нейродегенеративные заболевания

Исследователи применили методы искусственного интеллекта для предсказания трехмерных структур 109 282 взаимодействий между белками человека, создав масштабный структурный ресурс, который ранее был недоступен из-за неразрешенности большинства таких структур. Предсказанные структуры были детально проанализированы с точки зрения участия остатков в интерфейсах, площади скрытой поверхности, межмолекулярных связей и энергетических свойств, что позволило систематизировать данные о физико-химических характеристиках белковых комплексов. Ключевым этапом работы стало картирование данных о патогенных вариантах на предсказанные структуры, в результате чего были выявлены мутации, локализованные в зонах взаимодействия белков, для более чем 4 000 аннотированных категорий заболеваний. В качестве репрезентативных примеров были рассмотрены острый миелоидный лейкоз, болезнь Альцгеймера и кардиомиопатия, что позволило изучить распределение интерфейсных мутаций в сетях белковых взаимодействий, связанных с этими патологиями. Авторы также оценили сильные стороны и ограничения предиктивных возможностей модели, проведя сравнение с экспериментально определенными структурами для валидации точности. Полученный структурный ресурс и сопутствующий анализ создают фундаментальную базу для формирования новых гипотез и планирования экспериментальных исследований, направленных на понимание механизмов заболеваний на уровне белковых взаимодействий. Работа демонстрирует мощный потенциал ИИ в структурной биологии и геномике, ускоряя расшифровку молекулярных основ многих тяжелых заболеваний.

В статье представлен новый метод AmyloCore-ML, основанный на машинном обучении и моделях языков белков (Protein Language Models, PLM), для точного предсказания участков, формирующих структурное ядро амилоидных фибрилл. В отличие от предыдущих предикторов, ориентированных на общую склонность к агрегации, данный инструмент фокусируется на резидуальном уровне, идентифицируя конкретные аминокислотные остатки, включенные в экспериментально подтвержденную структуру фибриллы. Для обучения модели использовались данные из базы Amyloid Atlas, где упорядоченные остатки в экспериментальных структурах классифицировались как «ядро», а неопределенные участки тех же белков — как «не-ядро». В качестве признаков применялись физико-химические дескрипторы и эмбеддинги современных PLM (ESM-2, ANKH, ProtT5), причем языковые модели продемонстрировали значительное превосходство над традиционными дескрипторами. Лучшие модели достигли значений AUROC около 0.88 и AUPRC около 0.85, а при полном сканировании белков модель ESM-2/ExtraTrees показала AUROC 0.833 и среднее расстояние до пика в 12.4 аминокислотных остатка. В сравнительном бенчмарке AmyloCore-ML превзошел существующие инструменты CrossBeta и AggrescanAI, обеспечив более высокую точность локализации ядер. Разработанный фреймворк доступен через интерактивный ноутбук Google Colab, что позволяет исследователям проводить предсказания без необходимости локальной установки программного обеспечения или наличия мощных вычислительных ресурсов. Этот инструмент представляет собой значительный шаг вперед в понимании механизмов нейродегенеративных заболеваний, связанных с образованием амилоидов.

Компания Prenuvo запустила Исследовательскую сеть для изучения ранних признаков заболеваний с использованием базы данных из более чем 200 000 снимков МРТ всего тела и собственных ИИ-инструментов. Инициатива направлена на создание доказательной базы для превентивной медицины в сотрудничестве с ведущими академическими институтами.

В исследовании, опубликованном в журнале npj Digital Medicine 24 сентября 2026 года, представлен новый подход к лечению легкого когнитивного нарушения (ЛКН) с использованием каузального обучения с подкреплением (Causal Reinforcement Learning). Авторы предлагают метод, который не только предсказывает эффективность вмешательств, но и учитывает причинно-следственные связи между состоянием пациента и результатами терапии, что позволяет динамически адаптировать план лечения. В отличие от стандартных алгоритмов машинного обучения, данный подход минимизирует смещение, возникающее из-за непостоянства стратегий назначения лечения в реальных клинических данных. Исследование демонстрирует, как ИИ-система может персонализировать дозировки и частоту когнитивных тренировок для каждого пациента, максимизируя долгосрочные улучшения когнитивных функций. Ключевые результаты показывают значительное превосходство предложенного метода над традиционными алгоритмами обучения с подкреплением и статическими протоколами лечения в стабилизации когнитивных показателей. Это открытие имеет высокую значимость для практики, так как предлагает инструмент для создания истинно персонализированной медицины в неврологии и геронтологии. Методология включает анализ больших массивов клинических данных с применением структурных каузальных моделей, интегрированных в цикл обучения с подкреплением. Работа открывает путь к созданию автономных систем поддержки принятия врачебных решений для хронических нейродегенеративных состояний.

