онкология

Исследователи представили Hoike — фреймворк на основе искусственного интеллекта для генерации синтетических транскриптомных данных, специфичных для различных заболеваний. Система комбинирует архитектуру Joint-Embedding Predictive Architecture (JEPA) с латентной диффузионной моделью, позволяя создавать condition-specific bulk transcriptomes на основе нормальных референсных профилей тканей. Методология включает парное обучение нормальных и патологических образцов, тканеспецифичное кондиционирование и ограниченное неотрицательное декодирование для обеспечения биологической валидности результатов в пространстве log2(TPM+1). Фреймворк был оценён на данных GTEx (нормальные референсы) и множественных когортах TCGA (онкологические заболевания). Технология решает ключевые проблемы биоинформатики: ограниченность когорт, приватность данных и доменный сдвиг между нормальными и патологическими популяциями. Практическое применение включает анализ дифференциальной экспрессии генов, машинное обучение, безопасный обмен данными, бенчмаркинг алгоритмов и генерацию гипотез в трансляционной биоинформатике, особенно в онкологии.

Исследование посвящено компьютерному дизайну пептида для таргетного воздействия на иммунную контрольную точку Tim-3–galectin9, что имеет значение для иммунотерапии онкологических заболеваний. Работа опубликована в журнале npj Digital Medicine, специализирующемся на цифровых технологиях в медицине. Методология предполагает использование вычислительных подходов для многокритериальной оптимизации пептидной структуры с целью достижения специфичности связывания и терапевтической эффективности. Tim-3 и galectin9 представляют собой перспективные мишени для преодоления иммунного ускользания опухолей. Однако предоставленный фрагмент содержит только библиографические метаданные без доступа к полному тексту статьи, поэтому детали алгоритмов оптимизации, конкретные результаты экспериментов и количественные показатели эффективности недоступны для анализа. Для полноценной оценки вклада ИИ-методов в данное исследование необходим доступ к разделам методики и результатов публикации.

Исследователи разработали BIGraph-ST — новый метод на основе графовых нейронных сетей для идентификации функциональных доменов в пространственной транскриптомике. Метод интегрирует два типа данных:_scores активности биологических путей и признаки гистологических изображений, что позволяет преодолеть шум и разреженность данных экспрессии генов. BIGraph-ST представляет сходство между модальностями через аффинные графы и распространяет пространственную топологию для захвата связности высшего порядка в тканевом микроокружении. Экспериментальные результаты показали робастную производительность и значительные улучшения на множестве бенчмарк-датасетов, особенно на образцах раковых тканей. Ключевое преимущество метода — биологически интерпретируемые представления доменов на уровне путей, что даёт исследователям инструмент для получения биологических инсайтов о сложных тканевых архитектурах. Исходный код будет опубликован после принятия статьи. Данная работа напрямую применяет методы машинного обучения для анализа медицинских данных в онкологии и патологической анатомии.

GE HealthCare запустила новые решения для УЗИ молочной железы Invenia ABUS Prime и ABUS StreamVue с интегрированными ИИ-инструментами Verisound AI и QVCAD для оценки качества сканирования и обнаружения поражений. ИИ-ассистент демонстрирует сокращение времени чтения на 33% и чувствительность до 93% для детекции опухолей, что особенно важно для женщин с плотной тканью молочной железы.

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.

Исследователи разработали инновационную вычислительную систему на основе искусственного интеллекта для идентификации лекарственных мишеней среди малоизученных «тёмных киназ» — белков, которые могут стать ключом к лечению сложных заболеваний, включая рак и нейродегенеративные расстройства. Методология объединяет BERT-эмбеддинги белков и путей, двухступенчатый трансформер, гетерогенный графовый трансформер (HGT), а также генеративно-состязательную сеть WGAN-GP для создания негативных примеров обучения. Модель обучена на классификаторах XGBoost и lightGBM с интерпретацией результатов через SHAP-анализ для объяснимости. Система достигла выдающихся метрик: точность 98,16%, F1-мера 98,16%, специфичность 98,52%, AUROC 99,78%, AUPRC 99,82%, корректно классифицировав 97,48% тестовых данных. В результате предсказано 62 225 ассоциаций путей для тёмных киназ, проанализирована функциональная схожесть 96 белков и выявлено 9 ключевых признаков. Особое внимание уделено киназам, связанным с синдромом поликистозных яичников (СПКЯ), для которых проведён докинг-анализ с известными препаратами. Работа демонстрирует практическую применимость ИИ для ускорения открытия лекарств и функциональной аннотации белков.

