Метаболическое перепрограммирование миелоидных клеток при раке: от оси лактат-NAMPT к терапевтике, ориентированной на искусственный интеллект.

Когнитивные нарушения, связанные с раком (КНСР), стали заметным долгосрочным последствием для выживших после рака, особенно среди тех, кто получает химиотерапию, радиотерапию или таргетные методы лечения. Несмотря на достижения в лечения рака, КНСР все еще нарушает качество жизни пациентов, повседневную деятельность и трудоспособность, а также эмоциональное благополучие. Данный обзор предоставляет обобщение существующей информации о нейробиологических основах КНСР, включая нейровоспаление, нарушенную нейропластичность, окислительный стресс и опухолевые факторы. Он анализирует методы диагностики — от когнитивного скрининга до высокоуровневой нейровизуализации, а также рассматривает интервенции, основанные на доказательствах, которые играют значительную роль в предоставлении высокодисциплинированного, персонализированного ухода. Действующие ограничения для продвижения интервенций по КНСР на основе машинного обучения включают постоянные препятствия, недостаток долгосрочных испытаний и трудности с доступом к данным и достижением интерпретируемости, среди прочего. В данном обзоре также определяются другие важные факторы риска, а также оценивается производительность различных предсказательных моделей с точки зрения точности, способности к обобщению и клинической полезности. Более того, он освещает проблемы валидации этих моделей и биомаркеров в различных популяциях, а также необходимость дальнейших исследований для повышения их валидности и возможности создания персонализированных интервенций.

Технологии пространственной транскриптомики (СТ) позволяют изучать экспрессию генов в контексте пространственной организации тканей, предоставляя идеи о структуре тканей, клеточных взаимодействиях и прогрессии заболеваний. Однако существующие методы уменьшения размерности часто игнорируют пространственную информацию или не могут отличить пространственные генетические паттерны от паттернов, вызванных различиями в клеточных типах, что ограничивает биологическую интерпретацию, сворачивая различия в паттернах экспрессии генов с различиями в пропорциях клеточных типов. Чтобы решить эти проблемы, мы представляем масштабируемую много групповую ненегативную пространственную факторизацию (smNSF) — вычислительно удобную вероятностную модель, которая интегрирует пространственные координаты и метки клеточных типов в единую модель матричной факторизации. Используя много групповые гауссовские процессы (MGGP) в качестве априорных значений, наша модель захватывает сложные пространственные вариации специфическим для клеточного типа образом, при этом обеспечивая ненегативность для улучшения интерпретируемости. Мы разрабатываем вариационную инференцию для MGGP, которая поддерживает масштабируемую оптимизацию и улучшает численную стабильность smNSF. На семи наборах данных пространственной транскриптомики, охватывающих разнообразные технологии и ткани, smNSF восстанавливает разреженные, интерпретируемые пространственные факторы и, через свои умовные постериоры для клеточных типов, организует их в пространственные программы, обогащенные клеточными типами, специфичные для клеточных типов и универсальные, которые не очевидны из маргинальных факторов. Учитывая метки клеточных типов в данных СТ, smNSF дает возможность проводить пространственные декомпозиции с учетом клеточных типов и поддерживает умовные постериоры для in silico исследования взаимосвязей между пространственными паттернами и клеточной идентичностью. Резюме автора: Большинство современных методов анализа пространственной транскриптомики либо игнорируют пространственную структуру, либо не могут отделить пространственные паттерны, обусловленные геном, от различий, вызванных клеточными типами. В данной работе мы разрабатываем метод, который использует пространственные координаты и метки клеточных типов вместе, чтобы лучше выявить паттерны экспрессии генов. Наш подход, масштабируемая много групповая ненегативная пространственная факторизация (smNSF), использует гауссовские процессы для моделирования пространственной структуры, которые мы расширяем, чтобы захватить как пространственную структуру, так и клеточный тип в единой рамке, называемой много групповыми гауссовскими процессами. Применяя smNSF к наборам данных пространственной транскриптомики из мозга мыши и тканей человека, мы обнаруживаем, что условие на разные клеточные типы выявляет пространственные паттерны, которые невидимы в стандартных анализах: некоторые клеточные типы подавляют паттерн, другие усиливают его, а некоторые раскрывают структуру, которая проявляется только после условия. Это помогает нам понять, как специфические для клеточных типов пространственные программы способствуют организации тканей. Чтобы сделать этот анализ выполнимым на масштабе современных пространственных экспериментов, мы также вводим новую вычислительную аппроксимацию для гауссовских процессов, которая в принципе может быть прямо применена к другим моделям латентных переменных GP. Вместе эти инструменты помогают разбирать биологические источники вариации и поддерживают in silico исследование того, как может изменяться экспрессия генов при различных композициях тканей или клеточных типов.

