Поиск

В статье представлен cadmus — инструмент с открытым исходным кодом на языке Python, предназначенный для автоматизированного сбора и обработки полнотекстовых биомедицинских публикаций. Библиотека использует программный доступ к API таких ресурсов, как PubMed, Crossref, Europe PMC и PMC, позволяя исследователям формировать масштабные специализированные корпуса данных без ручного вмешательства. Инструмент поддерживает парсинг форматов PDF, HTML, XML и plain text, стандартизируя их для последующего интеллектуального анализа текстов (text mining). В ходе тестирования на корпусе публикаций по нарушениям развития (204 043 публикации) система показала уровень извлечения полных текстов 85,2% при наличии институциональных подписок и 54,4% без них. Для проверки точности извлечения использовался ScispaCy: сравнение 44 264 файлов из PubMed Central с данными cadmus показало среднюю косинусную близость 0,98, что подтверждает высокую верность данных. Анализ показал, что использование полных текстов вместо абстрактов удваивает охват уникальных биомедицинских концепций, значительно углубляя возможности анализа научной информации.

Исследователи представили ToxCastLite — инновационную систему для портативного анализа данных вычислительной токсикологии, решающую проблему огромного объема базы данных ToxCast (около 100 ГБ). Система объединяет облегченные профили SQLite с семантическим RDF-слоем, что позволяет сократить объем данных до 3 ГБ при сохранении возможности глубокого анализа. Методология включает интеграцию данных о биоактивности in vitro, токсичности in vivo (из ToxRefDB) и контекста использования химикатов (из CPDat) через единые идентификаторы DSSTox. Ключевой особенностью является использование прототипа на Streamlit с локальной большой языковой моделью (LLM), которая преобразует естественные вопросы пользователей в SPARQL-запросы, минимизируя риск галлюцинаций благодаря версионной схеме RDF. В ходе тестирования на кейсах нейротоксичности развития (DNT) система успешно выявила соответствия между результатами in vitro и данными in vivo, а также помогла приоритизировать химические вещества на пересечении сигналов NAM, доказательств ToxRefDB и данных о продуктах. Это решение значительно упрощает кросс-доменный поиск доказательств для экспертов, позволяя переходить от семантических запросов к детальным кривым «концентрация-ответ» без написания сложного кода.

Данное исследование посвящено анализу барьеров, препятствующих внедрению искусственного интеллекта в системы предиктивной аналитики рисков в медицине. Авторы применили интегрированную методологию, сочетающую модели DEMATEL и AHP, для выявления и приоритизации 15 ключевых вызовов, разделенных на пять категорий: технологические, связанные с данными, организационные, социально-человеческие и этико-регуляторные. В ходе работы было установлено, что наиболее значимыми структурными драйверами являются вопросы конфиденциальности данных, их качества и полноты, отсутствие эффективного управления ИИ (governance), а также проблемы интероперабельности систем. Результаты показывают, что проблемы, связанные с данными и управлением, выступают первичными причинно-следственными факторами, в то время как этические и человеческие аспекты являются зависимыми следствиями. Исследование подчеркивает, что для успешного масштабирования предиктивной аналитики организациям необходима сильная поддержка руководства, надежные системы управления данными и прозрачные, совместимые технологии.

Статья посвящена деятельности сообщества практиков AI4GH, которое фокусируется на развитии и внедрении технологий искусственного интеллекта в странах с низким и средним уровнем дохода (LMIC). Основная цель инициативы заключается в преодолении цифрового разрыва и обеспечении того, чтобы разработки в области ИИ для глобального здравоохранения возглавлялись непосредственно представителями этих регионов. Методология работы сообщества строится на создании междисциплинарных связей, обмене знаниями и поддержке локальных исследовательских проектов. В работе подчеркивается важность адаптации алгоритмов машинного обучения к специфическим условиям ограниченных ресурсов, где данные могут быть фрагментированы или смещены. Ключевым результатом деятельности является формирование устойчивой экосистемы, способной генерировать релевантные медицинские решения, учитывающие местный контекст. Это имеет критическое значение для обеспечения справедливости в глобальном здравоохранении и предотвращения технологической зависимости развивающихся стран.