Стартап Pathos AI secured права на два экспериментальных противораковых препарата (JSKN016 и AZD4241) и будет использовать свою проприетарную ИИ-платформу Foundry для ускорения клинических испытаний. Платформа employs тысячи ИИ-агентов для анализа биологических и клинических данных, идентификации пациентов, дизайна исследований и оптимизации дозировок.

Компания Tempus AI опубликовала в престижном журнале Nature Medicine результаты исследования своей мультимодальной фундаментальной модели PRISM2, предназначенной для применения в онкологии. Модель демонстрирует диагностическую точность уровня клинических стандартов для обнаружения рака, одновременно расширяя возможности прогнозирования статуса биомаркеров и прогноза пациентов. PRISM2 представляет собой фундаментальную ИИ-модель, обученную на мультимодальных медицинских данных, что позволяет ей выполнять множественные диагностические и прогностические задачи в рамках единой архитектуры. Исследование подтверждает эффективность модели в реальных клинических сценариях, позиционируя Tempus как лидера во внедрении искусственного интеллекта в онкологию. Публикация в Nature Medicine свидетельствует о прохождении рецензирования и научной валидации технологии. Компания Tempus AI торгуется на бирже NASDAQ под тикером TEM и специализируется на технологиях для персонализированной медицины. Результаты исследования открывают возможности для более широкого клинического применения ИИ в диагностике рака и прогнозировании исходов лечения.

Росздравнадзор выдал бессрочное регистрационное удостоверение на медицинское изделие Polyptron.AI — российскую систему искусственного интеллекта для автоматизированного выявления патологий при эндоскопической диагностике желудочно-кишечного тракта. Разработчиком выступила челябинская компания «Эва Лаб». Программное обеспечение использует технологии машинного обучения для анализа эндоскопических изображений в реальном времени и помощи врачам в обнаружении полипов, новообразований и других патологических изменений слизистой оболочки ЖКТ во время колоноскопии. Регистрация означает, что система прошла все необходимые клинические испытания и соответствует требованиям безопасности и эффективности для применения в российской медицинской практике. Это значимое событие для российской цифровой медицины — продукт позволяет повысить точность диагностики, снизить риск пропуска патологий и стандартизировать качество эндоскопических исследований. Внедрение подобных ИИ-ассистентов особенно важно для раннего выявления колоректального рака, где своевременное обнаружение полипов напрямую влияет на прогноз пациента.

Исследование посвящено применению моделей машинного обучения для анализа эмоционального состояния пациентов на онлайн-форумах поддержки онкологических больных. Авторы провели бенчмарк классических, рекуррентных и трансформерных моделей для четырёхклассовой ординальной классификации тональности, используя датасет Mental Health Insights—Vulnerable Cancer Patients объёмом 10 392 записи. Модели оценивались по взвешенному F1-мере, макро AUC one-vs-rest и класс-специфичным метрикам на разбиении 60/20/20. Наилучшие результаты показала модель ALBERT с взвешенным F1 0,7667 и макро AUC 0,931, BioBERT продемонстрировал близкие показатели (F1 0,7613, AUC 0,917) с несколько более высокой полнотой для класса «очень негативный» (0,8019 против 0,7736). Анализ ошибок выявил, что ошибки трансформеров концентрируются вокруг ординальных границ решений, а остаточные ошибки положительного класса имеют операционную важность для рабочих процессов поддержки. Исследование поддерживает использование тонкой настройки трансформеров как компонента систем поддержки решений для мониторинга уязвимых пациентов, подчёркивая необходимость калибровки, прозрачного анализа ошибок и человеческого надзора вместо автономной клинической оценки.

Исследование представляет систему мультимодального глубокого обучения для предоперационной оценки степени инвазивности узелков аденокарциномы лёгкого — критически важной задачи для определения оптимальной хирургической тактики. Модель интегрирует множественные типы данных (вероятно, КТ-изображения, клинические параметры и возможно гистологические маркеры) для стратификации риска до операции. Разработка направлена на решение ключевой проблемы торакальной онкологии: дифференциацию минимально инвазивных форм аденокарциномы от более агрессивных вариантов без необходимости инвазивной биопсии. Ожидаемые клинические преимущества включают снижение количества избыточных радикальных операций, оптимизацию объёма резекции и улучшение прогнозирования исходов лечения. Публикация в npj Digital Medicine указывает на прохождение рецензирования и соответствие стандартам исследований в области цифровой медицины. Данное исследование вносит вклад в развитие прецизионной онкологии с применением искусственного интеллекта для персонализированного принятия клинических решений.

