машинное обучение

Исследование применяет методы машинного обучения (иерархическая кластеризация) для выявления 4 различных клинических фенотипов кардиогенного шока на основе данных 1513 пациентов. Выделенные фенотипы демонстрируют значительную разницу в показателях смертности (от 22,4% до 78,4%) и предлагают новую систему стратификации рисков для персонализированной терапии.

Исследование представляет автоматизированный пайплайн на основе глубокого обучения (UNet) и радиомикой для сегментации и классификации опухолей молочной железы по ультразвуковым снимкам. Система достигает точности классификации 97,8% и среднего IoU 0,94231, что демонстрирует потенциал для снижения участия человека в диагностическом процессе.

Исследование применяет методы машинного обучения (PCA и K-means кластеризацию) для стратификации пациентов с ишемическим инсультом на три биологически различных подтипа. Результаты показывают, что ML-анализ биомаркеров воспаления, коагуляции и метаболизма позволяет выявить гетерогенность заболевания и может улучшить персонализированный подход к оценке рисков.

В статье представлен новый фреймворк STpath, который решает проблему интерпретируемости вложений гистопатологических изображений, создаваемых ИИ-моделями. Гистопатологические модели-фундаменты кодируют изображения тканей в числовые представления, однако эти вложения не имеют прямого биологического смысла для клинического применения. STpath использует модели XGBoost, специфичные для различных типов рака, обученные на данных пространственно разрешённой транскриптомики, для предсказания состава клеточных типов и экспрессии генов на основе гистопатологических изображений. Исследователи протестировали фреймворк на наборах данных по колоректальному и раку молочной железы, показав точные оценки состава основных клеточных типов и экспрессии подмножества генов. Комбинирование вложений от нескольких моделей-фундаментов дало дополнительные приросты производительности. Авторы продемонстрировали, что признаки, полученные с помощью STpath, могут использоваться в последующих исследованиях для оценки их ассоциаций с клиническими исходами. Работа открывает путь к практическому применению ИИ в гистопатологии для онкологической диагностики и исследований.

Исследователи представили evedesign — открытую унифицированную платформу для машинного обучения в биоинженерии белков, которая решает проблему несовместимости существующих инструментов. Framework формализует условный дизайн биологических последовательностей метод-агностичным способом, позволяя комбинировать supervised и unsupervised модели из стандартизированных спецификаций. Ключевая особенность — поддержка итеративных lab-in-the-loop рабочих процессов, где экспериментальные данные непрерывно уточняют последовательные раунды дизайна. Платформа включает интерактивный веб-интерфейс для end-to-end дизайна, доступный широкой научной аудитории по адресу evedesign.bio. Авторы продемонстрировали полезность evedesign в трёх ключевых областях: инжиниринг антител, дизайн ферментов и открытие природных ферментов. Это решение критически важно для разработки новых терапевтических антител и ферментных препаратов, так как позволяет неэкспертам создавать сложные многокритериальные оптимизационные workflows. Открытый исходный код платформы и призыв к сообществу способствуют ускорению биомедицинских исследований.

Исследование представляет новый алгоритм для обнаружения мотивов и контекстов РНК-связывающих белков (RBP), основанный на лингвистических принципах. РНК-связывающие белки регулируют свои РНК-мишени путем связывания с короткими последовательными мотивами, однако механизмы специфичного распознавания остаются неясными для большинства человеческих RBP. Существующие алгоритмы обнаружения мотивов не учитывают структуру и состав фланкирующих регионов мотива, что является существенным недостатком. Предложенный алгоритм использует три важных свойства k-мер (k-mer), придающих лексическую, синтаксическую и семантическую структуры процессу обнаружения мотивов и контекстов. Алгоритм является консенсусным, детерминированным и гибким, интегрируя информацию из последовательных контекстов при построении мотивов RBP. Исследователи продемонстрировали, что их алгоритм достигает высокой точности обнаружения против набора ground-truth и превосходит существующие методы в первичном ранжировании мотивов. Это исследование имеет значение для фундаментальных исследований молекулярной биологии и может в будущем способствовать пониманию механизмов заболеваний на уровне РНК-белковых взаимодействий.

