машинное обучение

В исследовании, опубликованном в Nature Machine Intelligence, представлена инновационная разработка — мягкий роботизированный манипулятор, конструкция которого имитирует биологические механизмы осьминога. Основная особенность системы заключается в использовании распределенных оптоэлектронных механосенсоров, интегрированных непосредственно в присоски робота. Эти сенсоры позволяют устройству в режиме реального времени детектировать силы контакта и точно определять положение объектов при взаимодействии с ними. Благодаря такой архитектуре периферийного управления, робот способен осуществлять автономный захват предметов в сложных подводных условиях без необходимости передачи всех данных в центральный процессор. Данная технология демонстрирует значительный прогресс в области мягкой робототехники и автономных систем, способных к высокоточному тактильному восприятию в неструктурированных средах.

Исследователи представили PLM-SAE — новый механистический фреймворк, использующий разреженные автокодировщики (SAE) для расшифровки сложных эмбеддингов белковых языковых моделей (PLM), таких как серия ESM. Основная проблема существующих моделей заключается в высокой степени запутанности латентных представлений, что мешает точному пониманию биофизических ограничений. Предложенный метод позволяет разделить эти представления на дискретные, биологически интерпретируемые активации, что значительно повышает точность предсказания эффектов мутаций (VEP). В ходе тестирования в режиме zero-shot модель ESM-3 показала существенный прогресс на 114 наборах данных глубокого мутационного сканирования, включая относительное улучшение на 80,8% для человеческой E3-убиквитинлигазы HECD1. Использование дифференцируемого механизма гейтинга обеспечило рост среднего коэффициента корреляции Спирмена на +0,138 в более чем 80% случаев. Кроме того, при применении к многозадачной архитектуре были достигнуты новые показатели SOTA на 17 наборах данных VenusMutHub, где точность предсказания связывания с малыми молекулами выросла на 169,0%. Данная работа закладывает фундамент для более глубокого понимания функциональности белков с помощью ИИ.

В данной статье представлен инновационный подход к цифровой патологии, основанный на использовании федеративного обучения (Federated Learning) с применением глубоких признаковых подсказок (deep feature prompts). Исследование направлено на решение проблемы конфиденциальности данных при обучении моделей на распределенных медицинских наборах данных, что критически важно для патологоанатомических исследований. Предложенная методология позволяет масштабировать процесс обучения, минимизируя необходимость передачи чувствительных изображений тканей между учреждениями. Использование механизмов prompt-learning в контексте глубоких признаков обеспечивает высокую точность классификации патологических состояний даже при ограниченных локальных данных. Результаты демонстрируют, что предложенная архитектура превосходит стандартные методы федеративного обучения по показателям гибкости и адаптивности к различным типам цифровых слайдов. Данная технология имеет высокую практическую значимость для создания глобальных диагностических систем, способных обучаться на разнообразных популяциях без нарушения законодательства о защите персональных данных.

В статье представлен инновационный подход к решению критической проблемы медицины — обнаружению пропущенных или недиагностированных заболеваний. Авторы разработали специализированный фреймворк, использующий метод кросс-уровневого слияния (cross-level fusion) данных и медицинских знаний. Методология объединяет глубокое обучение на основе структурированных электронных медицинских карт с экспертными знаниями, заложенными в графы медицинских знаний. Это позволяет модели не просто находить статистические закономерности, но и учитывать клиническую логику при анализе состояния пациента. Исследование направлено на повышение точности автоматизированного скрининга и снижение риска врачебных ошибок из-за неполноты данных. Внедрение такого решения в клиническую практику может значительно улучшить раннюю диагностику сложных патологий и оптимизировать процессы принятия врачебных решений.

В статье описывается разработка инновационной базовой модели (foundational model), способной эффективно кодировать данные глубокого фенотипирования пациентов. Исследование направлено на решение проблемы разрозненности медицинских данных путем создания единого представления, которое может быть использовано для множества последующих задач. Методология включает обучение модели на массивных наборах мультимодальных данных, что позволяет извлекать сложные биологические и клинические закономерности. Ключевым результатом является демонстрация высокой точности модели в различных прикладных сценариях, таких как прогнозирование исходов заболеваний и классификация фенотипов. Данная разработка имеет критическое значение для персонализированной медицины, так как позволяет автоматизировать анализ сложных клинических профилей. Внедрение подобных моделей в клиническую практику может значительно ускорить процесс принятия диагностических решений и оптимизировать стратегии лечения.

