В статье представлен конвейер SuperLearner на основе мультиомических данных для 33 типов рака, который моделирует индивидуальные топологии выживаемости, связанные с регулируемой клеточной гибелью (RCD). Используя ансамбль методов машинного обучения (Random Survival Forests, XGBoost, Survival-Boruta, Multi-Task Logistic Regression) и мета-обучатель, авторы достигли медианного C-индекса 0.749 и подтвердили обобщаемость на внешних данных CPTAC. Разработанный инструмент CancerRCDPredictor интегрирует LLM для персонализированной онкологии.
Представлена гибридная система цифрового двойника, объединяющая оптимизированный алгоритм XGBoost (обученный на ~100 000 госпитализаций, AUC 0.68) с физиологически обоснованным фармакокинетическим моделированием (PBPK) для прогнозирования 30-дневных повторных госпитализаций у диабетиков. Система интегрирует риск и симулированную экспозицию лекарств в персонализированный фенотип, позволяя различать фармакологические и нефармакологические факторы риска и предлагать целевые вмешательства (коррекция доз, усиленный мониторинг).
В исследовании на основе данных французского регистра FAST-MI 2015 (4947 пациентов) с помощью иерархической агломеративной кластеризации (метод Уорда) выделены четыре клинически значимых фенотипа острого инфаркта миокарда, различающихся по характеристикам, тактике лечения и прогнозу. Выявленные кластеры демонстрируют гетерогенность пациентов и могут дополнить традиционную классификацию STEMI/NSTEMI для улучшения стратификации риска.
Представлена структура NEUROCOG-DysNet, которая использует многоуровневое извлечение когнитивных признаков и ансамблевый стеккинг для скрининга дислексии на основе данных геймифицированной платформы Dytective (N=3644). Модель достигает AUC-ROC 0.8924, чувствительности 0.8077 и специфичности 0.8187, демонстрируя потенциал в качестве инструмента первичного скрининга, хотя для клинического применения требуются внешняя валидация и проспективные исследования.
Детская глиома низкой степени злокачественности (pLGG) — наиболее распространенный тип опухоли мозга у детей, составляющий около 30% всех опухолей центральной нервной системы у детей. pLGG имеет множество молекулярных подтипов, различающихся по прогрессированию заболевания, характеру рецидивов и ответу на лечение. Традиционные лабораторные методы молекулярного профилирования и гистопатологии трудоемки, дороги и медленны. Существующие методы ИИ/МО для молекулярной классификации pLGG обычно выделяют лишь два-три подтипа. Авторы разработали интегрированный подход мета-кластеризации Meta-pLGG, который позволяет выявлять высокоразрешающие молекулярные подтипы и их транскрипционную гетерогенность. Метод включает многократную случайную проекцию (RP) для снижения размерности транскриптомных данных, кластеризацию с помощью шести алгоритмов (иерархическая, K-means, SOM, NMF, GMM, спектральная) и взвешенную мета-кластеризацию (wMetaC) для объединения результатов. На данных 532 пациентов с pLGG подход показал превосходную стабильность и дискриминационную способность по сравнению с традиционными методами. Анализ консенсусной матрицы выявил два основных мега-подтипа, один из которых делится на три подгруппы, другой — на две. Дифференциальный анализ экспрессии генов, молекулярных путей и связей ген-лекарство-болезнь показал значительную транскрипционную гетерогенность между пятью подгруппами. Результаты демонстрируют более высокую производительность и надежность мета-кластеризации для выявления подтипов pLGG, что может способствовать более точной молекулярной классификации и персонализированной терапии.
