Поиск

В статье представлен систематический обзор методов машинного и глубокого обучения для выявления стресса у сотрудников. Исследование анализирует использование носимых сенсоров и мультимодальных данных, выявляя эффективность существующих моделей и пробелы в текущих исследованиях, такие как нехватка данных ЭЭГ.

В данной научной работе исследуется критическая проблема методов коррекции батч-эффектов (batch correction), которые широко применяются для интеграции биологических наборов данных при изучении здоровья и заболеваний. Авторы указывают на серьезный недостаток популярных методов на основе эмбеддингов (embedding-based approaches): они могут существенно искажать взаимосвязи между признаками, в частности, корреляционные структуры между генами. Это искажение создает риск получения ложных биологических выводов при проведении последующего анализа данных. В рамках исследования была разработана и представлена новая метрика, позволяющая количественно оценить степень деформации генных корреляций, вызванную алгоритмами коррекции. Работа имеет высокую значимость для биоинформатиков и исследователей, использующих ИИ и машинное обучение для анализа транскриптомных данных, так как позволяет более точно оценивать достоверность интегрированных датасетов. Понимание этих механизмов необходимо для разработки более надежных инструментов препроцессинга данных в вычислительной биологии.

Исследование представляет HOMED (Hierarchically Optimized Methylation Deconvolution) — инновационный вычислительный фреймворк, предназначенный для решения проблемы клеточной гетерогенности в данных метилирования ДНК. Метод преодолевает ограничения существующих подходов, интегрируя иерархию клеточных линий и используя данные секвенирования РНК единичных клеток (scRNA-seq) для оптимизации сигнатур CpG-сайтов. В ходе тестирования на симулированных и реальных наборах данных (периферические мононуклеарные клетки крови, легкие и плацента) HOMED продемонстрировал превосходство над существующими методами, показав наиболее высокие коэффициенты корреляции Пирсона (PCC) и минимальные среднеквадратичные ошибки (RMSE). Благодаря использованию парных данных bulk RNA-seq/DNAm, алгоритм обеспечивает более высокую точность и разрешающую способность при анализе эпигенома. Разработка значительно повышает возможность обобщения результатов между различными типами тканей, что критически важно для проведения полногеномных исследований ассоциаций (EWAS). Данная технология открывает новые возможности для точной интерпретации эпигенетических профилей в биомедицинских исследованиях.

В исследовании представлен VitaGRN — новый мультимодальный биофизический фреймворк, предназначенный для моделирования генных регуляторных сетей (GRN) через призму физических механизмов, а не просто статистической коэкспрессии. В отличие от существующих методов, VitaGRN использует структурно выровненные белковые эмбеддинги, что позволяет учитывать неканнонические регуляторы, не обладающие классическими мотивами связывания с ДНК. Модель демонстрирует способность к zero-shot прогнозированию ответов на пертурбации, обеспечивая высокую обобщающую способность на ранее не встречавшихся факторах, типах клеток и этапах развития. В результате работы был создан виртуальный атлас пертурбаций с калиброванной уверенностью, охватывающий более 1000 факторов. Данный инструмент позволяет трансформировать статические корреляционные графы в динамические и прозрачные модели, что критически важно для приоритизации кандидатов перед проведением дорогостоящих экспериментов в «мокрой» лаборатории. Применение подобных ИИ-моделей в системной биологии открывает новые пути для персонализированной медицины и разработки таргетной терапии.

Исследование посвящено оценке биологической надежности 24 различных эпигенетических часов (маркеров старения на основе метилирования ДНК) при кратковременном физиологическом воздействии — ночном голодании и последующем приеме пищи. Авторы проанализировали классические часы (Horvath, Hannum), системы системного старения (SystemsAge), часы, обученные на показателях смертности (GrimAge, OMICmAge), и часы темпа старения (DunedinPACE) на трех наборах данных, включая когорту из 2895 человек. Результаты показали, что голодание вызывает сдвиг оценок возраста на 0,5–3 года в часах, чувствительных к состоянию иммунных клеток, в то время как mortality-trained часы (GrimAge) и DunedinPACE не показали значимого острого эффекта. Ключевым выводом стало то, что корректировка состава иммунных клеток практически полностью нивелирует эффект голодания (например, для SystemsAge Blood — 99,7% затухания эффекта). Исследование демонстрирует, что чувствительность часов к физиологическим изменениям во многом зависит от их архитектуры и доли иммунной составляющей, что критически важно для понимания их трансляционного потенциала в клинических испытаниях.