В исследовании, опубликованном в декабре 2026 года в журнале Artificial Intelligence in Medicine, представлена новая методология предсказания биологического возраста мозга на основе концепции свободных прототипов (free-prototype modeling). Авторы, включая исследователей из инициативы Alzheimer’s Disease Neuroimaging Initiative (ADNI) и австралийского исследования Australian Imaging Biomarkers and Lifestyle, предлагают подход, который позволяет создавать динамические возрастные атласы мозга, адаптируясь к индивидуальным вариациям старения. Методология использует нейросетевые архитектуры для обучения представлений, которые не жестко привязаны к фиксированным возрастным группам, что повышает точность оценки отклонений от нормы. Ключевая значимость работы заключается в улучшении ранней диагностики нейродегенеративных заболеваний, таких как болезнь Альцгеймера, путем более точного выявления аномального старения мозга на ранних стадиях. Исследование демонстрирует, что использование свободных прототипов позволяет лучше улавливать нелинейные паттерны старения по сравнению с традиционными регрессионными моделями. Результаты показывают высокую корреляцию между предсказанным возрастом мозга и клиническими маркерами когнитивного снижения, что делает метод перспективным инструментом для клинической практики. Работа вносит вклад в развитие персонализированной медицины, предлагая более чувствительные инструменты мониторинга здоровья нервной системы. Это исследование подчеркивает важность применения передовых методов глубокого обучения в нейровизуализации для улучшения прогностической ценности биомаркеров старения.

В статье представлен новый метод глубокого обучения AGMNet (Adaptive Gated Multimodal Network), предназначенный для классификации болезни Паркинсона. Модель интегрирует данные структурной магнитно-резонансной томографии (МРТ), визуализации транспортера дофамина (DaT), а также признаки асимметрии и биомаркеры. Для обеспечения интерпретируемости решений нейросети используется метод Grad-CAM, позволяющий визуализировать области на снимках, наиболее влияющие на классификацию. Оценка производительности проводилась с помощью пятикратной перекрестной проверки и сравнения с базовыми архитектурами, такими как VGG16, VGG19, InceptionV3 и Xception. Результаты показали точность 0.8318, сбалансированную точность 0.8278, чувствительность 0.8556 и специфичность 0.8000. Площадь под ROC-кривой (AUC) составила 0.711, а коэффициент корреляции Мэтьюса (MCC) — 0.6458. Исследование демонстрирует, что адаптивное мультимодальное слияние данных улучшает интеграцию структурной, функциональной и асимметричной информации по сравнению с использованием только МРТ. Модель AGMNet показала конкурентоспособные результаты относительно существующих архитектур глубокого обучения. Веса затворов подтвердили высокую значимость функциональных данных и признаков асимметрии для точной диагностики. Предложенный подход предлагает перспективный и интерпретируемый инструмент для помощи в диагностике болезни Паркинсона на основе мультимодальных медицинских изображений.

В исследовании, опубликованном в npj Digital Medicine 5 сентября 2026 года, оценивалась валидность удаленных когнитивных тестов на смартфоне для выявления ранней болезни Альцгеймера (БА). Авторы провели когортное исследование с участием пациентов с ранней стадией БА и здоровых контролей, сравнивая результаты смартфон-тестов с традиционными нейропсихологическими батареями и биомаркерами (амилоидный ПЭТ и МРТ). Использовались тесты на эпизодическую память, исполнительные функции и скорость обработки информации, адаптированные для самостоятельного выполнения. Была подтверждена высокая осуществимость (более 90% завершаемость) и ретестовая надежность (ICC > 0.8). Ключевым результатом стала нейроанатомическая валидность: показатели смартфон-тестов коррелировали с объемом гиппокампа (r = 0.62, p < 0.001) и уровнем амилоидной нагрузки (r = 0.55, p < 0.01), что сопоставимо с традиционными тестами. Чувствительность и специфичность различения БА от контроля составили 84% и 79% соответственно. Исследование демонстрирует, что удаленные когнитивные оценки могут быть не только удобны, но и нейробиологически значимы, открывая путь к масштабному скринингу и мониторингу БА в домашних условиях. Это особенно важно для клинических испытаний и персонализированного наблюдения, снижая нагрузку на пациентов и систему здравоохранения.

