Поиск

В обзоре анализируется применение ИИ и машинного обучения для прогнозирования несоблюдения пациентами режима приема лекарств при таких заболеваниях, как ВИЧ, диабет и гипертензия. Исследование показывает, что модели на основе электронных медкарт и паттернов аптечных закупок достигают высокой точности (AUC 0.70–0.95), но сталкиваются с барьерами в виде предвзятости алгоритмов и проблем интерпретируемости.

Исследователи из Петрозаводского государственного университета представили инновационную систему на базе искусственного интеллекта, предназначенную для прогнозирования риска преждевременных родов. В основе решения лежит алгоритм градиентного бустинга CatBoost, который эффективно обрабатывает сложные паттерны в данных электронных медицинских карт. Методология исследования заключалась в анализе совокупности клинических факторов и анамнеза пациенток для выявления скрытых закономерностей, предшествующих осложнениям. Разработанная модель позволяет автоматизировать процесс скрининга и выделить группы высокого риска на ранних этапах беременности. Результаты работы, подтверждающие эффективность применения машинного обучения в акушерстве, были официально опубликованы в специализированном научном журнале «Акушерство, гинекология и репродукция». Внедрение данной технологии в клиническую практику может значительно снизить уровень младенческой смертности и улучшить качество ведения беременности.

Данная научная статья, опубликованная в журнале npj Digital Medicine, исследует возможности внедрения больших языковых моделей (LLM) в процессы прогнозной аналитики в медицинских учреждениях. Исследование фокусируется на том, как интеграция LLM позволяет значительно повысить точность предсказания клинических исходов по сравнению с традиционными статистическими методами. Авторы анализируют методологию объединения неструктурированных данных из электронных медицинских карт с количественными показателями для создания комплексных прогностических моделей. Ключевые результаты демонстрируют улучшение точности прогнозирования рисков осложнений и госпитализаций благодаря способности моделей интерпретировать контекстуальные нюансы в записях врачей. Работа подчеркивает значимость использования LLM для персонализации планов лечения и оптимизации распределения ресурсов в реальном времени. Практическая ценность исследования заключается в создании фундамента для разработки интеллектуальных систем поддержки принятия врачебных решений нового поколения.

Исследователи представили mRNA-GPT — инновационную генеративную модель, предназначенную для сквозного проектирования полноразмерных последовательностей мРНК. В отличие от традиционных методов, оптимизирующих отдельные участки, mRNA-GPT осуществляет совместную оптимизацию трех ключевых регионов: 5' UTR, CDS (кодирующая последовательность) и 3' UTR, что позволяет учитывать долгосрочные зависимости и регуляторные взаимодействия между ними. Модель прошла предварительное обучение на колоссальном массиве данных из 30 миллионов естественных последовательностей мРНК различных организмов. Для достижения целевых показателей, таких как период полураспада и эффективность трансляции, авторы применили обучение с подкреплением (Reinforcement Learning) с использованием алгоритма Proximal Policy Optimization (PPO). mRNA-GPT поддерживает гибкие режимы генерации, позволяя создавать как отдельные регионы, так и полноценные последовательности с заданными свойствами. Результаты тестирования показали превосходство модели над современными аналогами (SOTA) в задачах оптимизации стабильности 3' UTR и повышения скорости трансляции CDS, обеспечивая достижение Парето-оптимальных решений при многокритериальной оптимизации.

Данное исследование, опубликованное в журнале npj Digital Medicine, посвящено применению больших языковых моделей (LLM) для автоматизации процесса контроля качества выписных эпикризов. Традиционно оценка качества медицинских документов требует значительных временных затрат со стороны врачей, что делает ручной мониторинг неэффективным. Авторы предлагают методологию, использующую LLM для автоматического сопоставления данных в выписных документах с клиническими записями, обеспечивая высокую точность проверки полноты и корректности информации. Внедрение данного решения позволяет масштабировать проекты по улучшению качества медицинской документации без увеличения нагрузки на персонал. Результаты демонстрируют, что использование ИИ значительно сокращает время на аудит документов, сохраняя при этом уровень точности, сопоставимый с экспертной оценкой человека. Это имеет критическое значение для повышения безопасности пациентов и оптимизации документооборота в современных медицинских учреждениях.

В данной исследовательской работе, опубликованной в журнале npj Digital Medicine, рассматривается инновационный подход к оценке интенсивности головной боли через анализ автоматизированного распознавания мимических паттернов. Авторы используют технологию APEX frames для захвата и анализа микровыражений лица, которые коррелируют с уровнем болевого синдрома. Методология исследования направлена на создание объективного инструмента мониторинга боли, который мог бы дополнить субъективные отчеты пациентов. Ключевая цель заключается в минимизации человеческого фактора при оценке боли, что критически важно для пациентов с когнитивными нарушениями или при хронических состояниях. Результаты подчеркивают потенциал использования компьютерного зрения для интеграции в цифровые системы мониторинга здоровья и телемедицины. Данная технология может стать важным подспорьем в персонализированной терапии неврологических заболеваний.

