машинное обучение

В данной работе представлен уникальный открытый набор данных трёхмерных численных симуляций кровотока и сеток коронарных артерий, реконструированных из инвазивных рентгеновских коронарных ангиограмм клинического исследования FAME 2 (Fractional Flow Reserve versus Angiography for Multivessel Evaluation 2). Из 914 клинических изображений успешно реконструировано и обработано 779 сосудов, остальные 135 отклонены из-за самопересекающейся геометрии при реконструкции. Сетки выполнены в гексаэдрическом формате с идентичной топологией и количеством вершин, их высокое качество подтверждено стандартными метриками качества сеток. Симуляции проведены методом конечных элементов (FEM) с применением современных граничных условий для коронарного кровотока на выходных участках. Мотивация проекта обусловлена критическим дефицитом общедоступных данных численной гемодинамики несмотря на растущий интерес к методам машинного обучения и data-driven моделированию в кардиологии. База данных доступна по ссылке DOI 10.7910/DVN/GPCUNS и предназначена для разработки и валидации алгоритмов искусственного интеллекта в диагностике ишемической болезни сердца. Этот ресурс может ускорить создание ML-моделей для неинвазивной оценки фракционного резерва кровотока (FFR) и персонализированного планирования коронарных вмешательств.

Amae Health объявила о партнёрстве с Google Health с целью интеграции данных с носимых устройств в систему помощи пациентам с серьёзными психическими заболеваниями (SMI). Долгосрочная цель проекта — разработка предиктивной модели на основе машинного обучения, которая будет анализировать данные с wearable-устройств и другие источники информации для оценки состояния заболевания и его прогрессирования. Система предназначена для выявления ранних предупреждающих признаков клинического ухудшения у пациентов, что позволит своевременно вмешиваться и корректировать лечение. Интеграция данных носимых устройств открывает возможности для непрерывного мониторинга пациентов в реальных условиях, а не только во время визитов к врачу. Партнёрство с Google Health предоставляет доступ к технологической инфраструктуре и экспертизе в области обработки медицинских данных. Данная инициатива представляет собой пример применения ИИ-технологий для улучшения помощи в области ментального здоровья, где раннее выявление проблем особенно критично. Однако в предоставленном материале отсутствуют конкретные детали о стадии разработки, планах внедрения или ожидаемых сроках запуска продукта.

Исследование опубликовано в рецензируемом журнале npj Digital Medicine 5 августа 2026 года. Работа посвящена разработке модели динамического прогнозирования риска преждевременных родов и определения гестационного возраста при родах с использованием лонгитюдных данных из электронных медицинских карт (EHR). Подход предполагает применение методов машинного обучения для анализа временных рядов медицинских данных пациентов в течение беременности, что позволяет обновлять прогнозы по мере поступления новой информации. Использование динамических моделей вместо статических даёт возможность более точной оценки рисков на разных сроках гестации. Исследование имеет прямую клиническую значимость для акушерской практики, позволяя врачам своевременно выявлять пациенток с повышенным риском преждевременных родов и принимать превентивные меры. Работа представляет интерес для специалистов по цифровой медицине, разработчиков клинических систем поддержки принятия решений и исследователей в области прогностической аналитики здравоохранения.

Исследование изучает мнение 10 клиницистов о применении машинного обучения для диагностики обструктивного апноэ сна. Выявлена необходимость регуляторных руководств и участия медицинских экспертов, при этом врачи должны сохранять ведущую роль над ИИ. Работа направлена на повышение доверия клиницистов к машинному обучению и улучшение внедрения технологий в клиническую практику.

Исследование представляет новый метод интерпретации протеиновых языковых моделей (PLM) для идентификации функционально значимых регионов белков. Авторы использовали модель ESM-2 (Evolutionary Scale Modelling 2) для выявления сайтов с высоким вниманием (HA sites) — специфических аминокислотных остатков, которым модель assigns наибольшее внимание на ранних этапах кодирования. Применено unsupervised clustering для категоризации HA сайтов на четыре типа: «структурное ядро», «структурные патогенные», «ядерные патогенные» и «низкая достоверность». Методология включала интеграцию с предсказаниями патогенности AlphaMissense и данными пан-ракового анализа всего генома (PCAWG) для валидации. Результаты показали, что HA сайты эффективно предсказывают белковые регионы с высоким патогенным риском и могут идентифицировать кандидатные сайты связывания. В нескольких примерах онкологических белков метод обнаружил ранее неизвестные регионы с высокой вероятностью взаимодействия, что имеет потенциальную терапевтическую ценность. Работа демонстрирует биологическую интерпретируемость представлений PLM и предлагает практический инструмент для приоритизации функционально релевантных белковых остатков в биомедицинских исследованиях и разработке таргетных терапий.