В исследовании систематически оценивается вклад отдельных речевых биомаркеров (паузы, запинки, неразборчивые слова) в классификацию болезни Альцгеймера с помощью легковесных языковых моделей (BERT, AlBERT, DistilBERT). Паузы оказались наиболее информативным биомаркером (F1 = 0.8326), а их целенаправленный отбор улучшает точность детекции по сравнению с объединением всех признаков.

В журнале npj Digital Medicine опубликовано исследование, представляющее фундаментальную модель голосовых биомаркеров, предназначенную для мониторинга бокового амиотрофического склероза (БАС) и скрининга болезни Паркинсона. Модель обучалась на крупном наборе аудиоданных, включающем записи речи пациентов с нейродегенеративными заболеваниями и здоровых контролей. Используя методы глубокого обучения, модель извлекает акустические признаки, связанные с дизартрией и другими речевыми нарушениями, характерными для этих заболеваний. Для БАС модель позволяет отслеживать прогрессирование заболевания по изменениям речевых характеристик, что может служить неинвазивным и доступным инструментом мониторинга в клинической практике. Для болезни Паркинсона модель демонстрирует высокую точность скрининга, позволяя выявлять ранние признаки заболевания по голосу. Валидация проводилась на независимых когортах, показав устойчивые результаты. Исследование подчеркивает потенциал голосовых биомаркеров как масштабируемого решения для нейродегенеративных заболеваний, что может улучшить раннюю диагностику и персонализированное лечение.

Исследование демонстрирует применение искусственного интеллекта и машинного обучения для ранней диагностики болезни Альцгеймера за несколько лет до появления клинических симптомов. Технология анализирует краткие цифровые тесты (несколько минут), извлекая поведенческие данные через множественные ML-модели одновременно. Система генерирует оценку риска когнитивных нарушений, предсказывает вероятность положительного результата на амилоидные бляшки и улучшает точность биомаркеров крови, определяя пациентов для дальнейшего тестирования. Разработаны первые поведенческие цифровые биомаркеры, связывающие повседневное когнитивное поведение с underlying патологией мозга. Алгоритмы фиксируют незаметные при стандартном наблюдении изменения в тайминге, последовательности и беглости действий (рисование, паузы, речь), отражающие координацию моторного планирования, языка, внимания и исполнительных функций. Решение особенно ценно в условиях дефицита неврологов и нейropsychологов, когда ожидание когнитивной оценки растягивается на месяцы. Технология позволяет врачам первичного звена определять необходимость дополнительного тестирования, специализированного направления или усиленного наблюдения во время обычного визита.

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.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная методология прогнозирования риска развития деменции, основанная на применении глубокого трансферного обучения (deep transfer learning). Основная проблема, которую решают авторы — это низкая точность стандартных моделей ИИ при работе с этнически и социально неоднородными группами населения. Разработанный подход позволяет адаптировать предобученные нейросетевые модели под специфические характеристики конкретных популяций, что значительно повышает точность предиктивной аналитики. Использование трансферного обучения позволяет минимизировать потребность в огромных локальных наборах данных, сохраняя при этом высокую чувствительность модели к биомаркерам и поведенческим паттернам различных групп. Результаты демонстрируют, что персонализированный подход к обучению моделей существенно снижает риск ложноположительных и ложноотрицательных диагнозов в рамках скрининга когнитивных нарушений. Данная технология имеет критическое значение для персонализированной превентивной медицины и ранней диагностики нейродегенеративных заболеваний в глобальном масштабе.

Компании Viz.ai и Cortechs.ai объявили о партнерстве для интеграции инструментов количественного анализа нейровизуализации в платформу Viz.ai. Основное внимание будет уделено рассеянному склерозу, что позволит врачам быстрее идентифицировать пациентов и точнее управлять лечением с помощью ИИ-анализа МРТ.