В данном многоцентровом исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная модель на основе объяснимого машинного обучения (XAI) для прогнозирования риска внебольничной остановки сердца (ВНОК). Исследователи разработали алгоритм, способный оценивать динамические изменения индивидуального риска в режиме реального времени, что критически важно для превентивной кардиологии. Методология включала использование больших массивов данных из нескольких медицинских центров Китая для обучения и валидации нейросетевых моделей. Ключевым преимуществом работы является внедрение методов интерпретируемости, которые позволяют врачам понимать, какие именно клинические параметры (например, вариабельность сердечного ритма или показатели давления) вносят наибольший вклад в текущий прогноз. Результаты демонстрируют высокую точность модели в выявлении пациентов группы высокого риска до наступления критического события. Данное исследование имеет высокую практическую значимость для интеграции ИИ в системы мониторинга состояния пациентов и раннего реагирования при сердечно-сосудистых катастрофах.

В статье представлена инновационная методология GHOSTS, предназначенная для создания высококачественных синтетических временных рядов на основе данных стационарных пациентов. Исследование решает критическую проблему дефицита и конфиденциальности медицинских данных, предлагая способ генерации реалистичных показателей жизнедеятельности без риска раскрытия персональной информации. Авторы разработали фреймворк, который позволяет моделировать сложные временные зависимости, характерные для госпитальных условий. Основное внимание уделено валидации синтетических данных: методология проверяется на соответствие статистическим свойствам и клинической достоверности оригинальных наборов данных. Использование GHOSTS позволяет исследователям и разработчикам ИИ обучать модели на объемных массивах данных, имитирующих реальные клинические сценарии. Это открывает новые возможности для развития предиктивной аналитики и систем поддержки принятия врачебных решений в условиях строгих регуляторных ограничений.

Исследователи из института AIRI разработали инновационный алгоритм, направленный на решение проблемы адаптации ИИ-агентов и роботов к динамически меняющимся условиям окружающей среды. Суть метода заключается в оптимизации процесса обучения с подкреплением, что позволяет системам быстрее переходить от симуляций к реальному физическому взаимодействию. Согласно представленным данным, предложенный подход позволяет сократить время адаптации роботов к новым задачам почти в два раза по сравнению с существующими аналогами. Это достижение критически важно для внедрения автономных систем в медицину, например, при использовании роботов-ассистентов для проведения манипуляций в операционных или при автоматизации процессов реабилитации. Методология исследования базируется на улучшенной передаче знаний из виртуальной среды в реальную (Sim-to-Real), минимизируя ошибки позиционирования и реакции на препятствия. Внедрение подобных технологий позволит создавать более гибкие и безопасные медицинские робототехнические комплексы, способные работать в непредсказуемых условиях клиник.

Исследование оценивает эффективность использования парадигм двойных задач (когнитивной и моторной нагрузки) для ранней диагностики деменции. Результаты показывают, что сенсорные датчики позволяют выявить значимые различия в походке и координации у пациентов по сравнению с контрольной группой, особенно при выполнении когнитивных задач.

В статье рассматривается проблема «дрейфа» данных и моделей ИИ, используемых в качестве медицинских изделий. Авторы анализируют статистические подтипы дрейфа, его причины и регуляторные вызовы, направленные на обеспечение безопасности пациентов при изменении характеристик медицинских данных.

Систематический обзор 62 исследований, посвященный применению ИИ и глубокого обучения для прогнозирования и диагностики инфекционных заболеваний в Африке. В работе выявлен рост публикаций с 2019 года и определены ключевые направления, такие как борьба с малярией и ВИЧ, а также обозначены барьеры в интеграции данных о животных и окружающей среде.

Систематический обзор посвящен интеграции машинного обучения, IoMT и блокчейна для обеспечения безопасности и эффективности ухода за новорожденными в отделениях интенсивной терапии. Исследование выявляет возможности ML для ранней диагностики и прогнозирования рисков, а также подчеркивает необходимость создания единых систем для обеспечения целостности данных и непрерывного мониторинга.

Исследование направлено на прогнозирование риска суицидальных мыслей у 908 женщин в Испании с использованием пяти моделей машинного обучения. Наилучшие результаты показала модель Random Forest, выявившая такие предикторы, как низкий вес ребенка при рождении, история ментальных расстройств и домашнее насилие.

Исследование посвящено разработке и сравнению моделей машинного обучения для раннего выявления инфекций при поступлении пациентов в отделение неотложной помощи. Наилучшие результаты показал алгоритм Random Forest, который на основе стандартных клинических показателей (СРБ, лейкоциты, температура и др.) продемонстрировал высокую точность прогнозирования.