Исследование изучает психологическое влияние общения с ИИ-чатботами по сравнению с традиционной терапией. Результаты показывают, что люди с более высоким уровнем одиночества чаще выбирают ИИ, воспринимая его как безопасное пространство для выражения эмоций, несмотря на ограниченность алгоритмов.

В исследовании, опубликованном в Nature Machine Intelligence, авторы (Long et al.) представляют инновационный метод на основе глубоких нейронных операторов, предназначенный для решения сложных задач со свободной границей. В отличие от традиционных численных методов, данный фреймворк обеспечивает высокую точность вычислений при значительно меньших затратах ресурсов. Основное внимание уделено возможности использования метода для высокоточного моделирования динамики роста опухолей в режиме реального времени. Это открывает новые горизонты в персонализированной онкологии, позволяя врачам прогнозировать изменения границ новообразований на основе медицинских данных. Методология демонстрирует потенциал для интеграции в клиническую практику, обеспечивая быструю симуляцию биологических процессов, которые ранее требовали длительных вычислений. Технология может стать важным инструментом для планирования таргетной терапии и мониторинга эффективности лечения.

Система здравоохранения MetroHealth, базирующаяся в Кливленде, объявила о стратегическом партнерстве с технологической компанией Artisight для развертывания платформы «умной больницы» (smart hospital platform). Данная инициатива предполагает интеграцию передовых интеллектуальных решений во множество медицинских учреждений сети MetroHealth. Внедрение платформы Artisight направлено на автоматизацию процессов и повышение эффективности операционного управления в больницах с помощью искусственного интеллекта. Ожидается, что использование технологий «умной больницы» позволит оптимизировать рабочие процессы медицинского персонала и улучшить качество обслуживания пациентов в рамках системы социальной защиты здравоохранения. Проект является важным шагом в цифровой трансформации сети, направленным на создание высокотехнологичной среды оказания медицинской помощи.

Разработана модифицированная система интерферометрии, использующая закон Малюса для автоматизации измерения микроперемещений. Интеграция алгоритмов оптимизации роя частиц (PSO) и регрессии гауссовских процессов (GPR) позволяет точно компенсировать ошибки прибора, что делает метод перспективным для неконтактного мониторинга физиологических сигналов.

В исследовании представлен TREAD (Transfer learning-based REpeat Annotation using Protein EmbeDdings) — новый метод машинного обучения для обнаружения повторяющихся мотивов в белках. В отличие от традиционных методов, таких как HMMER, которые полагаются на выравнивание последовательностей или вероятностные профили, TREAD переформулирует задачу обнаружения повторов как задачу аннотации на уровне остатков, используя эмбеддинги от языковых моделей белка (Protein Language Models). Методология позволяет модели имплицитно изучать специфические признаки повторов, обеспечивая высокую гибкость и масштабируемость. Тестирование на наборах данных RepeatsDB и Pfam показало, что TREAD не уступает или превосходит HMMER, особенно в условиях низкого объема данных и высокой дивергенции последовательностей. Практическая значимость подтверждена анализом $\beta$-пропеллерных белков в базе данных AlphaFold, где инструмент выявил новые паттерны экспансии в различных линиях эволюции. TREAD представляет собой масштабируемую альтернативу профильным методам и предлагает универсальный подход к аннотации мотивов на основе последовательностей.