Исследователи разработали MHChron — единую систему прогнозирования связывания пептидов с молекулами MHC класса I и II на основе машинного обучения для оценки иммуногенности. Ключевое достижение — создание одного из самых разнообразных обучающих датасетов на сегодняшний день, охватывающего 214 аллелей MHC класса I и 98 аллелей класса II, с пептидами длиной от 8 до 36 аминокислотных остатков. Авторы обучили два типа моделей: последовательностную и структурно-ориентированную, протестировав их в строгих режимах генерализации с контролем утечки данных. Обе модели превзошли существующие решения state-of-the-art, несмотря на обучение на меньшем объёме данных. Структурная модель не показала систематического преимущества над последовательностной, за исключением экстраполяции на новые кластеры аллелей, что указывает: ключевой фактор успеха — разнообразие датасета и тщательная валидация, а не архитектурная сложность. Последовательностная версия MHChron доступна с воспроизводимой установкой и автоматизированным пайплайном для скрининга целых белков, что делает инструмент практичным для разработки вакцин и иммунотерапии рака.

Исследование систематически оценивает уязвимость фундаментальных ИИ-моделей для геномики к отравлению обучающих данных через бэкдор-атаки. Авторы протестировали три семейства моделей с семью масштабами параметров (от 50 миллионов до 7 миллиардов) на 18 задачах геномной классификации. Разработаны два типа триггеров длиной 48 нуклеотидов: синтетическая последовательность и биологически обоснованный триггер на основе терминальных инвертированных повторов транспозонов. Отравление всего 5% обучающих данных привело к успеху атак от 91,4% до 100% во всех тестированных моделях, при этом увеличение масштаба параметров не улучшало устойчивость. Производительность на немодифицированных последовательностях сохранилась: в 79,4% конфигураций изменение составило не более двух процентных пунктов. Предложен двухэтапный метод защиты, сочетающий скрининг чувствительности к одиночным нуклеотидным мутациям с валидацией по референсной базе данных, достигший 100% точности и медианной полноты 92,95%. Результаты подчёркивают необходимость усиленного контроля происхождения данных и посттренировочного аудита безопасности для медицинских ИИ-систем, работающих с геномными данными.

Исследователи представили MAXWELL (Matrix-wise Landscape Learning) — новый метод пост-обучения для калибровки вероятностных выходов языковых моделей белков с целью прогнозирования влияния мутаций на стабильность белков. Метод позволяет генерировать мутационные ландшафты, количественно оценивающие эффекты отдельных аминокислотных замен на стабильность белка, что критически важно для белковой инженерии и разработки терапевтических препаратов. При применении к модели ProteinMPNN MAXWELL продемонстрировал результаты уровня state-of-the-art, превзойдя ThermoMPNN и другие представительные методы на курированном бенчмарке экспериментально измеренных изменений стабильности. Экспериментальная валидация включала дизайн десяти точечных мутаций в дегалогеназе DhaA, из которых семь (70%) увеличили термическую стабильность белка. Наибольшее улучшение показала мутация G171W с измеренным значением ΔT 4.91°C. Эти результаты подтверждают MAXWELL как практическую стратегию для дизайна стабилизирующих мутаций с потенциальным применением в разработке ферментных терапевтических препаратов и биотехнологии.

Израильский стартап QuantHealth закрыл раунд Series B на $45 млн для развития платформы симуляции клинических испытаний на базе ИИ. Платформа использует искусственный интеллект и биомедицинские графы знаний для прогнозирования результатов лечения с точностью до 90%, что позволяет сократить неудачные испытания и ускорить доступ пациентов к эффективным терапиям.

Редакционная статья посвящена критической проблеме алгоритмической предвзятости в системах искусственного интеллекта для здравоохранения и её влиянию на усиление неравенства в медицинской помощи. Авторы приводят ключевые примеры: исследование Obermeyer и коллег 2019 года продемонстрировало, что алгоритм, использующий прогнозируемые расходы на здравоохранение как прокси для медицинских потребностей, проявлял расовую предвзятость — чёрные пациенты в США ошибочно классифицировались как более здоровые по сравнению с белыми пациентами с аналогичными заболеваниями. Другое исследование Seyyed-Kalantari и соавторов показало, что современные алгоритмы компьютерного зрения для классификации патологий на рентгеновских снимках систематически недооценивают заболевания у пациентов из уязвимых и недостаточно обслуживаемых групп населения. Статья подчёркивает, что проблема выходит за рамки технической настройки алгоритмов и требует комплексного подхода к обеспечению справедливости ИИ-систем в медицине. Эти выводы имеют прямое практическое значение для разработчиков медицинских ИИ-решений, регуляторов и клиницистов, внедряющих такие системы. Материал актуален для специалистов, занимающихся этикой ИИ, валидацией медицинских алгоритмов и обеспечением равного доступа к качественной диагностике.

