобученных моделей (ChemBERTa, MolCLR) и молекулярных отпечатков (fingerprints) для предсказания ADMET-свойств (абсорбция, распределение, метаболизм, выведение и токсичность) лекарственных кандидатов. Исследование устраняет пробел в существующих сравнениях, используя строгий протокол оценки с сопоставимыми бюджетами на тонкую настройку (50 испытаний на модель) и разделение данных по скелету молекулы (scaffold-split) для предотвращения утечки данных. Результаты показывают, что ни одна архитектура не является универсально лучшей: GNN превосходят другие методы только в предсказании проницаемости Caco-2, причем это преимущество обусловлено не структурой графа, а вспомогательными физико-химическими дескрипторами. Модели на основе отпечатков Морган демонстрируют высокую конкурентоспособность на задачах hERG и выведения, в то время как предобученная модель MolCLR показала лучшие результаты на датасете Tox21. Для некоторых задач, таких как клиренс в гепатоцитах и период полувыведения, все модели показали близкие к нулю или отрицательные значения R², что указывает на сложность предсказания этих параметров. Исследование также выявило, что выбор стратегии оптимизации гиперпараметров не дает стабильного преимущества перед случайным поиском при данном бюджете, а использование тестовых данных для выбора лучшей модели искусственно завышает показатели. Выводы подчеркивают необходимость выбора модели, специфичной для конкретной задачи, и использования справедливых, контролируемых на утечку протоколов оценки для надежной поддержки принятия решений на ранних стадиях разработки лекарств.

GE HealthCare представила новую ультразвуковую систему LOGIQ Focus, оснащенную архитектурой cSound и инструментами на базе ИИ. Ключевые функции включают автоматическое определение анатомии (Auto Preset Assistant) для сокращения времени на подготовку и автоматический расчет фракции выброса (AutoEF) для оценки функции сердца.

Стартап ClarityCare привлек финансирование для развития своей ИИ-платформы Electra, которая автоматизирует административную нагрузку процесса предварительного согласования (prior authorization) в здравоохранении. Система использует искусственный интеллект для анализа медицинских записей и проверки критериев покрытия, сокращая время ожидания пациентами лечения с 12 дней до двух.

Компания Suki, специализирующаяся на голосовых помощниках для врачей, представила новую функцию «Ask», предназначенную для клинической поддержки принятия решений. Данная интеграция использует API UpToDate AI от издательства Wolters Kluwer, что позволяет получать ответы, основанные на доказательной медицине и проприетарном контенте UpToDate. Функция встроена непосредственно в рабочие процессы медицинских работников, обеспечивая быстрый доступ к актуальной информации без необходимости переключения между приложениями. Это решение направлено на снижение когнитивной нагрузки на врачей и минимизацию риска врачебных ошибок за счет предоставления проверенных данных в реальном времени. Интеграция демонстрирует тренд на внедрение генеративного искусственного интеллекта в повседневную клиническую практику для улучшения качества оказания медицинской помощи. Технология позволяет врачам задавать вопросы в естественной форме и получать структурированные ответы, соответствующие текущим клиническим рекомендациям. Партнерство с Wolters Kluwer подчеркивает важность достоверности источников при использовании ИИ в чувствительных медицинских сферах. Запуск функции расширяет возможности платформы Suki, превращая ее из простого инструмента транскрипции в комплексную систему поддержки принятия решений.

Статья описывает стратегию технологического стартапа, который решает обойти традиционные барьеры в виде врачей и страховых компаний, внедряя свою систему на основе искусственного интеллекта непосредственно к конечным потребителям — пациентам. Основной продукт компании представляет собой алгоритм машинного обучения, предназначенный для персонализированного прогнозирования индивидуального риска развития рака молочной железы. Вместо того чтобы ждать одобрения со стороны медицинского сообщества или интеграции в клинические протоколы, разработчики выбрали модель прямого взаимодействия с пользователями, что позволяет собирать данные и тестировать алгоритм в реальных условиях. Такой подход подчеркивает растущий тренд на демократизацию доступа к передовым медицинским технологиям и использование ИИ для превентивной медицины. Статья анализирует бизнес-модель стартапа, его технологическую базу и потенциальные этические или регуляторные вопросы, связанные с предоставлением медицинских прогнозов без участия квалифицированного специалиста. Это исследование демонстрирует, как ИИ-решения трансформируют не только диагностику, но и саму модель взаимодействия между пациентом и системой здравоохранения, смещая фокус на проактивный мониторинг здоровья.

