машинное обучение

Данная публикация представляет собой официальное исправление (Author Correction) к ранее опубликованной статье в журнале npj Digital Medicine от 1 августа 2026 года. Оригинальное исследование посвящено разработке цифровых биомаркеров для оценки здоровья мозга с использованием данных от носимых сенсоров, которые обеспечивают пассивный и непрерывный мониторинг показателей. Цифровые биомаркеры в данном контексте предполагают применение алгоритмов машинного обучения для обработки потоковых данных с носимых устройств (акселерометры, гироскопы, датчики сердечного ритма и др.) с целью выявления паттернов, связанных с неврологическим статусом пациента. Однако предоставленный текст содержит только библиографические метаданные (DOI: 10.1038/s41746-026-03031-4, название журнала, дату публикации) без фактического содержания исправления или оригинальной статьи. В связи с этим невозможно извлечь конкретные методологические детали, количественные результаты, имена авторов или существенные выводы исследования. Для полноценной оценки вклада в область ИИ в медицине необходим доступ к полному тексту оригинальной публикации и самого исправления.

Исследование разработало и оценило фреймворк объяснимого ИИ (XAI) для прогнозирования риска неадекватного послеоперационного обезболивания у пациентов после абдоминальной хирургии. Модели машинного обучения показали AUC 0,707–0,798, при этом ранняя траектория боли (VAS) оказалась strongest предиктором; для интерпретации использованы SHAP-анализ и интеграция LLM для генерации понятных врачам объяснений.

Систематический обзор 120 исследований (2020–2026) оценивает применение ИИ для прогнозирования гестационного диабета и преэклампсии. Модели машинного и глубокого обучения показали AUC от 0,70 до 0,95, причём ансамблевые методы и интеграция мультимодальных данных превзошли традиционные статистические подходы. Выявлены ключевые проблемы: недостаточная внешняя валидация, гетерогенность данных, низкая интерпретируемость моделей и ограниченная интеграция в клиническую практику.

Исследователи разработали MassGAT — инновационный метод на основе графовых нейронных сетей для комплексной обработки данных жидкостной хроматографии с высокоразрешающей масс-спектрометрией (LC-HRMS). Ключевая инновация заключается в объединении двух задач — детекции пиков и их аннотации — в единый процесс обучения, что преодолевает ограничение существующих пайплайнов, обрабатывающих эти этапы независимо. Метод представляет сигналы, предположительно происходящие от одной молекулы, в виде графа и использует Graph Attention Network (GAT) для одновременного определения валидности пиков и связей между ионными видами одного соединения. Тестирование на реальных наборах данных продемонстрировало превосходство MassGAT над текущими подходами по точности как детекции, так и аннотации метаболитов. Решение особенно значимо для метаболомики, поиска биомаркеров и системной биологии, где критична полная и надёжная характеризация метаболитов в сложных биологических образцах. Инструмент распространяется как открытый Python-модуль на GitHub (odisce/MassGAT), обеспечивая доступность для исследовательского сообщества.

Исследователи разработали ChemoCalib — новый фреймворк на основе многоблочного метода частичных наименьших квадратов (MB-PLS) для калибровки геномных метаболических моделей (GEMs). Метод интегрирует данные метаболомики, транскриптомики и протеомики, используя их совместную латентную структуру для калибровки границ реакций в моделях, что преодолевает ограничения традиционных подходов (E-Flux, GIMME, iMAT), работающих только с экспрессией генов. На 11 референсных условиях E. coli с данными 13C-MFA из наборов Keio fluxome и Holm 2010 модель iJO1366 с калибровкой ChemoCalib достигла коэффициента корреляции Спирмена ρ = 0,461 в целом (до 0,523 в пентозофосфатном пути) и Пирсона r = 0,49–0,58 для центральных углеродных путей. Статистически значимое улучшение по сравнению с базовыми методами E-Flux2 и SPOT подтверждено (p < 0,05 с поправкой Холма). Алгоритм использует GPR-aware VIP-агрегацию для проекции многоомиксных латентных оценок на границы реакций без эвристического порогования. Инструмент открыт (лицензия MIT), доступен с Docker-поддержкой и включает 5-минутный туториал, что делает его применимым для исследований метаболизма при заболеваниях и разработки лекарств, хотя текущая валидация проведена на бактериальных моделях.