Статья представляет BARCS — новый статистический метод, расширяющий бета-биномиальную модель условного общего количества библиотеки до регрессии на уровне направляющих РНК с произвольной матрицей дизайна. Это позволяет напрямую оценивать эффекты времени, ковариат и взаимодействий в продольных, донор-скорректированных и факторных CRISPR-скринингах, которые ранее анализировались только попарными сравнениями. В четырех повторных Cas13-скринингах добавление промежуточной временной точки незначительно улучшило восстановление essential-генов. При применении единого правила масштабирования нецелевых контролей BARCS, MAGeCK-MLE, edgeR-QL, DESeq2 и limma-voom показали схожую калибровку, но четыре альтернативы ранжировали essential-гены сильнее, чем BARCS. В упорядоченном скрининге IL2RA с бинами донор-скорректированный BARCS выявил больше подтвержденных регуляторов при меньшем числе вызовов, чем MAGeCK-MLE, однако перекрестно подобранные контроли выявили избыточную значимость на уровне направляющих. Симуляции показали выигрыш от умерения дисперсии и знаменателей на основе контролей, но также выявили чувствительность к выбору знаменателя и существенные ошибки на уровне генов, связанные с агрегацией коррелированных направляющих. Внешний аудит, вызванный опасениями о ложных открытиях, показал, что заявленное число нулевых открытий для CB2 исчезло при восстановлении полных итогов библиотеки, что скорректировало один результат, но не опровергло более широкую проблему калибровки. BARCS вносит вклад в виде многофакторного расширения модели и четкого описания границ применимости: коэффициенты на уровне направляющих поддерживаются независимыми биологическими библиотеками, тогда как сводки на уровне генов и дизайны с разделенными бинами требуют корреляционно-осознанной агрегации или совместного моделирования, которое текущая реализация предоставляет диагностически, а не генеративно. Работа важна для биоинформатики и анализа данных CRISPR-скринингов, где точная статистическая обработка критична для надежных выводов.
Статья в npj Digital Medicine (опубликована 4 сентября 2026 года) представляет обзор и анализ платформ, использующих искусственный интеллект для эпиднадзора за инфекционными заболеваниями. Авторы рассматривают архитектурные подходы, включая интеграцию данных из электронных медицинских карт, лабораторных систем, данных секвенирования патогенов и неструктурированных источников (новости, соцсети). Описаны ключевые компоненты таких платформ: конвейеры сбора и нормализации данных, модули обнаружения вспышек на основе ML-моделей (например, временные ряды, графовые нейросети), а также интерфейсы визуализации для эпидемиологов. Приводятся примеры реальных систем, таких как HealthMap, EPIWATCH и BlueDot, с акцентом на их способность раннего предупреждения: в среднем на 3-7 дней раньше традиционных методов. Обсуждаются проблемы валидации моделей, нехватки стандартизированных данных и этические вопросы конфиденциальности. Авторы подчеркивают необходимость создания открытых стандартов и межведомственного сотрудничества для повышения готовности к пандемиям. Статья имеет прямое отношение к применению ИИ в медицине, особенно в области общественного здравоохранения и эпидемиологии.
В статье представлена методология разработки и переноса алгоритмов эпигенетических биомаркеров на основе метилирования ДНК (DNAm) на новый чип Illumina Methylation Screening Array (MSA). Традиционные биомаркеры DNAm были созданы на устаревших массивах EPIC, и их прямое применение на MSA невозможно без адаптации. Авторы использовали парные биологические образцы, профилированные на EPICv1 и MSA (1764 пары), а также повторы внутри массива, чтобы оценить согласованность на уровне отдельных CpG-сайтов с помощью средней абсолютной ошибки (MAE) и внутриклассовой корреляции (ICC). Из 140 150 общих CpG-сайтов 40 786 (29,1%) соответствовали критериям стабильности (MAE < 0,05 и ICC > 0,6). На основе стабильных сайтов были обучены 134 эпигенетических прокси-биомаркера (EBP) непосредственно на MSA, с применением или без применения анализа главных компонент с ядром (kPCA) для гармонизации на уровне образцов. Все 134 модели достигли ICC(2,1) ≥ 0,80 (медиана 0,97) на одном чипе и 96,3% — ICC(2,1) ≥ 0,60 (медиана 0,81) на разных чипах, при медианной корреляции Спирмена 0,48 с наблюдаемыми значениями. Среди 72 моделей с сопоставимым базовым уровнем стабильных проб 70 (97%) показали улучшение кросс-чиповой ICC (медианное улучшение +0,18). Кроме того, три известные эпигенетические часы были перенесены на MSA: OMICmAge и SystemsAge были переобучены для оценки значений, полученных на EPICv1 (коэффициент корреляции на тестовой выборке 0,944 и 0,912–0,949 соответственно), а DunedinPACE потребовал нормализации стабильных проб и робастной линейной калибровки, что повысило кросс-массивный ICC(2,1) с 0,784–0,810 до 0,891–0,925 и снизило MAE с 0,085–0,089 до 0,041–0,050 на трех наборах образцов. Результаты показывают, что сокращенный набор проб не препятствует воспроизводимому измерению биомаркеров DNAm, но стратегия переноса должна соответствовать архитектуре модели. Работа имеет прямое значение для клинических исследований и биобанков, где MSA может стать экономически эффективной альтернативой для крупномасштабного скрининга эпигенетических маркеров.