Исследование анализирует цифровые факторы (управление данными, эффективность, оптимизация ресурсов), влияющие на внедрение систем управления активами (AIM) с использованием ИИ в больницах. Результаты показывают, что текущие реализации сосредоточены на базовой автоматизации и безопасности, тогда как продвинутые предиктивные возможности ИИ остаются недостаточно развитыми.

Статья предлагает новую статистическую модель (WEL) для анализа времени до события и нейросетевую архитектуру (BC-VAESM), использующую вариационные автоэнкодеры для прогнозирования выживаемости пациентов. Модель обучается на реальных клинических данных с цензурированием и демонстрирует конкурентоспособность по сравнению с классическими методами, такими как модель Кокса.

В статье представлен метод ddkg.skill — агентский навык для больших языковых моделей (LLM), предназначенный для корректного запроса к сложным биомедицинским графам знаний, в частности к DDKG (Data Distillery Knowledge Graph) NIH. Несмотря на то что заголовок ссылается на алгоритм MOSAIC для обучения встраиваний узлов графа через спектральный анализ операторов диффузии, основной практический вклад работы заключается в интеграции LLM с биомедицинскими данными. Система использует контроллер, библиотеку специфичных для DDKG справочных материалов, структурированные таблицы и валидированные шаблоны запросов, чтобы направлять ИИ через процессы разрешения сущностей, проверки графа и построения запросов Cypher. Оценка проводилась на версии DDKG от декабря 2025 года: в тесте из семи случаев пять запросов к источникам, отсутствующим в примерах, были выполнены корректно. Разработанная система обеспечивает версионированный и переносимый способ передачи общих ИИ-системам практических знаний о сложных биомедицинских графах, что позволяет выполнять сложные задачи интеграции данных, такие как поиск пересечений геномных данных или связь фенотипов с клиническими базами, минимизируя ошибки в синтаксисе и семантике запросов.

В статье представлен новый метод CLARA — иерархическая система обучения, предназначенная для решения проблемы дисбаланса классов в графовых нейронных сетях (GNN). Проблема заключается в том, что узлы меньшинства не только редки, но и структурно маргинализированы в графе. Метод CLARA разбивает задачу классификации узлов на два этапа: сначала грубый классификатор уровня подграфа определяет регионы, с высокой вероятностью содержащие экземпляры меньшинства, а затем детальный предиктор уровня узлов работает внутри этих выделенных регионов. Такой подход позволяет повысить чувствительность модели, сохраняя при этом масштабируемость, за счет фильтрации нерелевантных областей и фокусировки обучения на топологически значимых окрестностях. Эксперименты на стандартных наборах графовых данных показали существенное превосходство CLARA над существующими методами обработки дисбаланса, достигнув F1-меры на уровне 88.3%. Особое значение имеет применение стратегии в задаче предсказания сайтов связывания белок-лиганд, где метод также продемонстрировал значительное улучшение результатов. Это подтверждает широкую и последовательную эффективность подхода как в биологических, так и в общих задачах обучения на графах. Разработка актуальна для биоинформатики и разработки лекарств, где точное определение активных центров критически важно.

В исследовании представлен G4SCOPE — многозадачная глубокая нейросетевая архитектура, предназначенная для моделирования occupancy (заселенности) хроматиновых G-квадруплексов (G4) и реконструкции высокодетализированных профилей CUT&Tag исключительно на основе первичной последовательности ДНК. Модель объединяет сверточные слои для обучения мотивам и трансформерные механизмы самовнимания для анализа длиннодействующих последовательных контекстов, что позволяет отличать эндогенно свернутые G4 в хроматине от локусов с потенциалом сворачивания in vitro. Обучение проводилось на генотип-стратифицированных данных из изогенной серии клеток молочной железы человека (WT, TP53-/-, TP53-/-;BRCA1-/-, TP53-/-;BRCA2-/-), демонстрируя высокую обобщающую способность и успешный перенос на независимый контекст клеток K562. Результаты анализа выявили фундаментальные различия в состояниях поддержания генома: дефицит BRCA1 привел к глобальному увеличению плотности хроматиновых G4, тогда как потеря BRCA2 вызвала системное структурное истощение по хромосомам. Несамообучающаяся кластеризация латентных представлений модели позволила выделить различные биологические подклассы G4, занимающие уникальные регуляторные среды с характерными ландшафтами 5-метилцитозина и 5-гидроксиметилцитозина. Разработанный фреймворк дешифрует грамматическую структуру первичной последовательности, управляющую заселенностью G4, и доказывает, что топологии G4 несут в себе встроенные эпигенетические особенности, что открывает новые возможности для понимания эпигенетического ремоделирования при раке.

