машинное обучение

Исследование посвящено использованию алгоритмов машинного обучения (XGBoost, Random Forest и др.) для прогнозирования риска инфекций (RTI/STI) у молодых женщин. С помощью анализа SHAP были выявлены ключевые факторы риска, а модель XGBoost показала высокую точность прогнозирования (89.1%).

Исследователи представили gANCHOR — инновационную базовую модель (foundation model) для анализа CAR T-клеточной терапии, использующую иерархический гиперграфовый механизм внимания. В отличие от существующих методов, gANCHOR интегрирует генно-путевые взаимосвязи через биологически обоснованное обучение представлений, что позволяет эффективно переходить от анализа отдельных клеток к прогнозированию клинического ответа пациента. Модель демонстрирует высокую устойчивость к эффекту батч-коррекции и сохраняет биологическую консервативность данных. При тестировании на выборке из 161 пациента, охватывающей пять различных исследований CAR T-клеточной терапии, gANCHOR показала выдающийся результат с F1-score 0,87, превзойдя существующие специализированные модели одноклеточного анализа. Помимо предсказательной способности, архитектура позволила выявить воспроизводимые генные программы, связанные с эффективностью и резистентностью к терапии, что открывает новые возможности для интерпретируемой персонализированной медицины в онкоиммунологии.

В статье представлен SHINE — инновационный вычислительный фреймворк на основе гиперграфов, предназначенный для совместного анализа пространственной экспрессии генов и метаболических сетей. Разработка решает критические проблемы мультиомиксных исследований: пространственное несовпадение данных, разницу в разрешении и сложные взаимодействия между транскриптомом и метаболомом. Методология SHINE использует обучение представлениям (representation learning) для интеграции данных, полученных с одного тканевого среза. В ходе тестирования на моделях болезни Паркинсона у мышей алгоритм успешно выявил области с истощением дофаминергических нейронов и реконструировал оси, связанные с дофамином. При анализе образцов рака легких и молочной железы у человека метод позволил точно сегментировать опухолевые микроокружения и идентифицировать пространственно организованные генно-метаболические программы. Технология демонстрирует высокую масштабируемость и точность в выявлении биомаркеров, что открывает новые возможности для прецизионной диагностики и понимания молекулярных механизмов заболеваний.

В данном исследовании представлен комплексный бенчмарк фундаментальной геномной модели Evo 2 на массиве из 19 429 вирусных геномов из базы RefSeq. Авторы проанализировали способность модели Evo 2 (параметром 20 млрд) улавливать сложную архитектуру вирусных геномов, выходящую за рамки простого нуклеотидного состава. С помощью линейных зондов было установлено, что на оптимальном промежуточном слое модель достигает точности 0.96 в классификации классов по системе Балтимора и 0.99 в определении домена хозяина. Ключевым результатом стало то, что эмбеддинги модели значительно превосходят базовые показатели (6-мерный состав) в декодировании плотности генов (R=0.77), доли кодирующих последовательностей (R=0.61) и перекрытия генов (R=0.64). В задачах генерации фрагментированных геномов модель показала перплексию 1.18 бит/нт для бактериофагов и 1.80 бит/нт для вирусов эукариот. Исследование доказывает, что Evo 2 действительно кодирует функциональную архитектуру вирусных геномов, что открывает новые возможности для биоинформатического анализа и синтетической биологии.

Исследование посвящено изучению генетических профилей экспрессии эндометриоза, которые варьируются в зависимости от анатомического расположения очагов и фазы менструального цикла. Авторы провели масштабный анализ, составив атлас на основе секвенирования РНК единичных клеток (scRNA-seq), охвативший 672 051 клетку от 112 доноров, включая эутопический эндометрий, менструальные выделения, яичники и перитонеальный эндометрий. С помощью машинного обучения были обучены классификаторы, которые позволили выявить подмножество «основных» клеток очага, сохраняющих идентичность маточного эндометрия, но при этом отличающихся от окружающих тканей. Результаты показали, что транскриптомные различия между этими клетками в различных очагах остаются стабильными на всех фазах цикла и даже при приеме гормональной терапии. Выявленные специфические генные сигнатуры позволили успешно классифицировать статус заболевания и подтипы очагов на независимых данных 168 пациентов. Данное открытие закладывает основу для разработки методов диагностики и подтипирования эндометриоза, не зависящих от текущего гормонального фона пациента.