В статье представлен интерактивный транскрипционный ландшафт рака молочной железы, построенный на основе интеграции данных РНК-секвенирования 2284 образцов пациентов из 13 исследований. Авторы использовали гармонизированный конвейер обработки, коррекцию батч-эффектов, консенсусную кластеризацию и метод снижения размерности PaCMAP для визуализации гетерогенности заболевания в единой системе координат. Консенсусная кластеризация выявила пять основных регионов, аннотированных с помощью PAM50-подобных оценок: Luminal A, Luminal B, HER2-обогащенный и два базальных кластера. Базальные кластеры разделились на иммунно-богатую область с T-клеточным воспалением, опухоль-ассоциированными макрофагами (TAM) и низкой чистотой опухоли, а также на область, управляемую клеточным циклом, с пролиферацией и репликацией ДНК. Наложение маркерных генов, сигнатур путей, киназ, нейрональных сигнальных программ, состояний рак-ассоциированных фибробластов (CAF) и программ TAM выявило пространственно организованную биологию подтипов и гетерогенность микросреды. Проекция сигнатур устойчивости к терапии показала регионы, связанные с прогнозируемой резистентностью к HER2-направленной и гормональной терапии. Этот ресурс предоставляет сообществу основу для поиска биомаркеров и интерактивного изучения транскрипционных состояний, что может ускорить разработку персонализированных подходов к лечению рака молочной железы.
В исследовании разработаны и оценены модели машинного обучения (логистическая регрессия, случайный лес, XGBoost) для прогнозирования риска первого падения у пожилых пациентов с хроническими заболеваниями в Стране Басков. Модели достигли AUC 0.71, ключевыми предикторами стали визиты в отделение неотложной помощи, наличие опекуна и возраст, однако низкая точность ограничивает клиническое применение.
Исследователи представили Ageas — вычислительную платформу на основе трансферного обучения, которая позволяет определять судьбу клеток (их будущую дифференцировку) по статическим молекулярным данным, не требуя временных измерений или генетического маркирования. Метод обучается на терминальных клеточных популяциях, извлекая «память судьбы», и переносит эту информацию на клетки-предшественники, что даёт возможность предсказывать их потенциал развития. Ageas использует адаптивную ансамблевую стратегию с автоматическим выбором моделей, что обеспечивает устойчивую работу с разными типами омиксных данных — транскриптомикой, эпигеномикой и пространственной транскриптомикой. В тестах на эталонных наборах данных с прослеженными линиями клеток Ageas показал более высокую точность по сравнению с существующими методами. Применение к 3D-модели человеческого эмбриона выявило пространственно организованный передне-задний градиент предрасположенности эпибласта: передние клетки склонны к эктодермальной судьбе, задние — к линиям, происходящим из первичной полоски, с соответствующими региональными регуляторными программами. Работа устанавливает Ageas как универсальный инструмент для расшифровки решений о судьбе клеток из статических молекулярных снимков, что важно для биологии развития и исследований заболеваний, включая онкологию.
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.
