диагностика

В исследовании проводится сравнительный анализ эффективности шести популярных инструментов поиска соматических вариантов (FreeBayes, MuTect2, Pisces, Platypus, VarDict и VarScan) в рамках клинической молекулярной диагностики. Авторы интегрировали эти инструменты в конвейер Snakemake для обработки данных ампликонного секвенирования коммерческого референсного стандарта HD789, полученных с платформ Illumina MiSeq и NextSeq 2000. Методология включала секвенирование в трех повторностях и использование образца с разведением 1:4 для определения пределов обнаружения вариантов. Результаты показали, что FreeBayes выявляет наибольшее количество соматических вариантов, однако характеризуется повышенным количеством артефактов. Наилучшие показатели точности и согласованности на данных HD789 продемонстрировали алгоритмы FreeBayes, VarScan, MuTect2 и Pisces. Исследование имеет высокую практическую значимость для оптимизации биоинформатических пайплайнов в лабораторной диагностике рака.

Данный обзорный материал, опубликованный в журнале npj Digital Medicine, посвящен анализу текущего состояния и перспектив использования алгоритмов машинного обучения для раннего выявления остеопороза. В работе рассматриваются различные подходы к применению ML, включая анализ медицинских изображений (рентгенография, КТ, DXA), обработку электронных медицинских карт и использование данных носимых устройств для оценки риска переломов. Авторы систематизируют существующие исследования, выделяя эффективность нейросетевых моделей в автоматической сегментации костной ткани и прогнозировании плотности минеральной кости. Особое внимание уделяется интеграции ИИ в клиническую практику для автоматизации скрининга групп риска, что позволяет снизить нагрузку на врачей и повысить точность диагностики. В обзоре также обсуждаются технические сложности, такие как необходимость стандартизации наборов данных и интерпретируемость моделей (Explainable AI) для медицинского сообщества. Результаты подчеркивают, что внедрение ML-решений может значительно улучшить раннюю диагностику остеопороза, предотвращая тяжелые осложнения и переломы у пожилых пациентов.

Исследователи представили TopicVI — инновационную глубокую интерпретируемую модель, предназначенную для анализа данных секвенирования РНК единичных клеток (scRNA-seq) и пространственной транскриптомики. В отличие от традиционных методов, полагающихся на жестко заданные биологические априорные знания, TopicVI использует теорию оптимального транспорта для гибкого совмещения существующих генных программ с наблюдаемыми данными. Это позволяет модели обнаруживать специфические для конкретного контекста (например, при болезнях) изменения в экспрессии генов, которые часто упускаются стандартными методами кластеризации. Бенчмаркинг показал, что TopicVI превосходит существующие аналоги по показателям биологической консервативности, коррекции пакетных эффектов (batch correction), связности тем и способности идентифицировать редкие типы клеток. При применении модели к наборам данных глиобластомы удалось выявить генные программы, связанные с регуляцией клеточного цикла и сигнализацией EGFR, что позволило обнаружить конвергентные состояния опухоли при различных лекарственных воздействиях. Данная разработка значительно расширяет возможности интерпретации сложных транскриптомных данных для понимания терапевтических механизмов.

