Найдите статьи по ключевым словам и фильтрам.
Компания Esaote представила систему I-Genius — открытый МРТ-сканер, оптимизированный для использования непосредственно во время операций по удалению глиом. Устройство позволяет проводить многократные сканирования без перемещения пациента, обеспечивая хирургов точными данными в реальном времени для более качественного удаления опухоли.
Статья рассматривает возможности применения генеративного ИИ для ускорения разработки медицинских изделий, особенно в процессах написания документации и тестирования. Автор подчеркивает важность внедрения строгих политик управления ИИ для минимизации рисков для безопасности пациентов и защиты интеллектуальной собственности.
Новое исследование, проведенное в пяти ведущих академических медицинских центрах, оценило эффективность использования ИИ-писцов (AI scribes) в клинической практике. Результаты показали, что внедрение технологий автоматического документирования позволяет врачам экономить в среднем около 16 минут за восьмичасовую смену при оказании помощи пациентам. Несмотря на потенциал автоматизации, исследование выявило значительную непоследовательность в использовании этих инструментов медицинским персоналом. Основной вывод заключается в том, что текущие показатели экономии времени остаются умеренными и не достигают ожидаемого радикального сокращения административной нагрузки. Данные подчеркивают необходимость дальнейшей оптимизации ИИ-решений для более глубокой интеграции в рабочий процесс врачей и повышения их реальной продуктивности.
В исследовании представлен инновационный фреймворк на базе машинного обучения, предназначенный для моделирования обнаруживаемости белков на основе данных об экспрессии РНК, атрибутов генов и субклеточной локализации. Авторы проанализировали более 100 000 пар «ген-рак» на основе данных TCGA, TARGET, GTEx и Human Protein Atlas, охватив семь типов опухолей. Результаты показали, что модели, использующие только данные РНК, имеют умеренную точность (ROC-AUC ~0.71), в то время как включение параметров субклеточной локализации значительно повышает точность прогнозирования до ROC-AUC ~0.82. Исследование выявило масштабный разрыв (декаплинг) между уровнями транскриптов и белков: значительное количество генов с высокой экспрессией РНК не обнаруживается на уровне белка. Было установлено, что такие дискордантные гены обогащены в митохондриальных, метаболических и трансляционных регуляторных путях, что указывает на структурированную биологическую природу процесса, а не на случайную вариативность. Работа подчеркивает критическую необходимость учета клеточного контекста и ограничения интерпретации геномных данных исключительно через призму транскриптомики в онкологии.
В данном исследовании представлен инновационный метод аффинной хроматографии, основанный на использовании циклических пептидов, спроектированных с помощью компьютерного моделирования (in silico). Основной целью работы стала разработка высокоспецифичных лигандов для очистки белка C1q, играющего ключевую роль в классическом пути активации системы комплемента. Авторы применили передовую модель предсказания биомолекулярных структур AlphaFold2 для дизайна специфических связывающих пептидов. В ходе работы были синтезированы лариатные циклические пептиды с дисульфидным циклом и биотинилированием, которые затем иммобилизовались на стрептавидиновых носителях. Экспериментальные тесты подтвердили, что разработанная колонка эффективно и специфично захватывает C1q, обеспечивая элюцию с помощью стандартного градиента концентрации NaCl. Важным достижением является сохранение высокой селективности даже в присутствии плазмы крови, что доказывает практическую надежность метода. Данная стратегия de novo дизайна позволяет значительно ускорить процесс создания лигандов, снижая временные и финансовые затраты по сравнению с традиционными методами.
Представлена ProteoPy — легковесная библиотека на языке Python, предназначенная для количественного анализа протеомики на уровнях белков и пептидов. В основе библиотеки лежит структура данных AnnData, что позволяет эффективно объединять биоинформатические данные с сохранением всей метаинформации в едином объекте. Ключевой особенностью является программная реализация алгоритма COPF, которая позволяет осуществлять вывод групп протеоформ непосредственно из пептидных данных. Это дает возможность исследователям идентифицировать специфическую регуляцию протеоформ и использование различных изоформ. Библиотека спроектирована для упрощения рабочих процессов как для специалистов, так и для пользователей без глубоких знаний в биоинформатике. ProteoPy бесшовно интегрируется с экосистемами scanpy и muon, обеспечивая масштабируемость и воспроизводимость мультиомиксного анализа. Инструмент доступен под лицензией Apache 2.0 на GitHub и включает обучающие ноутбуки для быстрой адаптации.