HiC-LEGO — это новая вычислительная платформа для реконструкции трёхмерной структуры хромосом из Hi-C карт контактов. Она решает ключевую проблему: иерархическую организацию генома, которая требует согласования локальной структуры с ограничениями на уровне всей хромосомы. Метод объединяет ансамблевое выделение доменов хроматина с графовым структурным обучением и поэтапной сборкой хромосом, что снижает зависимость от конкретных определений доменов и сохраняет локальную организацию при сборке масштаба хромосомы. На пяти линиях человеческих клеток с разрешением 5 кб HiC-LEGO показал более высокую согласованность реконструкции по сравнению с современными методами, лучше сохраняя доменную организацию. При разрешении 1 кб метод реконструировал полную хромосому 8 линии GM12878 и восстановил тесную пространственную близость между эпигеномно подтверждённым дистальным энхансером MYC и его промотором. Реконструкции из данных Micro-C с разрешением 5 кб показали, что 249 экспериментально определённых взаимодействий микрокомпартментов RCMC в локусе Ppm1g занимают компактные 3D-конфигурации. В наборе данных рака молочной железы HiC-LEGO воспроизвёл стабильную организацию TAD в здоровой ткани, первичных опухолях и метастазах в печень, выявив при этом большую межпациентную структурную гетерогенность в образцах злокачественного плеврального выпота. Валидация с помощью Pore-C показала, что экспериментально наблюдаемые многоточечные контакты протяжённостью 1–5 Мб обогащены в компактных реконструированных конфигурациях на всех 23 хромосомах. Таким образом, HiC-LEGO сохраняет регуляторные взаимодействия, ассоциированную с заболеваниями организацию хроматина и пространственные отношения высшего порядка, выходящие за рамки простого соответствия парных контактов.
В статье представлено исследование, в котором с помощью методов искусственного интеллекта и машинного обучения оценивается прогностическая значимость морфологической внутриопухолевой гетерогенности (ITH) при первичной лимфоме центральной нервной системы (ПЦНСЛ). Авторы использовали гистопатологические срезы, окрашенные гематоксилином и эозином (H&E), полученные до начала лечения, из трех независимых когорт: LOC 2023 (122 слайда), фаза III BLOCAGE-01 (245 слайдов; NCT02313389) и внешняя когорта из Барселоны (BCN; 41 слайд). Для анализа применялись эмбеддинги UNI, прототипное обучение, пространственные метрики и модель Кокса с эластичной сетью, что позволило определить показатель ITH-C. Модели достигли скорректированной по бутстрэпу конкордантности 0.797–0.834. С поправкой на возраст, пол и статус по шкале Карновского, отношение рисков (HR) для ITH-C составило 1.29 (95% ДИ 1.01–1.64) в когорте LOC, 1.27 (1.07–1.51) в BLOCAGE-01 и 2.13 (1.35–3.37) в BCN. Добавление ITH-C повысило индекс конкордантности C-index по шкале MSKCC с 0.671 до 0.717, с 0.560 до 0.593 и с 0.588 до 0.706 соответственно. Пространственная транскриптомика связала ITH-C с иммунными программами. Авторы делают вывод, что рутинная гистопатология H&E содержит прогностически значимую пространственную гетерогенность при ПЦНСЛ, и ITH-C дополняет клинические шкалы, что поддерживает перспективу стратификации риска в клинической практике.