Исследование представляет ActiTect — инновационный программный конвейер на базе машинного обучения, разработанный для автоматизированного скрининга расстройства поведения в фазе быстрого сна (RBD). Методология исследования опирается на использование стандартизированной актиграфии, что позволяет перенести процесс диагностики из специализированных лабораторий сна в условия домашнего мониторинга. Система анализирует паттерны движения пациента, используя алгоритмы глубокого обучения для выявления специфических признаков RBD. Ключевой особенностью ActiTect является его высокая обобщающая способность, позволяющая эффективно работать на различных наборах данных без потери точности. Внедрение данного решения может значительно повысить доступность ранней диагностики нейродегенеративных заболеваний, связанных с RBD, за счет снижения нагрузки на клинический персонал и стоимости обследований. Результаты демонстрируют потенциал автоматизации рутинного скрининга с использованием носимых устройств.

В исследовании представлен новый метод генеративного обучения без учителя под названием Latent Event Mapping (LEMING), предназначенный для реконструкции траекторий прогрессирования нейродегенеративных заболеваний на воксельном уровне. В отличие от существующих подходов, LEMING обеспечивает высокую вычислительную масштабируемость и интерпретируемость, создавая латентную карту событий вдоль единой псевдовременной шкалы. Авторы применили метод к данным ПЭТ-сканирования амилоида и структурной МРТ из инициативы ADNI (Alzheimer's Disease Neuroimaging Initiative). Результаты позволили впервые визуализировать воксельные траектории событий при болезни Альцгеймера и выявить новые механизмы прогрессирования. В частности, было обнаружено, что плотность ацетилхолиновых рецепторов значимо положительно коррелирует как с поздними стадиями накопления амилоида, так и с процессами атрофии мозга. Это открытие указывает на то, что ацетилхолиновые рецепторы могут становиться мишенью на более поздних этапах болезни, что имеет критическое значение для разработки стратегий раннего терапевтического вмешательства.

Исследование посвящено изучению роли белка TDP-43, который играет ключевую роль в развитии рака и нейродегенеративных заболеваний. Ученые исследовали механизмы транскрипционной регуляции, используя мультиомиксные данные (Hi-C, ChIP-seq, RNA-seq, ATAC-seq) на клеточных линиях K562 и HepG2. Было установлено, что связывание TDP-43 тесно коррелирует с образованием структур ДНК G-квадруплексов (dG4) в ключевых точках анкеровки хроматиновых петель, таких как промоторы и энхансеры. Результаты показывают, что присутствие TDP-43 повышает стабильность dG4, увеличивает частоту взаимодействий хроматиновых петель и доступность хроматина, что ведет к активации экспрессии генов. Эксперименты по нокдауну TDP-43 в клетках HepG2 подтвердили, что снижение уровня белка приводит к значительному уменьшению формирования dG4 и ослаблению силы петлевых взаимодействий, вызывая масштабную транскрипционную дисрегуляцию. Данное открытие раскрывает новый молекулярный механизм, объясняющий, как нарушения в работе TDP-43 приводят к патологическим изменениям в экспрессии генов при различных заболеваниях.

В данном исследовании ученые использовали методы компьютерного моделирования для изучения механизмов работы белка DCAF7, который играет ключевую роль в организации клеточных комплексов. С помощью инструментов AlphaFold2/3, SLiMAn2 и PSSMsearch был выявлен консервативный $\alpha$-спиральный короткий линейный мотив (SLiM), который связывается с верхней поверхностью $\beta$-пропеллера белка DCAF7. На основе этого мотива была разработана регулярная экспрессия, позволившая идентифицировать новые потенциальные прямые мишени в мета-интерактоме DCAF7 и протеоме человека. Исследование также включало предсказание домен-доменных взаимодействий и моделирование олигомерных комплексов. Результаты работы раскрывают структурную основу функции скаффолдинга DCAF7 и указывают на его важную роль в патогенезе нейроонтогенетических расстройств, включая аутизм. Полученные данные открывают новые возможности для разработки терапевтических стратегий, направленных на модуляцию клеточных процессов через управление белковыми взаимодействиями.

Биотехнологическая компания Cognito Therapeutics присоединилась к инициативе по замене термина «деменция» на более точную и менее стигматизирующую терминологию. Это решение направлено на улучшение взаимодействия с врачами и пациентов, а также на поддержку ранней диагностики нейродегенеративных заболеваний.