В статье представлен PERREO — новый комплексный биоинформатический инструмент, предназначенный для глубокого анализа экспрессии повторяющихся элементов (транспозонов) на основе данных секвенирования коротких и длинных чтений. Традиционные методы RNA-seq часто игнорируют или недооценивают молекулы РНК, происходящие из повторяющихся элементов, так как они оптимизированы под аннотированные гены. PERREO решает эту проблему, обеспечивая полный цикл обработки данных: от контроля качества и специфического для повторов выравнивания до анализа дифференциальной экспрессии и сборки транскриптов de novo. Авторы провели валидацию инструмента на клеточных линиях, опухолевых тканях и жидкостной биопсии, подтвердив его превосходную чувствительность к сигнатурам повторяющейся РНК по сравнению со стандартными подходами. Интеграция прогностического моделирования в пайплайн позволяет выявлять биологические ассоциации и строить сети ко-экспрессии. Данная разработка значительно снижает биоинформатический порог входа для исследователей, открывая новые возможности для изучения роли репотома в развитии онкологических заболеваний и других патологий.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная методология сегментации печени и опухолей на основе компьютерной томографии (КТ). Авторы разработали систему, которая использует интерактивную коррекцию с учетом неопределенности (uncertainty-aware interactive rectification), позволяющую алгоритму подстраиваться под предпочтения врача. Основная идея заключается в том, что модель не просто выполняет сегментацию, а анализирует зоны своей неуверенности, запрашивая уточнение у специалиста в наиболее критических точках. Это позволяет значительно повысить точность выделения границ опухолей, которые часто имеют нечеткие контуры. Использование механизмов выравнивания предпочтений (user-preference alignment) минимизирует количество необходимых правок со стороны радиолога, оптимизируя рабочий процесс. Применение данного подхода в клинической практике может существенно ускорить диагностику и снизить риск ошибок при планировании хирургических вмешательств на печени.

В исследовании представлен новый вычислительный фреймворк для пространственного вывода регуляторных программ, предназначенный для глубокого анализа меланомы. Авторы решают проблему разделения данных: пространственная транскриптомика (ST) дает информацию об архитектуре ткани, но не о регуляции, а мультиомные методы на уровне единичных клеток не сохраняют пространственный контекст. Предложенный метод интегрирует данные Visium ST с данными single-cell multiome, используя пространственно-регуляризованное картирование «клетка-пятно» (cell-to-spot mapping) на базе алгоритма GraphST. В ходе работы исследователи успешно перенесли данные о доступности хроматина и активности мотивов транскрипционных факторов непосредственно в тканевое пространство. Применение фреймворка к образцам меланомы позволило выявить локализованные в пространстве регуляторные программы, которые ранее были недоступны. Результаты показывают, что стратегия назначения клеток критически влияет на стабильность последующего регуляторного анализа. Данный модульный подход обеспечивает интерпретируемые данные на уровнях генов, пиков и транскрипционных факторов, что имеет высокую значимость для точной диагностики и понимания микроокружения опухоли.

Исследование представляет инновационный метод интеграции различных базовых моделей (foundation models) для компьютерной патологии с целью преодоления ограничений их индивидуальной специализации. Авторы разработали фреймворк, который использует легковесную весовую сеть для адаптивного объединения эмбеддингов нескольких моделей, преобразуя их в единые предсказания на уровне генов и пространственных локаций. Методология опирается на данные пространственной транскриптомики, что позволяет сопоставлять генетическую и морфологическую информацию из одного и того же образца ткани. В ходе тестирования на наборах данных пространственной транскриптомики предложенный подход продемонстрировал превосходство над отдельными моделями и классическими методами ансамблирования. Применительно к раку молочной железы система показала значительный рост точности предсказания клинически важных маркеров подтипов PAM50 и генов, являющихся мишенями для лекарственных препаратов. Кроме того, архитектура повышает интерпретируемость результатов, выявляя специфический вклад каждой модели в зависимости от анализируемого гена. Данная работа открывает новые возможности для высокоточной молекулярной диагностики на основе стандартных гистологических изображений.

Исследование посвящено решению проблемы точной идентификации видов грибов, что критически важно для экологии, пищевой безопасности и патологии растений. Авторы сравнивают два биоинформатических подхода для обработки данных секвенирования Oxford Nanopore (ITS-регион): традиционный CPU-конвейер с использованием байесовского движка машинного обучения и ускоренный GPU-конвейер, применяющий нейронные сети и модели сверхвысокой точности (SUP). Результаты показывают, что использование графических процессоров (GPU) значительно повышает точность на уровне видов за счет эффективной коррекции систематических ошибок в гомополимерных регионах. В то же время, внедрение автоматизированной оптимизации гиперпараметров в CPU-средах позволяет достичь стабильной кластеризации последовательностей и высокой таксономической согласованности на уровне рода. Данная работа предлагает масштабируемый протокол, позволяющий исследователям выбирать между максимальной точностью (GPU) и доступностью инфраструктуры (CPU) без существенной потери научной ценности данных.