В статье рассматривается потенциал внедрения новых инструментов искусственного интеллекта для ретроспективного анализа уже существующих компьютерных томограмм (КТ) с целью выявления рисков развития сердечно-сосудистых заболеваний. Основная идея заключается в использовании ИИ для автоматизированного скрининга огромных массивов данных, которые уже хранятся в медицинских архивах, что позволяет выявлять скрытые патологии без дополнительных инвазивных процедур. Однако авторы поднимают критически важные вопросы экономической эффективности и практического внедрения: кто возьмет на себя расходы по анализу архивных снимков и как это повлияет на конечные показатели здоровья населения. Исследование фокусируется на разрыве между технологической возможностью массового скрининга и существующими моделями медицинского страхования и оплаты медицинских услуг. Реализация такого подхода может радикально изменить кардиологическую диагностику, если будет решен вопрос финансовой модели и клинической доказанности улучшения исходов для пациентов.
В статье представлен circStudio — новый специализированный Python-пакет, предназначенный для комплексной работы с данными актиграфии, которые собираются с носимых устройств. Разработчики объединили разрозненные инструменты для мониторинга двигательной активности, воздействия света и температуры в единую программную среду. Пакет построен на базе кодовой базы pyActigraphy и интегрирует математические модели циркадных ритмов из пакета Arcascope. circStudio предлагает гибкие инструменты предобработки, поддержку различных форматов файлов через адаптеры и набор функций для вычисления стандартных метрик актиграфии. Основная ценность инструмента заключается в возможности бесшовного перехода от сырых данных носимых устройств к физиологически интерпретируемым результатам моделирования циркадных ритмов. Это решение значительно снижает вычислительные затраты и повышает воспроизводимость исследований в области цифрового здравоохранения, сомнологии и циркадной биологии.
В представленном материале рассматривается новая итерация модели Gemini Robotics-ER 1.6, предназначенная для качественного улучшения автономных робототехнических систем. Основной фокус исследования направлен на развитие способностей к пространственному рассуждению (spatial reasoning) и многоракурсному пониманию сцены (multi-view understanding). Технология позволяет роботам более эффективно интерпретировать окружающую среду, что критически важно для выполнения сложных манипуляций и навигации в динамических условиях. В отличие от предыдущих версий, модель 1.6 демонстрирует прогресс в области 'embodied reasoning' — способности ИИ связывать визуальные данные с физическими действиями в реальном пространстве. Это открывает новые возможности для интеграции продвинутых мультимодальных моделей в медицинскую робототехнику, например, для проведения высокоточных манипуляций при хирургических вмешательствах или автоматизированной помощи пациентам. Внедрение таких моделей позволяет сократить ошибки позиционирования и повысить уровень автономности роботов в неструктурированных средах.
Исследователи разработали новый биоинформатический подход для верификации того, насколько клеточные линии, используемые в лабораторных моделях почек, соответствуют нативным типам клеток. Методология основана на сопоставлении данных bulk RNA-seq (массового секвенирования РНК) с эталонными профилями, полученными из наборов данных scRNA-seq (секвенирования РНК единичных клеток) человека и мыши. В ходе исследования сравнивались три статистические меры сходства и три алгоритма машинного обучения: Random Forest, XGBoost и TabPFN (фундаментальная модель для табличных данных). Результаты показали, что использование корреляции Спирмена и модели TabPFN обеспечивает наивысшую точность идентификации типов клеток, особенно при использовании списков маркерных генов. При тестировании популярных линий было установлено, что клетки OK сохраняют идентичность проксимальных канальцев (особенно под воздействием напряжения сдвига), в то время как линии HK-2, HKC-8 и HKC-11 демонстрируют непоследовательные результаты. Для практического применения авторы представили веб-инструмент CellMatchR, позволяющий исследователям объективно оценивать стабильность и применимость используемых клеточных моделей в экспериментах по изучению заболеваний почек.