Исследование представляет новый метод ABAG-Rank — глубокую нейронную сеть на основе архитектуры DeepSets, предназначенную для эффективного выбора лучших структурных моделей комплексов антитело-антиген из ансамблей, предсказанных AlphaFold. Проблема заключается в том, что AlphaFold3, несмотря на выдающуюся точность предсказания структур белков, часто не может надёжно отличить правильные модели от множества ошибочных предсказаний, особенно для комплексов без сильной коэволюционной информации. Авторы обучили модель на избыточность-редуцированном наборе всех известных комплексов антитело-антиген, используя простые геометрические дескрипторы вместе с оценками уверенности от AlphaFold, что обеспечивает богатую информацию о качестве интерфейса без необходимости интенсивных расчётов на основе физики. Экспериментальные результаты демонстрируют, что ABAG-Rank значительно превосходит внутреннюю систему оценки AF3 и существующие методы ранжирования на основе глубокого обучения. Метод способен обрабатывать ансамбли структурных декоев переменного размера, что делает его применимым к различным настройкам предсказания. Разработанный инструмент имеет открытый исходный код и доступен по адресу GitHub, что способствует его внедрению в научное сообщество. Данная работа имеет практическую значимость для разработки лекарств, понимания иммунных реакций и дизайна вакцин, где точное предсказание структуры комплексов антитело-антиген критически важно.

PATHOS — новая система на основе множественного обучения (MIL) и сегментации для предсказания ответа на неоадъювантную химиотерапию при раке яичников по гистологическим изображениям. Модель выделяет около 10% области слайда как информативную и идентифицирует ключевые патологические признаки, связанные с прогрессией заболевания.

Исследование представляет метод автоматической классификации тканей поджелудочной железы с помощью комбинации ближнеинфракрасной гиперспектральной визуализации и машинного обучения. Оптимизированная модель достигла 84% сбалансированной точности, что на 10 процентных пунктов лучше традиционных подходов, что может улучшить раннюю диагностику рака поджелудочной железы.

Статья о применении машинного обучения для анализа реальных данных (RWE) в фармацевтической отрасли и регуляторных процессах FDA. ML-модели позволяют создавать синтетические контрольные группы, идентифицировать подгруппы пациентов, предсказывать ответ на терапию и обнаруживать нежелательные события. FDA выпустило руководство по использованию ИИ/ML в жизненном цикле разработки лекарств.

Компания Verily, ранее входившая в корпорацию Alphabet, привлекла раунд инвестиций в размере 300 миллионов долларов для ускорения разработок в области искусственного интеллекта и прецизионного здравоохранения. Верили — это компания, специализирующаяся на применении технологий в медицине, включая разработку диагностических инструментов, систем мониторинга здоровья и ИИ-решений для клинической практики. Инвестиции будут направлены на расширение дорожной карты по внедрению машинного обучения в медицинские приложения, что включает улучшение алгоритмов диагностики, анализ медицинских изображений и персонализированные подходы к лечению. Переход в статус независимой компании позволяет Verily ускорить темпы разработки и коммерциализации продуктов, не будучи ограниченной корпоративными процессами Alphabet. Это финансирование демонстрирует продолжающийся интерес инвесторов к медицинским ИИ-технологиям, несмотря на экономическую неопределённость. Успешное привлечение 300 миллионов долларов подтверждает коммерческую жизнеспособность ИИ-решений в здравоохранении и их потенциал для трансформации медицинской практики.

Исследование посвящено разработке объективных биомаркеров для ранней диагностики старческой астении (frailty) с использованием биоинформатического анализа и машинного обучения. Авторы использовали два независимых транскриптомных датасета из базы GEO: GSE144304 (n=80) и GSE287726 (n=70). Методология включала анализ дифференциальной экспрессии генов, обогащение GO, KEGG и GSEA, а также построение ML-моделей с разделением данных 70% на обучение и 30% на валидацию. Ключевые результаты показали, что метаболизм витамина D, ABC-транспортеры и воспалительные/иммунные пути являются согласованно обогащёнными и подтверждёнными через GSEA. Выявленные биомаркеры демонстрируют благоприятную диагностическую производительность ML-моделей. Исследование демонстрирует, что нарушения метаболизма витамина D и хроническое воспаление являются основными молекулярными особенностями старческой астении. Результаты открывают новые стратегии для базовых исследований, ранней клинической диагностики и разработки терапевтических мишеней.