Исследование представляет MetaAMI — инновационную систему мета-обучения для прогнозирования внутрибольничной смертности у пациентов с острым инфарктом миокарда (ОИМ). Методология основана на случайных проекциях: данные пациентов с кодами МКБ-9 и МКБ-10 для ОИМ были отобраны из базы MIMIC-IV v3.1, признаки трансформированы через множественные случайные проекции, создающие различные низкоразмерные представления. На каждом представлении обучались базовые классификаторы, их прогнозы агрегировались в интегрированное представление для мета-обучателя, который уточнял границу решений. Результаты бенчмаркинга показали, что MetaAMI последовательно превосходит все базовые классификаторы по семи метрикам оценки: точность, AUC, F1-мера, G-мера, индекс Жаккара, Yоудена J и коэффициент корреляции Мэттьюса (MCC). Анализ важности признаков с помощью SHAP выявил клинически релевантные предикторы смертности, обеспечивая интерпретируемость модели. Анализ выживаемости дополнительно оценил клиническую полезность подхода. MetaAMI предлагает эффективное и надёжное решение для стратификации риска при ОИМ, позволяя клиницистам раньше выявлять пациентов высокого риска и персонализировать лечение.

Исследователи разработали CPPLocPred — иерархическую платформу машинного обучения для предсказания клеточно-проникающих пептидов (CPP) и их субклеточной локализации, что критически важно для целевой доставки терапевтических грузов в клетки. На первом этапе ML-модели для идентификации CPP достигли AUC 0,953 и MCC 0,7842 на независимом тестовом наборе, демонстрируя производительность на уровне или выше существующих методов. На втором этапе модель предсказания локализации обучалась на экспериментально валидированных CPP: 663 цитоплазматических, 287 ядерных, 57 митохондриальных, 186 эндо-лизосомальных и 328 других. Анализ выявил, что митохондриальные и ядерные CPP богаты положительно заряженными аргинином и лизином, тогда как эндо-лизосомальные предпочитают глицин-, пролин- и цистеин-содержащие мотивы. Лучшую производительность показали модели на основе CatBoost с использованием Distance Distribution of Residues (DDR) и эмбеддингов языковых моделей белков: AUC составил 0,814 (цитоплазма), 0,775 (ядро), 0,970 (митохондрии), 0,782 (эндо-лизосомы) и 0,798 (остальные). Платформа доступна онлайн и предоставляет практический инструмент для рационального дизайна пептидов с заданной локализацией для терапевтических применений.

Исследователи разработали PhyloFM — фреймворк на основе flow-matching (машинное обучение), который интегрирует разнородные данные lineage-tracing с одноклеточной РНК-секвенацией и пространственной транскриптомикой для реконструкции непрерывной динамики клеточных судеб. Метод обучает поле скоростей и изменения относительной численности клеток на топологически регуляризованной латентной геометрии, предсказывая транспорт популяций, вероятности будущих судеб, время коммитмента и динамику экспрессии генов. PhyloFM протестирован на пяти бенчмарках: эмбриогенез C. elegans, гемопоэз LARRY, развитие вентрального среднего мозга pandaCREST, регенерация сердца у данио-рерио и пространственные опухоли eTracer. На данных C. elegans метод улучшил транспорт популяций на 17,3% и снизил ошибку динамики на 16,3% относительно state-of-the-art базлайнов, с уменьшением ошибки транспорта на 26,6% относительно lineage-aware контроля. На бенчмарке пространственных опухолей eTracer точность судьбы клонов увеличилась на 70,4% относительно лучшего пространственного базлайна, а 67% сопоставленных генов-репортёров показали корреляцию Пирсона r > 0,6. Результаты демонстрируют, что записи клеточного происхождения могут служить биологическими ограничениями для реконструкции интерпретируемой молекулярной динамики из одноклеточных снимков, что имеет значение для онкологии, регенеративной медицины и изучения развития тканей.

Исследование представляет комплексную оценку возможностей AlphaFold3 — системы искусственного интеллекта для предсказания связывания антител с антигенами. Авторы проанализировали 3401 экспериментально подтверждённый комплекс антитело-антиген из Structural Antibody Database вместе с 23798 негативными контролями. Максимальная полнота (recall) составила 53% при 100 семенах инференса, при этом выявлен врождённый уровень ложноположительных результатов около 3%. Обнаружено систематическое смещение: модель лучше предсказывает антитела из рентгеновской кристаллографии по сравнению с электронной микроскопией, а точность снижается с увеличением размера и площади поверхности целевого белка. Важно, что 34% ложноотрицательных предсказаний сохраняли правильную локализацию эпитопа несмотря на плохое структурное выравнивание, что указывает на возможность улучшения результатов инструментами конформационной доработки. Исследование демонстрирует как потенциал AlphaFold3 для скрининга антител в вычислительной разработке лекарств, так и его ограничения, включая тенденцию к галлюцинации правдоподобных интерфейсов связывания на поверхности фиктивных мишеней.