Исследование представляет интерпретируемую модель машинного обучения для оценки риска сердечно-сосудистых заболеваний на основе данных 70 000 пациентов. Использование методов SHAP позволило сделать прогнозы прозрачными, выделив ключевые факторы риска, такие как возраст, давление и уровень холестерина, что критически важно для внедрения ИИ в клиническую практику.

В исследовании представлен BRIDGE-GRN — инновационный фреймворк на базе графового обучения, предназначенный для реконструкции направленных генных регуляторных сетей (GRN) на основе данных секвенирования РНК единичных клеток (scRNA-seq). Методология решает проблему разреженности данных и неполноты регуляторных априорных знаний путем разделения кодирования общего контекста графа и декодирования направленных ребер. Модель использует двухбашенную архитектуру, проецируя гены в специализированные пространства эмбеддингов ролей транскрипционных факторов и мишеней для асимметричной оценки связей. Для повышения устойчивости к шуму применяется кросс-видовая контрастивная регуляризация, выравнивающая представления графа при возмущениях ребер. Тестирование на данных мыши охватило пять типов клеток и три семейства сетей, показав, что BRIDGE-GRN превосходит или сравнивается с наиболее сильными современными аналогами. Результаты подтверждают высокую точность переноса обучения (transfer learning) в условия ограниченного количества данных и обеспечивают биологическую интерпретируемость через выявление когерентных регуляторных модулей.

В данной работе представлен комплексный вычислительный протокол для анализа динамики состояний Т-клеток, инфильтрирующих опухоли человека, на основе данных секвенирования РНК единичных клеток (scRNA-seq). Методология включает последовательное применение снижения размерности, построения траекторий псевдовремени (pseudotime trajectory inference) и анализа активности регулонов. Ключевой особенностью является интеграция вывода регулонов с реконструкцией сетей транскрипционных факторов (TF-TF networks), что позволяет идентифицировать специфические регуляторные модули, ответственные за переходы между состояниями клеток. Авторы уделяют особое внимание чувствительности параметров и робастности траекторий, обеспечивая согласованность фенотипических и регуляторных данных. Протокол направлен на глубокое понимание механизмов иммунного ответа в опухолевом микроокружении и доступен для воспроизведения через GitHub-репозиторий. Данный подход имеет высокую значимость для разработки таргетной иммунотерапии и понимания механизмов резистентности опухолей.

Исследование посвящено анализу механизмов работы белковых языковых моделей (PLM), таких как ESM-2 (650 млн параметров) и мультимодальная ESM-3 (1,4 млрд параметров). С помощью разреженных автоэнкодеров (SAE) ученые обнаружили, что 78% выученных признаков между этими разными архитектурами конвергируют, что значительно превышает уровень случайного совпадения (14,2%). Эти общие признаки несут основную функциональную информацию: их AUROC для предсказания функциональных сайтов составляет 0,925, в то время как уникальные для конкретной архитектуры признаки показывают лишь 0,661. Установлено, что структурные токены в ESM-3 не создают новый словарь признаков, а скорее «затачивают» существующий, делая его более биологически информативным (134 обогащенных термина GO против 29). Анализ механизмов внимания выявил конкретную геометрическую голову (L0H7), которая служит «бутылочным горлышком» для поступления структурной информации; ее абляция меняет предсказания вторичной структуры у 40% остатков. Работа доказывает существование общего биологического словаря, который модели находят независимо от модальностей обучения.

Исследователи разработали TriCyP (Tri-state Cysteine Predictor) — эффективную двухслойную нейронную сеть на базе эмбеддингов белковой языковой модели ESM-2, предназначенную для классификации функциональных состояний цистеина. Модель способна различать три состояния: координацию металлов, образование дисульфидных связей и наличие свободных тиолов. В ходе тестирования на независимом наборе данных TriCyP продемонстрировала исключительную точность с показателем AUROC = 0,99, превзойдя существующие методы прогнозирования. Авторы применили инструмент к масштабу протеома, проанализировав 2,7 миллиона остатков цистеина в 0,9 миллионах репрезентативных доменов ECOD. Исследование выявило закономерности распределения: дисульфидные связи преобладают в внеклеточных белках эукариот, а координация металлов сосредоточена в ядерных белках, что связано с обилием цинк-пальцевых транскрипционных факторов. Кроме того, метод позволил обнаружить ранее неизвестные семейства металл-связывающих белков и выявить области структурной неопределенности в моделях AlphaFold. Полученный каталог доступен сообществу как ресурс для дальнейших биоинформатических исследований.