Крупный игрок в сфере медицинских технологий, компания Labcorp, запускает новое мобильное приложение MyLabcorp, использующее искусственный интеллект для персонализации взаимодействия с пациентами. Основная цель продукта — помочь пользователям эффективно интерпретировать результаты лабораторных исследований с помощью встроенных ИИ-инструментов и чат-ботов. В рамках глобального тренда 2026 года на внедрение ИИ в медтех, приложение призвано упростить навигацию по сложным медицинским данным, делая их понятными для непрофессионалов. Технология позволяет трансформировать сухие цифры анализов в персонализированные рекомендации и объяснения, что повышает вовлеченность пациентов в процесс управления своим здоровьем. Данное решение является важным шагом в цифровой трансформации лабораторной диагностики и интеграции генеративного ИИ в повседневную медицинскую практику.

В исследовании представлена инновационная модель глубокого обучения PeptideGNN, основанная на архитектуре графовых нейронных сетей (GNN), предназначенная для моделирования поведения пептидов при жидкостной хроматографии. Авторы решают проблему ограниченного понимания взаимодействий между пептидами и колонками, что является критическим барьером в протеомике. Модель была обучена на десяти различных протеомных наборах данных и продемонстрировала превосходство над существующими предикторами времени удерживания. С помощью метода картирования значимости (saliency mapping) исследователи смогли интерпретировать механизмы удержания, выявив влияние соседних аминокислот, посттрансляционных модификаций (PTM), типа хроматографических колонок и добавок в подвижную фазу. Результаты работы позволяют не только точнее предсказывать параметры разделения, но и глубже понимать физико-химические взаимодействия на молекулярном уровне, что критически важно для повышения точности идентификации белков в масс-спектрометрии.

Представлен VX — инновационное программное обеспечение для визуализации данных высокопроизводительного секвенирования, разработанное на языке D с использованием GTK3 и OpenGL. Ключевой особенностью VX является его архитектура, ориентированная на взаимодействие с современными ИИ-агентами и большими языковыми моделями (LLM). В отличие от традиционных браузеров генома, VX предоставляет встроенный HTTP API и сервер протокола Model Context Protocol (MCP), объединяющий 39 инструментов для управления данными, навигации и запуска анализа. Программа поддерживает унифицированный интерфейс для геномных и транскриптомных данных, включая специфические форматы рибосомного профилирования и прямого секвенирования РНК. Интегрированная аналитическая среда включает более 50 функций, таких как поиск пиков, количественный анализ, анализ вариантов и статистика выравнивания. VX позволяет ИИ-агентам не просто анализировать текст, но и управлять визуальным состоянием браузера, что устраняет текущий барьер между биоинформатическими алгоритмами и графическими интерфейсами.

В исследовании представлен новый метод StrainRefine, предназначенный для решения проблемы ошибочной классификации штаммов в метагеномных данных из-за высокой схожести геномов. Авторы разработали подход постобработки картирования, который анализирует профили соответствия чтений референсным геномам для устранения неоднозначностей. Метод использует бинарные профили для представления кандидатов и кластеризует референсы на основе перекрытия этих профилей, что позволяет фильтровать слабо подтвержденные геномы и переназначать чтения наиболее репрезентативным штаммам. Результаты тестирования на крупномасштабных наборах данных показали значительное снижение количества ложноположительных результатов при сохранении полноты охвата (recall). В отличие от существующих инструментов, StrainRefine не требует предварительных предположений о составе образца или использования специализированных баз данных конкретных видов. Метод продемонстрировал наивысшую точность классификации на уровне отдельных чтений даже в самых сложных сценариях, обеспечивая оптимальный баланс точности и полноты.

Данное исследование, опубликованное в журнале npj Digital Medicine, посвящено критическому анализу качества клинических доказательств, на которых основывается одобрение цифровой терапии (DTx) регулятором FDA. Авторы проводят сравнительный анализ доказательной базы, доступной на этапе подачи заявки на авторизацию, и данных, которые накапливаются в процессе использования продукта на рынке. В работе исследуется методология сбора данных и то, насколько клинические испытания соответствуют реальным потребностям пациентов и врачей. Ключевой акцент сделан на выявлении разрыва между контролируемыми исследованиями и эффективностью цифровых продуктов в реальной клинической практике. Результаты подчеркивают необходимость совершенствования стандартов доказательности для цифровых медицинских вмешательств. Исследование имеет высокую значимость для регуляторов, разработчиков DTx и специалистов, внедряющих цифровые решения в клиническую работу.