Исследование опубликовано в журнале npj Digital Medicine 3 августа 2026 года и посвящено применению технологии цифровых двойников для прогнозирования прогрессирования болезни Альцгеймера. Методология основана на анализе электроэнцефалограммы (ЭЭГ) пациентов с последующим созданием персонализированных цифровых моделей, которые имитируют нейронную активность и позволяют предсказывать траекторию развития заболевания. Цифровые двойники в данном контексте представляют собой машинно-обучаемые модели, которые интегрируют индивидуальные нейрофизиологические данные пациента для симуляции различных сценариев прогрессирования когнитивных нарушений. Подход сочетает методы глубокого обучения для обработки сигналов ЭЭГ с динамическим моделированием патологических процессов в мозге. Технология потенциально позволяет клиницистам оценивать эффективность различных терапевтических вмешательств на виртуальной модели перед применением у конкретного пациента. Публикация в рецензируемом журнале npj Digital Medicine указывает на научную значимость работы для области цифровой медицины и ИИ-диагностики неврологических заболеваний. Детальные результаты исследования, включая метрики точности прогнозирования и размеры выборки, не представлены в доступном фрагменте текста.

Статья опубликована в ведущем журнале npj Digital Medicine и посвящена сравнению метрик обработки естественного языка (NLP) для анализа речевых паттернов у пациентов с психозом across multiple languages. Исследование направлено на оценку эффективности различных NLP-подходов для выявления языковых маркеров психотических расстройств в мультиязычной среде. Методология включает бенчмаркинг существующих алгоритмов машинного обучения на кросс-лингвистических датасетах пациентов с психозом. Результаты имеют прямое практическое значение для разработки диагностических инструментов на основе ИИ в психиатрии, позволяющих преодолевать языковые барьеры. Работа способствует стандартизации NLP-метрик для ментального здоровья и может ускорить внедрение автоматизированных систем скрининга психотических расстройств в клиническую практику. Публикация актуальна для исследователей в области цифровой психиатрии и разработчиков медицинских AI-решений.

Фармацевтическая компания GSK заключила исследовательское партнёрство с британской биотех-компанией Relation Therapeutics на сумму до $110 млн для развития ИИ-ассистированного открытия лекарств. Relation будет генерировать масштабные наборы данных о реакции человеческих клеток на генетические изменения и лекарственные вмешательства для обучения ИИ-моделей платформы MORGAN, идентифицирующих потенциальные мишени для препаратов. Подход Lab-in-the-Loop сочетает лабораторные эксперименты (профилирование тканей, одноклеточная и пространственная транскриптомика, секвенирование) с машинным обучением для идентификации, приоритизации и валидации мишеней. Публичные репозитории (CZ CELLxGENE с 100+ млн стандартизированных клеток, Human Cell Atlas, NCBI GEO) служат важным источником данных, но технические различия в протоколах, шум в одноклеточных данных и перекрытие датасетов создают риски утечки данных при обучении моделей. Качество и непротиворечивость датасетов признаны столь же важными, как и архитектура модели, для создания надёжных ИИ-систем в фармацевтике.

В статье представлена инновационная архитектура федеративных модульных сетей (FM-CDSN), разработанная для обеспечения высокоточной поддержки принятия клинических решений в медицинских учреждениях с ограниченными вычислительными и сетевыми ресурсами. Методология исследования базируется на использовании федеративного обучения, что позволяет обучать глобальную модель на распределенных данных без необходимости их передачи в центральное хранилище, обеспечивая строгую конфиденциальность пациентов. Ключевой особенностью является модульная структура сети, которая позволяет адаптировать локальные модели к специфическим особенностям данных конкретного медицинского центра, сохраняя при этом общие знания. Результаты демонстрируют, что предложенный подход значительно превосходит традиционные методы федеративного обучения в задачах диагностики при наличии гетерогенных данных. Технология имеет критическое значение для внедрения ИИ в развивающихся регионах и сельских больницах, где инфраструктура не позволяет использовать облачные вычисления. Данная разработка открывает путь к созданию глобальных диагностических систем, уважающих суверенитет данных и локальную специфику клинической практики.

Исследование посвящено прогнозированию рисков возникновения вспышек высокопатогенного гриппа птиц (HPAI) штамма H5N1 на территории Австралии на уровне местных органов самоуправления. Авторы применили модель максимума энтропии (MaxEnt) для оценки экологической пригодности среды, объединив её с пятью ключевыми предикторами: численностью диких птиц Южного океана, данными о 28 видах местных птиц, путями их миграции, а также плотностью популяций домашней птицы и куриц. В результате была создана карта рисков, которая выявила, что наиболее уязвимыми регионами являются Новый Южный Уэльс (NSW) и Виктория (VIC), несмотря на то, что текущие случаи были зафиксированы в Западной и Южной Австралии. Также зоны высокого риска охватывают Тасманию (TAS), в то время как Северная территория и значительные части Квинсленда классифицированы как зоны низкого риска. Данная прогностическая модель предоставляет пространственно-детерминированную базу для планирования целевого эпидемиологического надзора и усиления мер биобезопасности.

