нейродегенеративные заболевания

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 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.