Исследователи разработали FibrilNet — сетевой фреймворк, интегрирующий экспериментально определённые протеомы амилоида с графом белковых взаимодействий человека (17 997 белков, 925 977 физических взаимодействий) и семантической информацией из Gene Ontology. Метод сравнивает случайные блуждания с рестартом (RWR) на основе топологии с семантическим RWR, учитывающим 9-мерное семантическое представление контекста взаимодействий. В задаче реконструкции модулей при кардиальном транстиретиновом амилоидозе (ATTR) семантический RWR повысил средний обратный ранг (MRR) с 0.00167 до 0.05015 и Recall@100 с 0.0199 до 0.3377, улучшив предсказания для 132 из 151 целевого белка. Значимые улучшения также наблюдались при почечном амилоидозе сывороточного амилоида A (AA) и амилоидозе лейкоцитарного хемотаксического фактора 2 (ALECT2). Анализ компактных модулей выявил консервативное ядро из белков APCS, VTN и TIMP3, общее для четырёх типов амилоидоза (ATTR, AL, AA, ALECT2), а APOE присутствовал в трёх из четырёх модулей. Тканеспецифичный анализ ATTR показал ограниченное перекрытие между кардиальным и неврологическим модулями (19 общих белков, индекс Жаккара 0.0569). В модели периферических нервов hTTR-A97S семантический RWR значительно улучшил реконструкцию модуля из 202 белков, особенно в программе сниженной экспрессии. Результаты поддерживают многослойную модель, в которой ограниченная консервативная амилоидная среда сосуществует с прекурсор-, ткане- и болезнь-специфичной организацией. Работа имеет прямое отношение к применению ИИ/ML в медицине, поскольку использует сетевые алгоритмы машинного обучения для анализа молекулярных механизмов системных амилоидозов, что может помочь в идентификации биомаркеров и терапевтических мишеней.