Исследование представляет новую методику объяснимой диагностики рака кожи, объединяющую сверточные нейронные сети (CNN) для анализа дерматоскопических изображений с визуально-языковыми моделями (VLM) для генерации текстовых пояснений диагноза. Вместо традиционных тепловых карт активации, которые трудно интерпретировать клиницистам, система производит естественные языковые описания выявленных патологий и обоснования диагностических решений. Методология включает обучение на экспертно-аннотированном датасете с разметкой от дерматологов, что обеспечивает высокое качество обучающих данных. Интеграция CNN-VLM позволяет системе не только классифицировать поражения кожи, но и объяснять свои выводы в терминах, понятных врачам. Такой подход решает ключевую проблему внедрения ИИ в клиническую практику — недостаток прозрачности и доверия к решениям «чёрного ящика». Результаты демонстрируют потенциал для улучшения диагностики меланомы и других кожных онкозаболеваний с одновременным повышением объяснимости ИИ-рекомендаций. Работа опубликована в рецензируемом журнале Artificial Intelligence in Medicine, что подтверждает научную ценность исследования.

Исследование представляет оптимизированный алгоритм множественного выравнивания циклических последовательностей (MCSA) для анализа библиотек циклических пептидов в разработке лекарств. Циклические пептиды с циклизацией голова-к-хвосту сочетают высокую аффинность и селективность с метаболической стабильностью, но их анализ требует решения проблемы неизвестной ротации каждой последовательности. Существующие эвристики MCSA были оптимизированы для геномных данных и становятся чрезмерно медленными при работе с сотнями и тысячами коротких пептидных последовательностей. Авторы разработали оптимизации, включая библиотеку пресетов для коротких последовательностей и многопоточный бэкенд с поддержкой SIMD, обеспечивающий почти линейное масштабирование. Метод валидирован на библиотеке из 1000 H2T-циклизованных пептидов длиной 18 аминокислот, нацеленных на онкопротеин MDM2. Оптимизированный MCSA восстанавливает позиционные мотивы связывания MDM2 с той же точностью, что и оригинальная реализация, но работает в 650 раз быстрее. Инструмент открыто доступен и позволяет проводить выравнивание циклических пептидов в масштабах библиотек для де novo дизайна пептидов с использованием генеративных моделей.

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.

Исследователи представили DBayesCM — новую глубокую байесовскую модель для кластеризации и анализа взаимосвязей в микробиомных мульти-омикс данных. Модель сочетает глубокое обучение с байесовскими непараметрическими методами: отдельные энкодеры проецируют данные микробиома и хозяина в общее латентное пространство, где бесконечная смесь моделей с приором Дирихле автоматически определяет количество кластеров и квантует неопределённость назначения каждого образца. Авторы оценили две версии модели: DBayesCM-vMF с гиперсферическим латентным пространством и DBayesCM-GMM с евклидовым пространством. На симулированных данных гиперсферальный вариант корректно восстановил число кластеров, тогда как евклидовый допустил избыточную сегментацию, что демонстрирует влияние геометрии латентного пространства на качество кластеризации. Модель протестирована на когортах пациентов с раком толстой кишки, молочной железы и почек, включая метаболомику хозяина, RNA-seq и miRNA данные, а также на модели обструктивного апноэ сна. DBayesCM выявляет условные вероятностные совпадения между ключевыми видами микробов и омикс-признаками хозяина, обеспечивая осознанное исследование взаимосвязей микробиом-хозяин при различных заболеваниях с учётом неопределённости.

В статье рассматривается практический подход к адаптации и внедрению положений нового Закона ЕС об ИИ (EU AI Act) в деятельность крупного специализированного онкологического центра. Авторы предлагают комплексную модель институционального управления, которая позволяет интегрировать алгоритмы машинного обучения в клиническую практику, соблюдая строгие регуляторные требования. Исследование фокусируется на создании механизмов контроля качества данных, управлении рисками при использовании ИИ в диагностике рака и обеспечении прозрачности алгоритмов для врачей. Основное внимание уделяется созданию междисциплинарных комитетов, которые координируют работу технических специалистов и медицинского персонала. Разработанный фреймворк помогает минимизировать юридические риски и повысить безопасность пациентов при использовании высокорисковых систем ИИ. Данная работа имеет критическое значение для медицинских учреждений, стремящихся легально и эффективно масштабировать использование нейросетей в онкологии.

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.