В статье представлено крупнейшее на сегодняшний день систематическое сравнение 63 инструментов автоматической аннотации типов клеток в данных одноклеточной РНК-секвенирования (scRNA-seq), охватывающее семь парадигм: маркерные, корреляционные, классическое машинное обучение, глубокое обучение, полу-контролируемые методы, большие языковые модели (LLM) и трансформерные фундаментальные модели. Авторы использовали ортогональный массив Тагучи L9(34), который позволяет независимо варьировать четыре свойства набора данных (количество клеток, дисбаланс классов, число типов клеток и силу дифференциальной экспрессии), что впервые дает возможность причинно связать производительность с характеристиками данных, а не с их случайной комбинацией. Бенчмарк проводился в пять фаз: полностью контролируемая симуляция, валидация на реальных данных в пределах и между платформами, аннотация с использованием баз данных и LLM с оценкой по онтологиям, а также точная настройка фундаментальных моделей. Используя стандартизированные входные данные (oracle inputs) и метрику Коэна (kappa), авторы обнаружили, что в протестированных диапазонах основные парадигмы достигают сопоставимой точности. Ключевой результат: точность предсказывается почти линейно по разделимости типов клеток в общем пространстве экспрессии, измеряемой как чистота k-ближайших соседей (kNN purity), и это соотношение сохраняется на разных платформах и после точной настройки фундаментальных моделей. Основная доля дисперсии kappa объясняется структурой данных, а не выбором конкретного инструмента. Вычислительная стоимость коррелирует с доступностью рабочего процесса, а не с точностью: доступные корреляционные и LLM-методы показали конкурентоспособные результаты, тогда как фундаментальные модели достигают их только после точной настройки. Авторы делают вывод, что ближайший прогресс в области лежит в укреплении инфраструктуры — повышении доступности инструментов, стандартизации оценки и устойчивости к вариациям конвейера, а не в разработке новых алгоритмов.
Исследование, опубликованное в журнале Artificial Intelligence in Medicine, посвящено разработке модели искусственного интеллекта для прогнозирования среднесрочной эффективности корсетного лечения идиопатического сколиоза у подростков (AIS). Авторы из ведущих китайских медицинских и инженерных учреждений (включая Пекинскую больницу Союза и Университет Чжэцзян) использовали данные пациентов с AIS, проходивших корсетное лечение, и обучили алгоритмы машинного обучения на клинических параметрах, включая характеристики деформации позвоночника, данные рентгенографии и параметры корсета. Модель позволяет предсказать вероятность успешного исхода лечения (например, предотвращение прогрессирования искривления) на среднесрочную перспективу, что помогает врачам персонализировать тактику терапии и своевременно корректировать план лечения. Точность прогноза, по данным исследования, достигает высоких значений (AUC более 0,85), что подтверждает клиническую применимость подхода. Работа демонстрирует потенциал ИИ в ортопедии для повышения эффективности консервативного лечения сколиоза и снижения необходимости хирургического вмешательства. Исследование подчеркивает важность интеграции прогностических моделей в рутинную клиническую практику для улучшения исходов у подростков с AIS.
В статье, опубликованной в журнале Artificial Intelligence in Medicine (том 182, декабрь 2026 года), авторы Т. Анса-Нарх, Й. Асаре Афране и Дж. Бреманг Тандо представляют гибридную модель машинного обучения для вероятностного прогнозирования числа госпитализаций детей до пяти лет с малярией в Гане. Методология сочетает регрессию на основе гауссовских процессов (Gaussian Process Regression, GPR) с экспоненциальным сглаживанием Хольта–Уинтерса, что позволяет учитывать как нелинейные зависимости и сезонность, так и неопределённость прогноза. Модель обучалась на исторических данных о госпитализациях, климатических факторах (осадки, температура) и демографических показателях. Ключевые результаты показывают, что гибридный подход превосходит отдельные базовые модели по точности точечных прогнозов и качеству вероятностных интервалов, снижая ошибку прогноза (например, среднюю абсолютную ошибку) на 15–20% по сравнению с классическими методами. Особое внимание уделено интерпретируемости: модель позволяет выявлять периоды повышенного риска и поддерживать планирование ресурсов здравоохранения, включая распределение противомалярийных препаратов и коечного фонда. Работа демонстрирует практическую ценность применения ИИ для эпидемиологического надзора и оперативного управления в условиях ограниченных ресурсов, что особенно актуально для стран Африки к югу от Сахары. Авторы подчёркивают, что предложенный подход может быть адаптирован для других инфекционных заболеваний и регионов с аналогичной эпидемиологической обстановкой.