В статье представлено исследование, в котором вычисление полигенного скоринга (PGS) — важного инструмента оценки генетических рисков заболеваний — было переосмыслено как задача разреженного матричного умножения, выполняемого на графических процессорах (GPU). Ключевой инновацией является использование автономного AI-агента для автоматической оптимизации кода алгоритма скоринга без ручного вмешательства, что позволяет значительно ускорить обработку больших геномных данных. Исследователи протестировали подход на синтетических данных и реальных геномах из проекта 1000 Genomes, сравнивая результаты с эталонным инструментом pgsc_calc. На синтетическом бенчмарке оптимизированный агентом скорер показал ускорение в 71 раз по сравнению с традиционным CPU-решением, хотя обучение на синтетических данных привело к значительным расхождениям с реальными данными (максимальная разница 3.7x10^-4 против 3.1x10^-4 для эталона). Анализ показал, что вариативность траектории оптимизации самого AI-агента объясняет 91–96% разницы во времени выполнения, что подчеркивает важность стабильности алгоритмов самообучения. Финальная версия алгоритма, обученная на реальных данных, успешно обработала 3202 генома против 5385 моделей за 6.5 часов в рамках жестких ограничений памяти (72 ГБ). Результаты работы включают публикацию замороженного манифеста скоринга с аннотированными распределениями по происхождению для всего каталога PGS, что делает метод доступным для широкого медицинского сообщества. Данный подход демонстрирует потенциал ИИ-агентов в ускорении сложных биоинформатических вычислений, необходимых для персонализированной медицины и эпидемиологических исследований.

Siemens Healthineers запустила решение для лучевой терапии Accela, основанное на архитектуре NeoArc, которое сочетает высокую скорость и точность лечения. Продвинутое программное обеспечение для планирования использует искусственный интеллект и алгоритмы для оптимизации качества плана и скорости доставки дозы, что позволяет сократить время нахождения пациента на столе.

На конференции ASTRO 2026 представлены данные о выживаемости пациентов с раком поджелудочной железы, получавших высокоточную адаптивную лучевую терапию на аппарате Elekta Unity MR-Linac. Технология позволяет ежедневно корректировать облучение на основе МРТ-снимков, что обеспечило высокий уровень контроля опухоли и перспективные показатели долгосрочной выживаемости. В статье также упоминается будущее развитие платформы с использованием ИИ для автоматического контурирования и планирования лечения.

Исследователи из IBM Research, Медицинской школы Икана при медцентре Маунт-Синай и других институтов разработали модель глубокого обучения для анализа Т1-взвешенных МРТ-снимков головного мозга. Модель способна не только оценивать индекс массы тела (ИМТ), но и извлекать специфические мозговые сигнатуры, связанные с кардиометаболическими рисками. Обучение алгоритма проводилось на обширном наборе данных, включавшем 45 702 участника из шести независимых когорт: UK Biobank, HCP, HCP-Aging, ADNI, PPMI и PREDICT-HD. Ключевым результатом работы стало демонстрация того, что ИИ-анализ структуры мозга может предсказывать кардиометаболические заболевания с большей точностью, чем традиционный ИМТ. Это открывает новые возможности для ранней диагностики метаболических нарушений через нейровизуализацию. Методология использует мощь глубокого обучения для выявления скрытых паттернов в мозге, которые коррелируют с системным здоровьем. Результаты публикации в журнале npj Digital Medicine подчеркивают потенциал ИИ в интеграции неврологических и кардиологических данных для улучшения превентивной медицины.