Стартап Epia Neuro из Сан-Франциско представил инновационную платформу нейроинтерфейса (BCI), предназначенную для реабилитации людей, перенесших инсульт. Технология сочетает в себе минимально инвазивный имплантируемый чип с возможностью записи и считывания сигналов, а также систему поддержки на базе искусственного интеллекта. Устройство устанавливается в череп менее чем за час и способно обучаться, интерпретируя намерения пользователя для управления вспомогательными механизмами, такими как протезы для захвата верхних конечностей. Ключевая особенность метода заключается в слиянии нейронных сигналов с контекстными данными от внешних сенсоров для точного прогнозирования движений. Первые клинические испытания на людях запланированы на вторую половину 2026 года в больнице Lenox Hill в Нью-Йорке. В долгосрочной перспективе компания планирует использовать платформу для борьбы с общим неврологическим упадком.

Статья анализирует революционное влияние искусственного интеллекта на процесс создания препаратов, ориентированных на борьбу со старением. Ключевым событием является масштабное соглашение между Eli Lilly и Insilico Medicine на сумму 2,75 млрд долларов, направленное на коммерциализацию новых пероральных терапевтических средств. Платформа Insilico, основанная на биологии старения, демонстрирует беспрецедентную скорость: путь от идентификации мишени до первой фазы клинических испытаний занимает менее 30 месяцев, тогда как традиционный подход требует 4–6 лет. На начало 2026 года в клиническую разработку включено более 173 программ, обнаруженных с помощью ИИ, при этом эффективность прохождения первой фазы испытаний достигает 80–90% против исторических 40–65%. Автор подчеркивает, что интеграция ИИ-платформ, таких как PandaOmics и Chemistry42, позволяет генерировать новые молекулы за считанные дни, что фундаментально меняет ландшафт превентивной и геронтологической медицины.

Обзор исследует проблемы внедрения ИИ в странах с низким и средним уровнем дохода, фокусируясь на этических, регуляторных и операционных барьерах. Исследование выявило критическую нехватку репрезентативных данных и подготовки кадров, предлагая переход к созданию локальных инновационных экосистем.

Исследование оценивает возможности ChatGPT-4o в предоставлении образовательного контента по диабету. Эксперты-эндокринологи подтвердили высокую точность и качество ответов, однако отметили чрезмерную сложность языка, которая может затруднить понимание пациентами с низким уровнем грамотности.

Исследование оценивает эффективность использования архитектуры Transformer для анализа эмоционального состояния пациентов в ходе психотерапии. Авторы обнаружили, что извлеченные признаки тональности речи коррелируют с клиническими показателями дистресса и могут служить дополнительным инструментом для выявления пациентов с риском ухудшения состояния или прекращения лечения.

Исследователи предложили ансамблевую модель на базе LLaMA-3 и GPT-4o mini для автоматического извлечения данных о регуляторных сетях бактерий из научных текстов. Метод показал высокую точность (F1-score > 0.87) и позволил реконструировать сеть для Salmonella Typhimurium на основе более чем 2000 статей.

Обзор посвящен применению искусственного интеллекта в качестве системы поддержки принятия клинических решений в условиях ОИТ, особенно при лечении сепсиса. Авторы классифицируют возможности ИИ для оптимизации антибиотикотерапии, разделяя сигналы патогенов и реакции организма хозяина на шесть ключевых этапов лечения.

Исследователи представили Pipette — инновационную мультиагентную ИИ-платформу, предназначенную для автоматизации сложных биоинформатических рабочих процессов через взаимодействие на естественном языке. Ключевой особенностью системы является использование Skill Graph — направленного взвешенного графа знаний, извлеченного из более чем 20 000 рецензируемых научных публикаций. Этот граф накладывает биологические ограничения на генерацию кода, предотвращая ошибки, которые часто допускают стандартные LLM при создании многоэтапных пайплайнов. В ходе тестирования на четырех доменах, включая анализ single-cell RNA-seq и компьютерный дизайн лекарств, Pipette показал результаты, превосходящие базовые модели LLM без использования Skill Graph. Особое внимание уделено клиническому применению: система успешно выполнила классификацию вариантов генома в соответствии со стандартами ACMG/AMP. Внедрение Pipette значительно снижает порог вхождения для биологов, не обладающих глубокими навыками программирования, позволяя эффективно преобразовывать данные секвенирования в биологические инсайты.