MerMED-FM представляет собой новую фундаментальную модель искусственного интеллекта для медицинской визуализации, разработанную для работы в нескольких медицинских специальностях одновременно. Модель является мультимодальной, что означает способность обрабатывать и интегрировать различные типы медицинских изображений (рентген, КТ, МРТ, УЗИ и другие форматы). Ключевая особенность MerMED-FM — кросс-специальностная адаптивность: модель обучена интерпретировать изображения для диагностики множественных заболеваний, а не ограничивается одной областью медицины. Архитектура фундаментальной модели позволяет дообучать систему под конкретные клинические задачи с минимальными дополнительными данными. Потенциальное применение включает поддержку врачей в диагностике, скрининговые программы, автоматизацию рутинной интерпретации снимков. Детали архитектуры, результаты валидации и метрики точности в предоставленном материале не указаны — требуется доступ к полной версии статьи для оценки технических характеристик и клинической эффективности модели.

Исследование применяет генеративный ИИ и машинное обучение для интеграции транскриптомных и микробиомных данных при болезни Крона, выявляя молекулярные различия между воспалительной и фибротической формами. LLM-аугментация улучшила стабильность модели и помогла идентифицировать ключевые гены, связанные с фиброзом, включая IL-23R, TNF-α и TGF-β.

Исследование оценивает два предобученных классификатора на основе глубокого обучения (свёрточная нейросеть и трансформер), обученных на 5,23 млн последовательностей, для таксономической классификации грибов по региону ITS. Авторы провели бенчмаркинг на 5 222 запросах (по одному на род), сравнивая модели с классическими k-mer методами (SINTAX и best-hit alignment). На полноразмерных ITS классификаторы показали результаты 77,9% и 76,5% для известных родов против 92,0% у SINTAX. Однако при переходе на ITS2-ампликон, используемый в экологических исследованиях, точность глубокого обучения катастрофически упала до 28,3% и 18,5% (потеря 49,6 и 58,0 процентных пунктов), тогда как k-mer методы потеряли лишь 3,5-3,7 пункта. Аблационное исследование выявило причину: модели считывают таксономическую информацию преимущественно из фланкирующих областей, а не из самого штрих-кода ITS2. При подмене ITS2 между последовательностями разных типов модели возвращали таксонию донора в 34,4% (свёрточная) и 63,7% (трансформер) случаев. Кроме того, на ITS2 вероятностные выходы моделей перестают различать известные и новые роды (AUROC 0,541 и 0,503 против 0,866 у выравнивания). Работа демонстрирует критическое ограничение глубокого обучения для метабаркодинга и рекомендует указывать регион ампликона при оценке точности таких моделей.

Исследователи разработали AMPainterV2 — модель искусственного интеллекта для дизайна антимикробных пептидов (АМП), использующую генеративное состязательное обучение с подражанием. Модель интегрирует архитектуру Mixture-of-Experts (MoE) для поддержки операций вставки, удаления и мутации, расширяя пространство эволюционного дизайна. В экспериментах in vitro все 10 пептидов с наивысшим рейтингом, созданные из случайных последовательностей, продемонстрировали активность как мембрано-литические АМП. Лучший кандидат показал среднюю минимальную ингибирующую концентрацию (MIC) 1,5 мкМ и превзошёл полимиксин B по мембрано-литической активности. Версия модели только с удалением позволила миниатюризировать пептиды: получено 6 укороченных пептидов с сопоставимой или улучшенной активностью при среднем сокращении длины на 36%. AMPainterV2 представляет механизм-ориентированный подход к дизайну АМП и предлагает экономически эффективный инструмент для разработки новых антимикробных препаратов против устойчивых патогенов.

Данная публикация представляет собой ответ авторов оригинального исследования на критику их многозадачной периоперационной модели прогнозирования, опубликованной в журнале npj Digital Medicine. Речь идёт о машинном обучении в области периоперационной медицины — модели, предназначенной для прогнозирования различных клинических исходов в период вокруг хирургического вмешательства. Критика, на которую отвечают авторы, касалась вопросов клинической полезности модели и её обобщаемости на разные популяции пациентов и медицинские учреждения. Авторы в своём ответе защищают методологию исследования, обосновывают выбор метрик валидации и приводят дополнительные аргументы в пользу применимости модели в реальной клинической практике. Публикация в рецензируемом журнале npj Digital Medicine указывает на научную значимость дискуссии для сообщества цифровой медицины. Детали конкретных показателей точности, размеры выборки и технические характеристики модели в предоставленном фрагменте не указаны — для полной оценки необходимы доступ к оригинальной статье и тексту ответа.