В исследовании анализируется эффективность применения различных алгоритмов машинного обучения для рескоринга совпадений пептид-спектров (PSM) в масс-спектрометрической протеомике. Авторы сравнивают стандартные линейные модели (LSVM) с более сложными нелинейными алгоритмами, такими как Random Forest и XGBoost, доступными в инструменте Mokapot. С помощью метода «ловушки» (entrapment approach) было выявлено, что усложнение моделей приводит к росту числа идентифицированных PSM, однако этот прирост является следствием переобучения и смещения в сторону случайных совпадений с целевой базой данных. В частности, для наиболее сложных моделей фактический уровень ложноположительных результатов (entrapment FDR) достиг 6,3%, в то время как расчетный показатель (decoy FDR) составлял всего 1%. Таким образом, чрезмерная сложность моделей создает иллюзию высокой точности и дает неоправданно оптимистичные оценки FDR. Результаты подчеркивают критическую необходимость баланса между сложностью алгоритма и риском переобучения при автоматизированном анализе протеомных данных.

Исследование посвящено анализу влияния продолженного предобучения (CPT) на специализированную область биологии для крупномасштабных моделей. Ученые протестировали модель Mixture-of-Experts с 26 миллиардами параметров (Gemma-4-26B-A4B), подвергнув её обучению на 8,7 млрд токенов, включающих ДНК, белки и биомедицинские тексты. Результаты показали, что вместо ожидаемого «катастрофического забывания» общих знаний, CPT значительно улучшило показатели: MMLU вырос на 13 пунктов, а точность генерации кода (MBPP) увеличилась с 0,33 до 0,63. В биомедицинской области (BixBench) показатель MCC подскочил с 0,23 до 0,92, что подтверждает глубокую адаптацию модели к научным данным. Единственным негативным эффектом стало снижение правдивости (TruthfulQA на 8,8 пункта), что интерпретируется как доменный дрейф. Авторы доказывают, что CPT и последующая тонкая настройка (SFT) являются взаимодополняющими этапами: CPT расширяет внутренний потенциал модели, а SFT направляет его на конкретные задачи.

Исследование посвящено изучению направленности трансфера знаний между моделями естественного языка (LLM) и биологическими фундаментальными моделями (например, ESM-2, ProtBERT). Авторы проверяют гипотезу о симметричности переноса структурных закономерностей, сравнивая перенос из языка в биологию и наоборот. В ходе экспериментов было установлено, что перенос знаний является асимметричным: языковые модели демонстрируют высокую эффективность при переходе к задачам распознавания гомологии белков (off-domain drop всего 0.08), в то время как биологические модели показывают слабую способность к адаптации под задачи языка (drop 0.36). Исследование показало, что масштабирование моделей не устраняет этот разрыв, а лишь увеличивает его: при росте параметров перенос из языка в биологию усиливается, тогда как обратный процесс стремится к случайным результатам. Результаты работы раскрывают фундаментальную направленность обучения моделей и доказывают, что общие структурные регулярности последовательностей не гарантируют симметричного переноса представлений. Данное открытие критически важно для разработки будущих мультимодальных моделей в биомедицине.

В исследовании представлен MolMAE — инновационная модель мультимодального маскированного автоэнкодера, предназначенная для глубокого обучения представлениям молекул. В отличие от традиционных подходов, опирающихся только на SMILES или 2D-графы, MolMAE интегрирует три типа данных: облака точек молекулярной поверхности, трехмерные графы молекул и токены фрагментов/функциональных групп из SMILES. Методология основана на совместном маскировании химически соответствующих локальных регионов во всех модальностях, что заставляет модель восстанавливать геометрию, топологию и семантику молекулы одновременно. Помимо реконструкции геометрии поверхности, модель обучается предсказывать физико-химические поля, включая электростатический потенциал и дескрипторы Фукуи. Предварительное обучение проводилось на массиве из 261 000 биологически активных молекул (lead-like). Результаты тестов на бенчмарке ESOL (при использовании scaffold splitting) показали превосходную точность, что подтверждает эффективность использования поверхностных данных для задач предсказания свойств, зависящих от взаимодействия лиганда с белком.

В данном исследовании проводится критический анализ возможностей модели AlphaFold3 (AF3), которая перешла от предсказания одиночных белков к моделированию сложных биомолекулярных ансамблей на основе полноатомного фреймворка. Авторы оценивают эффективность AF3 в таких ключевых задачах, как предсказание структур убиквитинированных белков, распознавание комплексов TCR-эпитоп, взаимодействие антител с антигенами, а также белок-РНК и белок-липидные взаимодействия. Результаты показывают неоднородную производительность модели: в то время как в одних сценариях AF3 демонстрирует высокие результаты, в задачах предсказания РНК-мишеней уверенность модели (confidence) не позволяет эффективно отличить реальные партнеры взаимодействия от ложных (decoy). Исследование выявило серьезную проблему зависимости точности от наличия схожих комплексов в обучающей выборке, что ставит под сомнение обобщающую способность модели по сравнению с AlphaFold2. Сделан вывод, что AF3 является мощным инструментом для генерации гипотез, однако её предсказания и метрики уверенности требуют крайне осторожной интерпретации в зависимости от конкретной биологической области и перекрытия с обучающим набором данных.