В исследовании представлен CASPA (Context-Aware Single-Cell Proteomics Analysis) — инновационный автоматизированный конвейер для анализа данных протеомики единичных клеток (SCP), полученных с помощью масс-спектрометрии. Авторы решают критические проблемы отрасли: отсутствие стандартизации, наличие фонового загрязнения белками и субъективность ручной аннотации типов клеток. Методология включает адаптивный контроль качества, итеративную коррекцию батч-эффектов на основе энтропии и уникальный механизм аннотации с использованием больших языковых моделей (LLM). Для устранения типичных ошибок LLM (таких как неверная интерпретация состояний клеток) была разработана трехэтапная архитектура промптов, сочетающая общие биологические принципы с ограничениями, специфичными для конкретного набора данных. Тестирование на данных мозга человека, глиобластомы и опухолей кожи показало высокую точность, сопоставимую с результатами сортировки клеток методом FACS и подтвержденную иммуногистохимией. CASPA обеспечивает воспроизводимый рабочий процесс с количественной оценкой уверенности в аннотациях, что делает его ценным инструментом для высокопроизводительных протеомных лабораторий.

Компания QT Imaging представила обновление ПО версии 4.5.0, использующее оптимизированную деконволюцию и слияние данных скорости звука с отраженными сигналами для улучшения качества изображений. Новые алгоритмы позволяют более точно характеризовать ткани и анализировать анатомические особенности, такие как малый размер груди или наличие имплантатов.

GE HealthCare получила одобрение FDA для True Definition DL — нового решения на базе глубокого обучения для реконструкции изображений в компьютерной томографии (КТ). Технология обеспечивает высокую четкость и разрешение снимков, что критически важно для диагностики заболеваний легких, опорно-двигательного аппарата и внутреннего уха.

Siemens Healthineers модернизирует диагностическое и терапевтическое оборудование системы Onvida Health, включая КТ, МРТ и системы лучевой терапии. Партнерство направлено на повышение эффективности работы клиник и улучшение качества медицинских услуг в быстрорастущем регионе Аризоны.

GE HealthCare объявила о цифровой интеграции системы интраоперационного УЗИ bkActiv с навигационной системой Stealth AXiS от Medtronic для нейрохирургии. Это позволяет хирургам получать визуализацию в реальном времени и компенсировать эффект «смещения мозга» (brain shift), совмещая живые УЗИ-данные с предоперационными МРТ/КТ снимками.

В статье описываются результаты тестирования интероперабельности стандартов DICOM для полнослойного сканирования (WSI) в цифровой патологии. Участники проверили процессы передачи данных между сканерами, архивами и просмотрщиками, включая передачу аннотаций, созданных человеком и алгоритмами ИИ.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная методика автоматизированной классификации подтипов немелкоклеточного рака легкого (НМРЛ) без использования традиционных методов окрашивания. Авторы разработали систему на базе глубокого обучения, которая способна выполнять «виртуальное иммуногистохимическое окрашивание» (virtual IHC) непосредственно на стандартных гистологических препаратах. Основная цель метода заключается в замене дорогостоящих и трудоемких химических процессов цифровой имитацией экспрессии специфических биомаркеров. Использование нейросетевых алгоритмов позволяет с высокой точностью определять молекулярные характеристики опухоли, что критически важно для выбора таргетной терапии. Технология демонстрирует потенциал для значительного ускорения патоморфологической диагностики и снижения операционных расходов медицинских лабораторий. Данный подход открывает новые возможности для персонализированной онкологии, позволяя проводить глубокий анализ тканей в режиме реального времени.