Датский фармацевтический гигант Novo Nordisk, известный своими препаратами семаглутид (Оземпик и Wegovy), объявил о масштабном стратегическом партнерстве с компанией OpenAI. Целью сотрудничества является глубокая интеграция технологий искусственного интеллекта во все ключевые бизнес-процессы компании. ИИ будет применяться не только в области биофармацевтических исследований и разработки новых лекарственных соединений, но и в оптимизации производственных мощностей. Кроме того, планируется использование нейросетевых моделей для улучшения логистических цепочек, дистрибуции и коммерческой деятельности. Данное партнерство направлено на повышение операционной эффективности и ускорение вывода новых терапевтических решений на рынок за счет использования передовых языковых и аналитических моделей OpenAI.
Компания Intuition Robotics достигла важного этапа в коммерциализации своих технологий: в штате Вашингтон был официально утвержден код возмещения расходов по программе Medicaid для социального ИИ-робота ElliQ. Это решение позволяет имеющим право на льготы бенефициарам получать робота-компаньона в рамках услуг по уходу на дому. Робот ElliQ использует искусственный интеллект для социального взаимодействия, мониторинга состояния и поддержки когнитивных функций пожилых людей. Внедрение такого решения через государственные программы страхования открывает путь к масштабированию ИИ-технологий в секторе долгосрочного ухода. Данный кейс демонстрирует переход ИИ-компаньонов из категории потребительских гаджетов в категорию медицинских инструментов, подлежащих государственному возмещению. Это имеет критическое значение для интеграции социальных роботов в систему здравоохранения США.
В данном исследовании, опубликованном в журнале npj Digital Medicine, проводится сравнительный анализ использования анонимизированных реальных данных страховых выплат и синтетически сгенерированных данных для оценки безопасности лекарственных препаратов. Основная методология заключается в проверке того, насколько синтетические наборы данных способны воспроизвести статистические закономерности оригинальных медицинских записей без риска раскрытия персональной информации пациентов. Исследование фокусируется на способности ИИ-моделей генерировать данные, которые сохраняют клиническую значимость для выявления побочных эффектов и рисков при приеме медикаментов. Ключевым результатом является оценка точности статистических выводов, сделанных на основе синтетических данных по сравнению с контрольной группой реальных записей. Работа подчеркивает значимость синтетических данных как безопасного и масштабируемого инструмента для фармаконадзора и разработки алгоритмов машинного обучения в медицине, позволяя обходить строгие ограничения конфиденциальности. Это имеет критическое значение для ускорения исследований безопасности лекарств и обучения нейросетей в условиях жесткого регулирования защиты данных.
Статья исследует фундаментальный сдвиг в методологии формирования когорт пациентов в аналитике здравоохранения благодаря внедрению искусственного интеллекта. Традиционно процесс когортирования рассматривался как механическое построение запросов, однако современные ИИ-технологии превращают его в многомерную архитектурную задачу, учитывающую клинические нюансы и временную логику. Основная сложность заключается в работе с фрагментированными данными из электронных медицинских карт (EHR) и страховых претензий, которые предназначены для биллинга, а не для глубокого анализа. ИИ позволяет решать проблему семантического картирования, переводя сложные клинические намерения (например, поиск пациентов с диабетом 2 типа на определенной терапии и конкретными показателями ИМТ) в точную логику через системы кодирования ICD-10, CPT и LOINC. Переход от непрозрачных операций к последовательным, валидируемым рабочим процессам с помощью ИИ минимизирует риски смещения данных и ошибок в расчетах. Это имеет критическое значение для создания качественных доказательств реального мира (RWE), экономики здравоохранения (HEOR) и планирования клинических разработок.
Исследование изучает перспективы внедрения ИИ в сельской местности через призму мнений медицинских специалистов и администраторов. Основные результаты выделяют потенциал ИИ в сокращении географического неравенства, но подчеркивают необходимость этического регулирования и сохранения человекоцентричного подхода.
В данном исследовании рассматривается применение вариационных автоэнкодеров (VAE) как мощного инструмента для обучения без учителя, в частности для обнаружения аномалий и кластеризации данных. Авторы предлагают использовать вероятностную метрику реконструкции (reconstruction likelihood) в качестве стохастической альтернативы традиционным детерминированным показателям ошибки. В ходе работы тестировались различные архитектуры VAE, сочетающие реконструкционную вероятность с обучаемым или управляемым данными априорным распределением. Методология включала использование методов снижения размерности, таких как t-SNE и UMAP, для визуализации латентного пространства, а также алгоритмов k-means и HDBSCAN для верификации кластеров. Результаты показали, что энкодер VAE эффективно отображает данные в латентное пространство с четко выраженной кластерной структурой, соответствующей истинным меткам. Исследование доказывает, что использование семантических признаков в сочетании с вероятностью реконструкции обеспечивает научно обоснованный подход к идентификации типичных образцов и аномалий, что имеет высокий потенциал для клинического применения в анализе биомедицинских данных.