В исследовании представлен инновационный метод построения пангеномов, основанный на использовании эмбеддингов белковых языковых моделей (Protein Language Models). В отличие от традиционных методов, опирающихся на выравнивание нуклеотидных или белковых последовательностей, данный подход позволяет выявлять отдаленные ортологи и семантические связи, выходящие за рамки простого сходства последовательностей. Методология включает поиск ближайших соседей с использованием GPU-ускорения, динамическую пакетную обработку и оптимизацию ONNX, что обеспечивает линейную масштабируемость при анализе миллионов белков. Сравнительный анализ с инструментом SCARAP показал, что новый метод формирует более специфичные кластеры. При тестировании на наборе данных CAFA5, содержащем экспериментально подтвержденные данные, предложенный подход значительно превзошел SCARAP по всем метрикам функциональной согласованности и когерентности. Практическая значимость подтверждена успешной характеристикой пангенома 1034 геномов Streptomyces. Разработчики предоставили открытый исходный код на GitHub для масштабирования биоинформатических исследований.

Microsoft представила квантовый чип Majorana 2, надежность которого значительно выше отраслевых стандартов. Ключевым фактором успеха стала платформа Microsoft Discovery — агентный ИИ, который автоматизировал сложные измерения и помог выявить корреляции в огромных массивах исследовательских данных.

Данная работа представляет собой обзор границ (scoping review), посвященный проблеме отсева пациентов (dropout) в рамках смешанной терапии (blended therapy) для лечения ментальных расстройств. Исследование фокусируется на отсутствии единого стандарта определения и отчетности о случаях, когда пациенты прекращают терапию, сочетающую цифровые инструменты и очное взаимодействие с врачом. Авторы анализируют текущую методологию в существующих публикациях, выявляя значительную вариативность в том, как классифицируется завершение курса лечения. Основная цель работы — разработать более строгие протоколы отчетности, которые позволят точнее оценивать эффективность цифровых психологических интервенций. Результаты подчеркивают необходимость стандартизации метрик для улучшения клинической практики и интеграции ИИ-решений в психологическую помощь. Это имеет критическое значение для разработки масштабируемых цифровых программ ментального здоровья.

Исследование посвящено разработке модульного ETL-фреймворка на базе Python, предназначенного для автоматизации извлечения высокочастотных мультимодальных данных из систем управления данными пациентов (PDMS) в условиях реанимации и периоперационного периода. Авторы решают проблему фрагментированной и закрытой архитектуры медицинских систем, которая затрудняет вторичное использование клинических данных для исследований. Разработанная система использует модели Pydantic для обеспечения строгой типизации и автоматической проверки правдоподобности данных, а также SQLAlchemy для абстракции доступа к базам данных. Ключевым преимуществом является встроенный механизм необратимой псевдонимизации с использованием «соли», что обеспечивает полное соответствие регламенту GDPR и немецкому закону о защите данных в больницах (BayKrG). Фреймворк позволяет трансформировать гетерогенные записи PDMS в стандартизированные, готовые к анализу наборы данных с обеспечением полной прослеживаемости через интегрированный аудит-лог. Это решение значительно снижает технические и регуляторные барьеры, заменяя сложные разовые запросы на воспроизводимый и масштабируемый процесс подготовки медицинских данных.

Исследование посвящено разработке теоретической базы для оценки эффективности Jigsaw Live Chat — ирландского сервиса психологической поддержки молодежи, работающего в формате односеансовых синхронных чатов. Методология включала ситуационный анализ, обзор литературы и два воркшопа по совместному проектированию с участием 13 сотрудников сервиса. В ходе работы была сформирована причинно-следственная теория программы, выявившая 12 ключевых компонентов вмешательства, влияющих на доступность помощи и снижение уровня острого стресса у подростков. Исследование подчеркивает важность интеграции чат-сервисов в общую национальную систему психиатрической помощи и предлагает адаптированные индикаторы для оценки реального воздействия в условиях, когда рандомизированные контролируемые испытания неэтичны. Результаты предоставляют готовую модель для оценки цифровых интервенций в сфере ментального здоровья, учитывающую контекстуальные барьеры и механизмы изменений в реальной клинической практике.