В статье представлен EMITS — новый высокопроизводительный инструмент на языке Rust, предназначенный для точного количественного анализа грибковых сообществ на основе ITS-ампликонов. Основная проблема текущих методов заключается в неверном распределении прочтений между близкородственными видами при использовании наивного метода «лучшего совпадения». Разработчики применили алгоритм expectation-maximization (EM) для итеративного разрешения неоднозначных соответствий между прочтениями и референсными последовательностями из базы данных UNITE. Валидация инструмента проводилась с помощью симуляций, синтетических сообществ и реальных образцов Oxford Nanopore (ONT). Результаты показали, что EM-подход снижает ошибку L1 на 80–92% по сравнению с обычным подсчетом в условиях шума. В тестах на сообществах ONT инструмент успешно разделил виды внутри одного рода (например, Trichophyton mentagrophytes и T. simii), которые ранее классифицировались ошибочно. Использование EMITS позволило снизить количество ложноположительных результатов по численности на 54% и повысить общую точность на 13,4%.

В исследовании представлена инновационная система Cell Positioning System (CPS) — фреймворк на основе неявных нейронных представлений, предназначенный для решения проблем разреженности данных и низкого соотношения сигнал/шум в пространственной транскриптомике. Авторы используют стратегию привилегированной многомасштабной дистилляции контекста, где обучающая сеть (teacher network) с механизмом внимания к биологическим нишам передает структурные знания сети-ученику (student network). Это позволяет генерировать высокоточные карты экспрессии генов, используя только пространственные координаты на этапе инференса, без необходимости в сложной регистрации изображений. Тестирование на наборе данных DLPFC показало, что CPS достигает передовых результатов (SOTA) в задачах импутации (восполнения) и денойзинга (очистки от шума) генной экспрессии. Система также способна выполнять супер-разрешение, восстанавливая детали анатомии мозга мыши, и обеспечивает интерпретируемость, определяя эффективный масштаб биологических взаимодействий в тканях рака молочной железы человека. Важным преимуществом является линейная вычислительная сложность, что делает CPS масштабируемым для работы с крупномасштабными биологическими наборами данных.

В исследовании представлен FLASH — инновационный интерпретируемый фреймворк на базе глубокого обучения, который работает напрямую с необработанными данными секвенирования. В отличие от традиционных GWAS, FLASH способен предсказывать фенотипы для генетических вариантов, которые не встречались в процессе обучения, и эффективно интегрировать структурные вариации. Тестирование на более чем 35 000 изолятов бактерий, грибков и вирусов показало, что метод достигает высокой точности, сопоставимой или превосходящей существующие специализированные решения (SOTA). Алгоритм позволяет идентифицировать канонические мишени для лекарственных препаратов ab initio и находить новые пан-видовые предикторы вирулентности, даже если они не аннотированы в базах данных NCBI. Особую значимость представляет способность FLASH предсказывать такие сложные характеристики, как диапазон хозяев бактериофагов, что ранее считалось невозможным методами GWAS. Данная технология открывает новые горизонты в прогнозировании функций генов и фенотипов во всем древе жизни, особенно в условиях ограничений биоэтики и высокой генетической сложности патогенов.

В исследовании представлен MitoChontrol — новый вероятностный фреймворк, предназначенный для интеллектуального контроля качества данных секвенирования РНК единичных клеток (scRNA-seq). Традиционные методы используют фиксированные пороги процента митохондриальных транскриптов, что часто приводит к ошибочному удалению здоровых, но метаболически активных клеток, или сохранению поврежденных образцов. Авторы предлагают моделировать долю митохондриальных транскриптов внутри транскрипционно когерентных кластеров с помощью распределения гауссовых смесей. Это позволяет определять пороги фильтрации на основе апостериорной вероятности повреждения клетки, учитывая специфику конкретного типа ткани. Тестирование на данных аденокарциномы протоков поджелудочной железы и контролируемых экспериментах показало, что MitoChontrol превосходит стандартные методы по точности селекции. Метод эффективно удаляет деградировавшие клетки, сохраняя при этом биологически значимые популяции с повышенным содержанием митохондриальной РНК, что критически важно для точного анализа сложных патологий.