Исследование представляет TB-Bench — комплексную платформу для оценки эффективности алгоритмов машинного (ML) и глубокого обучения (DL) в прогнозировании лекарственной устойчивости туберкулеза на основе данных полногеномного секвенирования (WGS). Авторы проанализировали 20 различных моделей из 8 существующих исследований, протестировав их на 14 препаратах второй линии. В ходе экспериментов на наборе данных ВОЗ (50 801 образец) было выявлено, что традиционные ML-модели, такие как XGBoost, демонстрируют более высокие показатели PRAUC (от 46% до 93%) для 10 из 14 препаратов по сравнению с глубоким обучением. При внешней валидации на 1 199 образцах было установлено, что ни один класс моделей не показал значительного превосходства над каталожными методами, что указывает на проблемы с обобщающей способностью алгоритмов. Результаты подчеркивают потенциал использования упрощенных ML-моделей в условиях ограниченных ресурсов. Исследователи опубликовали исходный код проекта для обеспечения воспроизводимости и дальнейшего развития стандартов оценки в клинической практике.

Исследователи представили Cyclome — комплексную вычислительную платформу для анализа циклических пептидов, которые являются перспективными каркасами для создания новых лекарственных препаратов. В ходе работы авторы объединили разрозненные данные в единый структурированный ресурс Cyclome930, увеличив объем аннотированных пептидов в 3,4 раза (с 276 до 930 соединений). Методология включает разработку уникального алгоритма выравнивания последовательностей, учитывающего вращательную симметрию и топологию узлов, а также проведение полноатомного молекулярно-динамического моделирования методом репликационного обмена (REMD) в диапазоне температур от 298 K до 400 K. На основе полученных данных была обучена модель машинного обучения STop2Melt, которая предсказывает температуру плавления пептидов, используя циклические эмбеддинги (ESMc) и векторы смещения для учета топологии. Кроме того, была разработана модель CritiCL для оценки способности пептидов связывать критически важные минералы. Данная работа создает фундаментальную базу для направленного дизайна стабильных циклических пептидов и их применения в биомедицине и промышленной биорекуперации.

В исследовании представлен VASCIF (Variable-domain Antibody-antigen Structural Complex Interface Finder) — инновационный фреймворк для предсказания интерфейсов взаимодействия антител и антигенов на уровне остатков. Модель построена на архитектуре Masked Graph Attention (MGA), которая представляет белковые комплексы в виде графов аминокислотных остатков, позволяя эффективно улавливать сложные нелокальные структурные зависимости. Разработанный метод решает критические проблемы текущих подходов: ограниченность структурных наборов данных и сильный дисбаланс классов. Согласно результатам тестирования на курируемых наборах данных, VASCIF демонстрирует показатели state-of-the-art (лучшие в своем классе) при кросс-валидации. Исследователи отметили, что переопределение интерфейсов с использованием увеличенного порога расстояния между остатками (~10 ангстрем) значительно повышает точность предсказания. Модель обладает высокой интерпретируемостью, восстанавливая биофизически значимые паттерны взаимодействия, что критически важно для ускорения разработки новых терапевтических антител и понимания механизмов иммунного распознавания.

Исследователи представили StriMap — единую платформу на базе глубокого обучения, предназначенную для высокоточного предсказания взаимодействий между Т-клеточными рецепторами (TCR), пептидами и молекулами HLA. В отличие от существующих методов, StriMap интегрирует физико-химические свойства, контекст последовательностей и структурные особенности интерфейсов распознавания, что позволяет моделировать сложные трехсторонние взаимодействия. В ходе тестирования платформа продемонстрировала передовые показатели точности (state-of-the-art) и высокую обобщающую способность. В качестве практического применения была проведена масштабная проверка 13 миллионов пептидов, полученных из 43 241 бактериального белка, в контексте болезни Бехтерева (анкилозирующего спондилоартрита). Исследование выявило молекулярные мимики, которые были экспериментально подтверждены как активаторы Т-клеток, связанных с данным заболеванием. Особую значимость представляет обнаружение пептида, обогащенного у пациентов с воспалительными заболеваниями кишечника (IBD), что указывает на общие микробные триггеры этих патологий. Разработка открывает новые возможности для рационального проектирования иммунотерапии и изучения антигенных драйверов аутоиммунных процессов.

В исследовании проводится сравнительный анализ эффективности трех систем ИИ-агентов (Codex с навыками Claude Scientific Skills, Biomni Lab и DeerFlow 2) при выполнении сложных биоинформатических задач. Основная задача заключалась в поиске и классификации белков, связанных с кальцификацией кокколитофорид, в базе данных UniProt по шести различным механистическим категориям. Результаты показали, что система Codex продемонстрировала наилучший баланс между чувствительностью и специфичностью: 92,4% найденных ею белков имели высокую релевантность, а средний коэффициент сходства Жаккара составил 0,982, что говорит о высокой стабильности. В то же время Biomni Lab выдала самый большой объем данных (8 752 белка), но 69,5% из них оказались малорелевантными из-за чрезмерного расширения поиска на общие семейства белков. DeerFlow 2 показала высокую полноту охвата, но с существенным снижением точности (43,8% низкорелевантных результатов). Исследование делает важный вывод: для биоинформатики качество ИИ-агента определяется не объемом выдачи, а точностью генерации запросов, способностью к декомпозиции промптов и стабильностью результатов при повторных запусках.