Компания Doximity, ведущая платформа для медицинских специалистов, объявляет о стратегическом расширении своего портфеля инструментов на базе искусственного интеллекта в 2026 году. В рамках масштабного увеличения расходов на ИИ-технологии компания заключила партнерские соглашения с организациями Aledade и Photon для усиления своих позиций на рынке. Ключевым вектором развития станет масштабирование клинического ИИ-пакета, который включает в себя инструмент Scribe для автоматического ведения медицинских записей (ambient notetaking) и интеллектуального ассистента Ask (ранее известного как DoxGPT). Последний представляет собой специализированную медицинскую поисковую систему, предназначенную для оперативной поддержки принятия клинических решений. Данные инициативы направлены на интеграцию продвинутых языковых моделей непосредственно в рабочий процесс врачей, что позволит значительно сократить административную нагрузку и повысить точность поиска медицинской информации. Реализация этих планов подчеркивает растущую значимость генеративного ИИ в повседневной клинической практике.

Исследование оценивает влияние симптомов киберболезни на медицинских специалистов при использовании AR-гарнитур во время симуляции УЗИ и катетеризации вен. Результаты показали, что использование дополненной реальности является безопасным и хорошо переносимым, не вызывая значительного дискомфорта у пользователей.

Исследование выявило потребности арабоязычных мигрантов в Австралии при использовании мобильных приложений для поддержки психического здоровья. Результаты подчеркивают важность интеграции культурных и религиозных аспектов, таких как исламские практики, в дизайн цифровых инструментов для повышения их эффективности и принятия.

В данном исследовании ученые применили вычислительный пайплайн ab initio для анализа восьми сегментов РНК вируса гриппа А (штамм H3N2), чтобы выявить механизмы регуляции генов хозяина через микроРНК-подобные механизмы. С помощью инструментов VMir и MatureBayes были предсказаны пре-микроРНК и зрелые микроРНК, а последующий анализ через сервер miRDB позволил определить их мишени в геноме человека. Исследователи идентифицировали 10 сегмент-специфичных целевых генов (включая IFNL1, DDX60, SAMHD1, MAVS, IRF4, BIRC2, AGO1, MAP3K1, NOD1, TNFAIP1) и один общий целевой ген (CADM2) для всех сегментов. Анализ генных онтологий показал значительное обогащение путей интерферонового сигналинга, RIG-I-подобных рецепторов, РНК-интерференции и воспалительных реакций. Результаты демонстрируют, что вирус использует микроРНК для модуляции врожденного иммунитета, что открывает новые перспективы для поиска терапевтических мишеней. Работа предоставляет конкретный список генов-кандидатов для дальнейшей экспериментальной валидации в контексте патогенеза гриппа.

В данном исследовании представлена инновационная двухэтапная программная платформа для прогнозирования белок-белковых взаимодействий (PPI), что является критически важной задачей молекулярной биологии. Авторы предлагают отойти от традиционного ручного проектирования признаков, используя автоэнкодер на базе одномерной сверточной нейронной сети (1D-CNN) для автоматического извлечения скрытых представлений из белковых последовательностей. В рамках методологии полученные латентные признаки объединяются с классическими признаками на основе частоты аминокислот, формируя гибридный набор данных. Для оценки эффективности применялась процедура вложенной перекрестной проверки (nested cross-validation). Результаты показали, что интеграция глубокого обучения признаков значительно повышает точность моделей по сравнению с использованием только частотных характеристик. Итоговая модель на базе классификатора случайного леса (Random Forest) продемонстрировала высокую эффективность, достигнув среднего показателя AUC-ROC 0,91 и F1-меры на тестовой выборке 0,87. Данный подход открывает новые возможности для ускорения биомедицинских исследований за счет снижения зависимости от трудоемких экспериментальных методов.