Разработан комплексный программный инструментарий amR на языке R, предназначенный для прогнозирования антимикробной резистентности (AMR) на основе геномных данных. Пакет состоит из трех модулей: amRdata для автоматизированного сбора геномов и данных о чувствительности из базы BV-BRC, amRml для обучения интерпретируемых моделей машинного обучения и amRviz для интерактивной визуализации через Shiny-дашборды. Методология включает извлечение признаков на различных уровнях: от генных кластеров и доменов белков до структурных вариантов, используя эффективные форматы хранения Parquet и DuckDB. В ходе тестирования на патогене Shigella sonnei система показала высокую точность, достигнув медианного коэффициента корреляции Мэтьюса (MCC) 0,89 для 23 различных препаратов и классов антибиотиков. Инструментарий позволяет преодолеть проблему «черного ящика» в ИИ, предоставляя исследователям возможность интерпретировать механизмы резистентности и выявлять важные биомаркеры. Проект доступен в открытом доступе через GitHub под лицензией BSD-3-Clause.

В исследовании представлен BayesTx (Bayesian Therapeutics target discovery) — инновационный фреймворк на основе байесовских сетей, предназначенный для преодоления разрыва между результатами исследований на клеточных линиях и реальной клинической практикой. Методология заключается в проекции транскриптомных данных пациентов и данных клеточных линий в единое биологическое пространство активности путей и транскрипционных факторов (TF). С помощью обучения доменно-специфичных причинно-следственных графов и агрегации ребер с использованием бутстреп-консенсусной фильтрации, система позволяет моделировать причинно-следственные связи. При тестировании на данных TCGA-BRCA (рак молочной железы) и DepMap, фреймворк успешно ранжировал 47 транскрипционных факторов по их прогнозируемому влиянию на жизнеспособность раковых клеток. Использование Do-симуляции позволило количественно оценить эффект каждого фактора, а полученные мишени получили независимое подтверждение через анализ выживаемости в сторонних когортах и фармакогеномные ассоциации. Данная разработка значительно повышает точность идентификации терапевтических мишеней, обеспечивая их клиническую релевантность.

В исследовании представлен инновационный фреймворк 'proteome velocity', предназначенный для реконструкции непрерывных траекторий изменений протеома на основе перекрестных или разреженных данных протеомики. Авторы используют метод потокового сопоставления (flow matching), где нейронная сеть обучается вычислять поля скоростей в пространстве протеома, позволяя определить скорость и направление изменения концентрации белков при развитии заболеваний. В ходе экспериментов на моделях сепсиса у мышей модель успешно разрешила специфичные для тканей и патогенов траектории, выявив воспалительные белки с уникальными паттернами временной активации. При анализе плазменного протеома пациентов с COVID-19 полученные траектории позволили разделить пациентов на группы с различными программами скоростей, коррелирующими с тяжестью течения болезни. Данная методология позволяет трансформировать статические данные в интерпретируемые динамические модели молекулярного прогрессирования. Это открывает новые возможности для персонализированной медицины и ранней диагностики через понимание динамики биомаркеров.

Исследование посвящено проблеме надежности методов объяснимого искусственного интеллекта (xAI), таких как DeepLIFT, при анализе моделей «последовательность-активность» (S2A), которые предсказывают геномную активность (связывание транскрипционных факторов и экспрессию генов). Авторы изучают, может ли использование ансамблей моделей повысить точность интерпретации признаков, а не только точность самих предсказаний. В ходе работы было установлено, что ансамблирование атрибуций от нескольких моделей значительно улучшает результаты в прикладных задачах, таких как идентификация мотивов транскрипционных факторов и прогнозирование регуляторных генетических вариантов. Особое внимание уделено методу Monte Carlo Dropout (MCDropout), который показал эффективность, приближающуюся к обучению множества отдельных моделей, но при этом существенно снижающую вычислительные затраты на этапе обучения. Результаты работы критически важны для биоинформатики и персонализированной медицины, так как позволяют более точно интерпретировать влияние генетических мутаций на здоровье человека.