В статье представлен StrucTTY — инновационный инструмент для визуализации структур белков, разработанный специально для работы в текстовых терминалах и высокопроизводительных вычислительных средах (HPC). Проблема отсутствия инструментов для интерактивного просмотра белковых структур в SSH-сессиях решается с помощью самодостаточного исполняемого файла, который преобразует трехмерные координаты PDB и mmCIF файлов в ASCII-графику. Программа позволяет пользователям осуществлять вращение, масштабирование и перемещение структур, а также изучать особенности цепей и вторичные структуры белков. Ключевой особенностью является поддержка одновременного отображения до девяти белковых структур и возможность прямой визуализации структурного выравнивания на основе данных Foldseek. Это позволяет проводить быстрый сравнительный анализ в «headless» средах без необходимости использования графических интерфейсов. Инструмент представляет значительный интерес для специалистов по структурной биологии, работающих с большими данными в удаленных вычислительных кластерах.

Исследование посвящено детальному изучению механизмов активации комплекса mTORC1, который играет ключевую роль в регуляции клеточного роста, метаболизма и ответа на стресс. Авторы использовали передовые методы глубокого обучения, включая AlphaFold-3, в сочетании с молекулярной динамикой (MDFF) для создания уточненных атомарных моделей комплекса mTORC1 в различных состояниях (с ATP и RHEB). В ходе симуляций было обнаружено, что связывание малого ГТФазы RHEB вызывает глобальную перестройку комплекса: усиливаются взаимодействия между mTOR и RAPTOR, при этом ослабляются контакты mTOR-mLST8. Эти структурные изменения приводят к реорганизации N- и C-лопастей киназы, переводя её в каталитически активное состояние. Особое внимание уделено стабилизации связывания ATP за счет улучшения координации ионов магния (Mg2+). Работа предоставляет глубокое понимание того, как аллостерическая предорганизация mTORC1 подготавливает комплекс к катализу еще до связывания субстрата, что критически важно для разработки новых терапевтических мишеней.

В исследовании представлен ChiMER — новый графовый вычислительный фреймворк, разработанный для обнаружения химерных энхансерных РНК (eRNAs), которые сливаются с белок-кодирующими генами. Традиционные инструменты часто пропускают такие события из-за низкого уровня экспрессии eRNA или классифицируют их как артефакты картирования. Методология ChiMER использует информацию о контактах хроматина для построения графов сплайсинга, добавляя ребра между энхансерами и экзонами, что позволяет находить транскрипционные пути через графовое выравнивание. Тестирование на реальных данных РНК-секвенирования раковых клеточных линий показало, что ChiMER обладает более высокой чувствительностью по сравнению с линейными методами при сохранении низкого уровня ложноположительных результатов. Исследование выявило множество химерных транскриптов, связанных с супер-энхансерами, и установило их связь с активными регуляторными средами и сигналами R-петель. Это указывает на то, что гибридные структуры РНК-ДНК могут играть ключевую роль в процессах транскрипционного соединения на больших расстояниях, что открывает новые пути для понимания механизмов развития рака.

В исследовании представлен Super Bloom Filter — новый тип фильтра Блума, оптимизированный для обработки потоковых k-мерных запросов в биоинформатике. Основная проблема существующих структур заключается в плохой локальности кэша из-за случайных обращений к памяти, что замедляет работу. Авторы предложили использовать минимизаторы для группировки смежных k-меров в «супер-k-меры», что позволяет привязывать группу к одному блоку памяти и значительно снижать количество операций передачи данных. Дополнительно внедрена схема findere, которая снижает количество ложноположительных срабатываний на несколько порядков; в некоторых конфигурациях при 10^9 случайных запросах ложноположительных результатов не обнаружено вовсе. В ходе тестирования интеграция Super Bloom в инструменты BioBloom (на языке Rust) показала многократное преимущество в скорости индексации и поиска по сравнению с классическими реализациями на C++ и Rust. Данная разработка критически важна для задач метагеномной классификации, удаления последовательностей хозяина и фильтрации загрязнений при анализе биологических данных.