Израильская компания QuantHealth закрыла раунд финансирования серии B на сумму $45 миллионов для развития платформы искусственного интеллекта, предназначенной для симуляции и оптимизации клинических испытаний. Основатель и генеральный директор Орр Инбар сообщил изданию Fierce Healthcare, что привлечённые средства будут направлены на дальнейшие исследования и разработки, расширение команды и расширение продуктового портфеля компании. Платформа QuantHealth использует технологии машинного обучения для моделирования различных сценариев клинических исследований, что позволяет фармацевтическим компаниям и биотех-стартапам сокращать время и затраты на разработку новых лекарств. ИИ-симуляции помогают предсказывать результаты испытаний, оптимизировать дизайн исследований и выявлять потенциальные риски до начала реальных клинических этапов. Это особенно актуально в условиях, когда традиционные клинические испытания могут стоить сотни миллионов долларов и занимать годы. Инвестиции подтверждают растущий интерес венчурного капитала к ИИ-решениям для фармацевтической отрасли и ускорения вывода препаратов на рынок.

Автономная некоммерческая организация высшего образования «Центральный университет», созданная в 2023 году по инициативе Т-Банка при поддержке 60 компаний-партнеров, запустила новую магистерскую программу «ИИ в биотехе». Программа реализуется совместно с Инженерной школой и факультетом биоинженерии и биоинформатики МГУ им. М.В. Ломоносова, выступающим академическим партнёром. Обучение нацелено на подготовку специалистов по применению искусственного интеллекта и машинного обучения для анализа генетических данных, исследования структуры белков и разработки лекарственных препаратов. В реализации программы участвуют российские биотехнологические компании Biocad и Genotek, которые предоставят студентам возможность работать над реальными проектами и проходить стажировки. Данная инициатива направлена на восполнение кадрового дефицита в области применения ИИ в биотехнологиях и фармацевтике, что косвенно влияет на развитие медицинской отрасли через подготовку квалифицированных специалистов для разработки новых лекарств и генетических исследований.

Исследователи разработали новый неинвазивный диагностический инструмент — шкалу Fontan EV Score (FES) — для оценки тяжести ассоциированной с Fontan болезни печени (FALD), универсального осложнения после паллиативной операции Fontan. Методология включала использование овечьей модели Fontan (n=19) с лонгитудинальным сбором образцов сыворотки и эластографией печени. Применялось мультиомиксное профилирование циркулирующих внеклеточных везикул (sEVs), включая секвенирование малых РНК и протеомику. С помощью регуляризованной регрессии были идентифицированы транскриптомные предикторы, интегрированные с временем после операции в рамках ординальной логистической регрессии. Шкала FES, включающая 11 биомаркеров малых РНК, продемонстрировала высокую точность предсказания: AUC 0,876 для умеренного и 0,963 для тяжёлого фиброза, значительно превосходя традиционные индексы APRI (AUC=0,618) и FIB-4 (AUC=0,731). Биологическая валидация на человеческих печёночных органоидах подтвердила реакцию ключевых миРНК (miR-125a-5p, miR-193b-5p) на профибротическую стимуляцию. Результаты открывают новые возможности для раннего выявления и стратификации риска FALD без инвазивной биопсии.

Исследование оценивает пять методов вывода локальной родословной (local ancestry inference), включая две вероятностные базовые модели, RFMix, FLARE и свёрточную нейронную сеть с дилатацией, на данных с различной генетической дивергенцией (FST от 0.0022 до 0.243). Выявлено три ключевых результата: во-первых, существует порог осуществимости — при FST=0.0022 ни один метод не превышает точность 0.575, а для пары CHB/CHS при FST=0.00042 максимум составляет 0.551, что делает невозможным тонкий анализ близкородственных популяций. Во-вторых, точность на уровне отдельных позиций скрывает структурные ошибки: наиболее точный метод генерирует в 78.8 раз больше трактов, чем должно быть, что приводит к оценке времени адмиксации в 61.2 раз древнее реального, однако Viterbi-декодирование устраняет эту проблему без потери точности. В-третьих, превосходство методов на симулированных данных не воспроизводится на реальных данных 1000 Genomes, и основной лимитирующий фактор — не архитектура модели (внимание, state-space слои, предобучение дают прирост не более 0.006), а качество входных данных и размер референсной панели (добавление гаплотипной информации даёт +0.031 на 8 из 8 пар при FST<0.04). Работа имеет значение для генетических исследований заболеваний и персонализированной медицины, поскольку точный вывод родословной критичен для admixture mapping и ancestry-specific association testing.