В исследовании представлен scINTILLA — новый вычислительный фреймворк, предназначенный для оценки качества и согласованности аннотаций типов клеток в данных секвенирования РНК единичных клеток (scRNA-seq). Методология объединяет методы обучения с учителем и без учителя: неконтролируемый компонент тестирует широкий спектр алгоритмов кластеризации для вычисления оценки путаницы соседств, а контролируемый компонент обучает до 12 классификаторов для анализа согласия прогнозов, энтропии и уверенности. Итоговый композитный показатель позволяет выявлять неоднородность популяций и двусмысленность меток, которые могут искажать результаты последующего автоматизированного переноса меток. Авторы протестировали инструмент на пяти наборах данных Human Cell Atlas (мозг, легкие, глаз и органоиды), обнаружив значительные различия в согласованности аннотаций. Применение scINTILLA к низкооцененным популяциям в атласах легких и энтодермальных органоидов позволило успешно идентифицировать биологически значимые субпопуляции клеток, которые ранее были объединены в общие категории. Инструмент служит практическим руководством для проведения научно обоснованной реаннотации клеточных атласов.

В статье описывается инновационный подход к внедрению федеративного обучения (Federated Learning) для задач цифровой гистопатологии в масштабах всей Германии. Исследование решает критическую проблему конфиденциальности данных, позволяя обучать высокоточные модели машинного обучения непосредственно в защищенных контурах медицинских учреждений без необходимости передачи чувствительных изображений тканей за пределы их локальных брандмауэров. Методология базируется на распределенной архитектуре, где только обновленные веса нейросетей, а не сами биомедицинские данные, передаются на центральный сервер для агрегации. Ключевым результатом является успешная демонстрация возможности создания мощных диагностических инструментов, способных работать с гетерогенными данными из различных клиник, сохраняя при этом полный комплаенс с требованиями защиты данных. Данная технология имеет колоссальное значение для развития прецизионной онкологии и стандартизации ИИ-диагностики в масштабах страны, преодолевая барьеры изоляции медицинских данных.

Разработан инструмент PredictRx, использующий шесть методов машинного обучения для анализа молекулярных структур и предсказания синергии лекарственных комбинаций. Исследование показало высокую эффективность алгоритма Random Forest в прогнозировании совместимости препаратов для терапии рака молочной железы.

Исследователи представили HARMONY — инновационную платформу и фреймворк, предназначенный для решения проблемы разрозненности метаданных в крупнейших метаболомных базах данных, таких как Metabolomics Workbench и MetaboLights. Система использует онтологический подход для гармонизации девяти ключевых узлов данных, включая биологические параметры (вид, источник образца, заболевание) и аналитические характеристики (метод разделения, тип ионизации, масс-анализатор), а также сопоставляет метаболиты с единым стандартом RefMet. Методология включает двухэтапный рабочий процесс: многоисточниковое извлечение данных и последующее онтологическое картирование, которое преобразует специфические термины репозиториев в общие поисковые запросы. Результаты внедрения показали значительный рост эффективности: кросс-репозиторная доступность данных увеличилась с 75,5% до 89,6%. При этом около 91% исследований из Metabolomics Workbench и 85% из MetaboLights достигли высокого уровня гармонизации (минимум шесть из восьми узлов). Платформа, доступная по адресу omicsinharmony.in, использует ML-энкодеры для создания общих представлений метаданных, что позволяет проводить глубокий поиск и сравнение исследований на уровне метаболитов, значительно упрощая повторное использование данных в биомедицинских исследованиях.

В статье представлен GPSNorm — новый байесовский фреймворк для пространственной нормализации данных транскриптомики, решающий проблему технической вариативности (различия в размере библиотек, эффекты слайдов и пространственные артефакты). В отличие от традиционных методов, рассматривающих нормализацию как отдельный этап предобработки, GPSNorm использует иерархическую модель, которая совместно моделирует технические помехи, пространственную структуру и биологический сигнал. Методология базируется на отрицательном биномиальном латентном гауссовском моделировании с использованием гауссовских марковских случайных полей и аппроксимации INLA для эффективного байесовского вывода. Это позволяет учитывать неопределенность нормализации при проведении последующего анализа дифференциальной экспрессии генов. Тестирование на данных префронтальной коры человека (Visium), исследования повреждений легких при COVID-19 (GeoMx) и атласе почек показало, что метод значительно точнее восстанавливает пространственные паттерны и улучшает оценку логарифмического изменения (log-fold change). Разработка доступна в виде open-source R-пакета, что делает её применимой для биоинформатиков и исследователей в области системной биологии.