В статье представлено обновление программного обеспечения Harmony2, предназначенного для интеграции профилей секвенирования РНК единичных клеток (scRNA-seq). В условиях стремительного роста биомедицинских данных, объем которых в открытом доступе уже превышает 100 миллионов клеток, традиционные методы сталкиваются с проблемой масштабируемости. Разработчики представили алгоритм, способный эффективно обрабатывать более 100 миллионов клеток и более 1000 наборов данных без необходимости использования специализированного высокопроизводительного оборудования. Ключевым технологическим достижением является оптимизация базового алгоритма, которая предотвращает эффект «переинтеграции» (overintegration), сохраняя биологическую гетерогенность в сложных наборах данных. Это позволяет создавать высокоточные атласы единичных клеток, что критически важно для понимания клеточной архитектуры различных тканей и органов. Инструмент представляет высокую ценность для биоинформатиков и исследователей, занимающихся системной биологией и персонализированной медициной.

Исследование представляет Isopedia — новую расширяемую структуру данных, предназначенную для аннотации изоформ РНК без привязки к существующим референсным геномам. Авторы решают проблему гипертрофированной «новизны» транскриптов, которая в RNA-Seq исследованиях часто достигает 20-70% из-за неполноты текущих аннотаций. Методология Isopedia переходит от зависимости от референса к аннотации, взвешенной по фактическим доказательствам, что позволяет отличить биологически активные изоформы от стохастического шума. В ходе тестирования на наборе данных HG002 система позволила снизить показатель кажущейся новизны изоформ в 26 раз, обеспечив уровень аннотации более 95% даже для низкокопийных изоформ. Масштабный каталог включает 1007 наборов данных секвенирования длинных чтений (long-read) из 37 различных биологических контекстов. Данный фреймворк критически важен для клинических исследований РНК, позволяя более точно изучать сложные локусы, такие как псевдогены и слияния генов. Проект Isopedia является открытым и доступен для использования в научных и медицинских целях через GitHub.

Международная группа исследователей представила комплексные рекомендации по применению генеративного искусственного интеллекта в процессе подготовки медицинских научных работ. В основу документа лег глубокий сравнительный анализ редакционной политики 15 ведущих мировых научных издательств, таких как Elsevier, Springer Nature, JAMA, The Lancet и BMJ. Основная цель исследования — систематизировать подходы к использованию нейросетей, чтобы обеспечить прозрачность и научную достоверность публикаций. Рекомендации затрагивают вопросы ответственности авторов за сгенерированный контент, правила декларирования использования ИИ и ограничения на признание алгоритмов соавторами. Данная инициатива имеет критическое значение для регулирования научной деятельности в эпоху стремительного развития больших языковых моделей. Внедрение этих стандартов поможет минимизировать риски галлюцинаций ИИ и плагиата в доказательной медицине.

Компания Commure, специализирующаяся на решениях в области искусственного интеллекта для здравоохранения, объявила об успешном завершении раунда финансирования, в ходе которого было привлечено 70 миллионов долларов. Данная инвестиция позволила компании достичь значительной рыночной оценки в 7 миллиардов долларов. Полученные средства будут направлены на дальнейшее масштабирование технологической платформы, которая объединяет различные ИИ-инструменты для оптимизации работы медицинских учреждений. В условиях растущей цифровизации здравоохранения, Commure стремится интегрировать передовые алгоритмы машинного обучения в клинические рабочие процессы. Успех раунда подтверждает высокий интерес венчурных инвесторов к сектору медицинского ИИ и потенциал автоматизации административных и диагностических задач. Данное событие подчеркивает динамичное развитие рынка специализированных ИИ-решений для индустрии здравоохранения.

Федеральный фонд обязательного медицинского страхования (ФФОМС) инициировал внедрение системы ключевых показателей эффективности (KPI) для оценки уровня интеграции технологий искусственного интеллекта в региональные программы ОМС. Данная инициатива реализуется на основании резолюции министра здравоохранения РФ Михаила Мурашко и направлена на систематизацию использования цифровых решений в здравоохранении. Основной акцент в предлагаемых показателях сделан на двух ключевых направлениях: применение ИИ-алгоритмов в лучевой диагностике (рентгенология, КТ, МРТ) и автоматизированный анализ данных электронных медицинских карт (ЭМК). Внедрение данных KPI позволит государству объективно оценивать готовность регионов к цифровой трансформации и контролировать реальное использование нейросетевых технологий в клинической практике. Это создаст основу для масштабирования ИИ-решений и их включения в стандарты оказания медицинской помощи через механизмы финансирования ОМС.