В исследовании представлен инновационный подход к диагностике рассеянного склероза (РС) с использованием передовых методов машинного обучения. Авторы разработали новую декодерную модель эмбеддингов ДНК B-клеточных рецепторов (BCR), которая превосходит существующие специализированные и универсальные белковые языковые модели. В ходе работы был проведен реанализ публичных данных секвенирования РНК, в результате чего было извлечено более 11 миллионов последовательностей тяжелых цепей иммуноглобулина (IGH) из различных тканей. Разработанный классификатор на базе языковой модели способен эффективно отличать репертуары пациентов с РС от контрольных групп, включая здоровых людей, пациентов с инфекционными и другими аутоиммунными заболеваниями. Модель также успешно ранжирует известные миелин-связывающие последовательности IgG, специфичные для РС, по сравнению с контрольными образцами. Данная методология закладывает фундамент для создания высокоточных методов детекции рассеянного склероза на основе анализа BCR в крови, что имеет критическое значение для ранней диагностики и мониторинга заболевания.

В исследовании представлена инновационная вычислительная токсикологическая платформа для изучения влияния пер- и полифторалкильных веществ (PFAS), в частности PFOS и PFHxS, на развитие псориаза. Авторы использовали комплексный подход, объединяющий транскриптомику воздействия на модели эпителиальных клеток, полученных из эмбриональных стволовых клеток человека, с данными секвенирования РНК единичных клеток (scRNA-seq) и пространственной транскриптомики. В ходе работы было установлено, что сигнатуры PFOS и PFHxS демонстрируют высокую степень конвергенции с воспалительными процессами при псориазе, затрагивая модули воспаления кератиноцитов, эпидермального стресса, цитоскелета и липидного обмена. С помощью метода виртуального возмущения (virtual perturbation), совместимого с моделью Geneformer, были идентифицированы ключевые эффекторы, такие как S100A9, S100A8, KRT16 и IL36G. Результаты пространственного анализа подтвердили локализацию этих программ именно в активированных кератиноцитах и воспалительных нишах эпидермиса. Данная работа закладывает основу для проверки гипотезы о связи стойких химических загрязнителей с хроническими воспалительными заболеваниями кожи на молекулярном уровне.

В статье представлен RomicsProcessor — инновационный программный пакет, разработанный для решения критической проблемы воспроизводимости в биоинформатике. Авторы предлагают парадигму «воспроизводимости по проекту», в основе которой лежит создание объекта 'Romics_object'. Этот цифровой артефакт является самодостаточным контейнером, который инкапсулирует полную историю данных: от исходного состояния до финальной обработки, включая все промежуточные шаги и зависимости. Методология была протестирована на различных сложных типах данных, включая объемную протеомику (bulk proteomics), крупномасштабную мультиплексную иммунофлуоресценцию и масс-спектрометрическую визуализацию (MSI) из нескольких партий. Результаты демонстрируют высокую масштабируемость и вычислительную мощность инструмента, обеспечивая соблюдение принципов FAIR (находимость, доступность, совместимость и повторное использование). Данная разработка служит фундаментом для создания следующего поколения биоинформатических инструментов, способных эффективно работать в эпоху искусственного интеллекта и ускорять биологические открытия.

Компания «К2 НейроТех», специализирующаяся на интеграции искусственного интеллекта, представила новый бесплатный онлайн-инструмент — калькулятор ИИ-зрелости. Данный сервис предназначен для комплексной оценки готовности бизнес-инфраструктуры к внедрению технологий машинного обучения и нейросетей. Методология калькулятора позволяет компаниям проанализировать текущее состояние своих данных, вычислительных мощностей и кадрового потенциала. По результатам тестирования пользователи получают детальный отчет, указывающий на критические пробелы в архитектуре и необходимые шаги для масштабирования ИИ-решений. Инструмент ориентирован на оптимизацию процесса цифровой трансформации и помогает снизить риски при внедрении дорогостоящих ML-проектов. Это решение полезно для руководителей цифровой трансформации (CDTO) и ИТ-директоров, планирующих интеграцию ИИ в операционные процессы.

Группа российских исследователей, включая специалистов из НИУ ВШЭ (Санкт-Петербург), разработала уникальную открытую базу данных, предназначенную для глубокого изучения механизмов концентрации внимания человека. Проект направлен на создание стандартизированного набора данных, который может быть использован для обучения алгоритмов машинного обучения и разработки систем мониторинга когнитивного состояния. Методология исследования включает сбор и структурирование параметров, характеризующих устойчивость внимания в различных условиях. Данная база данных представляет значительный интерес для разработки ИИ-решений в области нейропсихологии и создания систем адаптивного обучения или контроля усталости. Несмотря на то, что работа носит фундаментальный характер, результаты могут быть применены в создании медицинских инструментов для диагностики когнитивных расстройств и мониторинга состояния пациентов. Открытый доступ к данным способствует ускорению междисциплинарных исследований на стыке ИИ и когнитивистики.