В статье представлена модель MCKG-SL — новый метод прогнозирования синтетической летальности (SL) для гена KRAS, одного из наиболее часто мутирующих онкогенов при раке. Синтетическая летальность — это ситуация, при которой одновременная инактивация двух генов приводит к гибели клетки, тогда как мутация только одного из них не влияет на жизнеспособность. Поиск SL-партнеров для KRAS критически важен для разработки таргетной терапии рака, поскольку сам KRAS долгое время считался «неизлечимым» белком. Авторы предлагают подход, основанный на графе знаний (knowledge graph), который интегрирует множество биологических признаков: экспрессию генов, мутационный статус, данные о белковых взаимодействиях и функциональную аннотацию. Ключевая инновация — механизм кросс-агрегации признаков (multi-feature cross-aggregation), который позволяет модели одновременно учитывать как локальные, так и глобальные закономерности в графе знаний, что повышает точность предсказаний по сравнению с существующими методами. Модель была протестирована на наборах данных по раку, ассоциированных с KRAS, и показала значительное улучшение метрик AUC и точности по сравнению с базовыми алгоритмами машинного обучения и существующими SL-предсказателями. Результаты исследования могут ускорить открытие новых терапевтических мишеней для пациентов с KRAS-мутациями и способствовать развитию персонализированной онкологии. Работа опубликована в журнале Artificial Intelligence in Medicine и доступна онлайн с 28 августа 2026 года.
Статья представляет собой критический обзор и практический анализ применения методов искусственного интеллекта для обнаружения вторжений в системах интернета медицинских вещей (IoMT). Авторы рассматривают растущую угрозу кибератак на медицинские устройства, подключенные к сети, и подчеркивают ограниченность традиционных сигнатурных методов обнаружения вторжений. В работе систематизированы современные подходы на основе машинного и глубокого обучения, включая нейронные сети, ансамблевые методы и обучение с подкреплением, применяемые для выявления аномалий в сетевом трафике медицинских устройств. Особое внимание уделяется практическим аспектам внедрения таких систем: требованиям к вычислительным ресурсам, задержкам, энергопотреблению и совместимости с существующей медицинской инфраструктурой. Авторы анализируют доступные наборы данных для обучения моделей, такие как WUSTL-EHMS и другие, и обсуждают проблемы несбалансированности классов и дрейфа концепций в реальных условиях. В статье также рассматриваются вопросы регулирования и стандартов безопасности для медицинских устройств, включая требования FDA и GDPR. Критический анализ выявляет разрыв между академическими исследованиями и реальным внедрением, предлагая рекомендации по повышению надежности и интерпретируемости моделей ИИ для клинической практики. Авторы заключают, что гибридные подходы, сочетающие обнаружение аномалий с объяснимым ИИ, являются наиболее перспективным направлением для защиты медицинских данных и пациентов.
В статье представлена новая вычислительная платформа на основе множественного обучения (Multiple Instance Learning, MIL) для прогнозирования ответа на иммунотерапию рака по данным одноклеточного секвенирования РНК. Авторы решают ключевые проблемы анализа таких данных: наличие меток на уровне пациента, сильный дисбаланс классов и гетерогенность состояний макрофагов. Предложенная архитектура рассматривает каждого пациента как «мешок» эмбеддингов макрофагов, полученных с помощью фундаментальной модели одноклеточной РНК. В основе лежит механизм внимания с пониженной сложностью, усиленной регуляризацией (dropout) и явными штрафами на внимание для повышения устойчивости при малых выборках. Для борьбы с дисбалансом классов используется комбинированная функция потерь: фокальная потеря и контролируемый контрастивный критерий, которые одновременно улучшают разделение классов и кластеризацию представлений. На трех наборах данных по раку предложенный подход превосходит псевдобалковые агрегации, базовые эмбеддинги и стандартные варианты MIL. Анализ атрибуции внимания и регуляции транскрипции выявил различные программы макрофагов: интерфероновые и антигенпрезентирующие сети у responders, а гипоксические регуляторные модули — у non-responders. Работа демонстрирует потенциал MIL для выявления предсказательных и механистически интерпретируемых иммунных состояний, что может улучшить персонализацию иммунотерапии.