Исследование посвящено разработке инновационной платформы MAPPER (Mode of Action Prediction via Proteomics-Enhanced Representation) для ускоренного определения механизмов действия (MoA) антибиотиков. В условиях растущей резистентности к существующим препаратам, авторы предложили масштабируемый фреймворк, использующий мультимодальные данные для анализа ответов бактерий Escherichia coli. Методология включает интеграцию протеомных профилей, химических дескрипторов структур, динамики роста и ингибирующих концентраций более чем 50 различных антибиотиков. Разработанная модель MAPPER успешно классифицирует препараты по девяти различным механистическим классам и обладает способностью выявлять соединения с потенциально новыми, ранее не изученными механизмами действия. Тестирование показало высокую устойчивость системы при переносе знаний (transfer learning) между различными платформами масс-спектрометрии и внешними наборами данных. Данная технология представляет значительную ценность для фармацевтической разработки, позволяя эффективно приоритизировать новые антибактериальные кандидаты с уникальными механизмами воздействия.
В исследовании представлен масштабный унифицированный датасет пространственной транскриптомики, полученный с помощью платформы Stereo-seq. Авторы проанализировали 10 различных органов мыши, включая мозг, почки, легкие, тимус, кишечник, кожу, селезенку, яичники, семенники и матку, охватив 23 среза тканей на 21 чипе. Каждая выборка сопровождается соответствующими изображениями окрашивания ssDNA или гематоксилином и эозином (H&E). Датасет включает матрицы экспрессии с разрешением на уровне отдельных клеток (cell-bin) или квадратных бинов размером 50 мкм (bin-50), а также аннотации типов клеток. Исследование подтвердило надежность аннотаций через согласованность данных в разных срезах тканей и соответствие каноническим паттернам экспрессии маркерных генов. Сравнение показало преимущество разрешения cell-bin для точной аннотации типов клеток. Данный ресурс служит стандартизированной базой для разработки новых методов пространственной транскриптомики, бенчмаркинга и мультимодального анализа с применением глубокого обучения.
В данном исследовании представлены новые параметры анализа ближайших соседей, предназначенные для оценки изменения свободной энергии при фолдинге РНК, с учетом модификации 1-метил-псевдоуридин. Эта модификация играет критическую роль в разработке мРНК-вакцин, так как она позволяет подавлять врожденный иммунный ответ организма. Авторы разработали новые параметры спиральных терминов для пар оснований 1-метил-псевдоуридин-аденин и 1-метил-псевдоуридин-гуанин, а также параметры стабильности петель. Методология основывалась на проведении 208 экспериментов по оптическому плавлению, которые затем были протестированы на дополнительных 16 экспериментах. Результаты показали, что замена уридина на 1-метил-псевдоуридин в среднем стабилизирует фолдинг РНК, при этом степень стабилизации варьируется в зависимости от соседней последовательности. Применение новых параметров позволило значительно улучшить моделирование ансамблей фолдинга тРНК. Разработанные данные интегрированы в программный пакет RNAstructure, что позволяет эффективно моделировать вторичные структуры как природных последовательностей, так и терапевтических мРНК.
Компания Bercut, входящая в ИТ-кластер «Ростелекома», анонсировала запуск нового продукта AI Data Fabric, предназначенного для интеграции больших языковых моделей (LLM) в корпоративную среду. Решение фокусируется на создании автономных ИИ-агентов и обеспечении бесшовного доступа к структурированным и неструктурированным данным внутри организаций. Методология продукта базируется на концепции Data Fabric, что позволяет объединить разрозненные источники данных для обучения и дообучения моделей без необходимости их физического перемещения. Ключевой особенностью является поддержка безопасного развертывания моделей внутри контура заказчика, что критически важно для соблюдения требований по защите персональных данных. Внедрение AI Data Fabric позволяет компаниям автоматизировать сложные аналитические процессы и повысить точность ответов ИИ-ассистентов за счет актуальной контекстной информации. Продукт ориентирован на масштабируемость и может быть адаптирован под специфические нужды различных отраслей, включая здравоохранение, где требуется высокая точность обработки медицинских записей.