Болезнь Альцгеймера (БА) — это дегенеративное неврологическое заболевание, характеризующееся потерей памяти, ухудшением когнитивных функций и уменьшением объема мозговой ткани. Обнаружить его на ранней стадии сложно из-за вариаций в прогрессировании заболевания и ограниченных возможностей методов нейровизуализации с единственной модальностью. Диагностика болезни Альцгеймера на основе магнитно-резонансной томографии (МРТ) предоставляет дополнительные структурные и функциональные данные, однако существующие методы глубокого обучения часто сталкиваются с проблемами несбалансированности данных, высокой вычислительной сложности и ограниченной обобщаемостью. Для устранения этих пробелов разработана структура извлечения признаков из МРТ на основе EfficientNet для классификации стадий болезни Альцгеймера. EfficientNet, оснащенный комбинированным масштабированием, слоями с разделением по глубине и компонентами сжатием и возбуждением, позволяет точно охарактеризовать корковые структуры и вариации во всем мозге, сохраняя при этом вычислительную эффективность. Извлеченные признаки классифицируются с помощью сети свёрточной многомасштабной внимательной сети на основе сжатия (C-MSACCN), которая объединяет механизмы внимания и стратегии сжатия для повышения точности и снижения сложности модели. Более того, улучшенный оптимизатор соседей клеток (ICNO) тонко настраивает гиперпараметры, находя баланс между исследованием и эксплуатацией для оптимального сходимости и устойчивости. С точностью 99,9%, точностью, полнотой и F1-мерой на наборах данных модель превосходит предыдущие работы. Валидация подтверждает согласованность, а методы визуализации выделяют области, связанные с заболеванием, для предоставления клинической информации.

В исследовании рассматривается использование технологий искусственного интеллекта для диагностики болезни Хиршпрунга, редкого расстройства кишечника, характеризующегося отсутствием нервных клеток в определенных участках толстого кишечника. AI может помочь в улучшении точности и скорости диагностики, что особенно важно для ранней интервенции.

Злокачественные опухоли, включая остеосаркому (ОС), являются основными неинфекционными хроническими заболеваниями, обусловленными системным воспалением и окислительным стрессом. Хотя известно, что диетические танины обладают антиоксидантными и противораковыми свойствами, их точные регуляторные механизмы и терапевтические мишени при ОС остаются в значительной степени неизученными. Это исследование интегрировало многоомные наборы данных для систематического изучения потенциала диетических танинов при ОС, используя машинно-обучающий фреймворк, основанный на 10 алгоритмах, для построения риска, связанного с танинами (TRR). Модель TRR продемонстрировала благоприятные прогностические характеристики в ретроспективных когортах, причем у пациентов с высоким TRR наблюдалось худшее выживание, обогащение путями ремоделирования экстрацеллюлярного матрикса и уменьшение инфильтрации CD8T-клеток. Кроме того, инструменты предсказания иммунотерапии предположили более низкую вероятность отклика на блокаду иммунных контрольных точек в группе с высоким TRR. TGFA был выявлен как ключевой ген-центр, способствующий высокому рисковому фенотипу; анализы одноядерной и пространственной транскриптомики показали, что клетки ОС с высоким уровнем TGFA обладают стволовыми характеристиками и усиленной коммуникацией с микросредой. В vitro-тесты подтвердили, что нокаут TGFA подавляет пролиферацию и миграцию клеток ОС, одновременно повышая апоптоз, в то время как переэкспрессия TGFA способствует данным злокачественным действиям. Объединив исследования диетических полифенолов с онкологическим управлением, это исследование определяет иммуноосевую ось, ассоциированную с TGFA, как точную молекулярную дорожную карту для структурной модификации полифенолов и разработки целевых функциональных продуктов на основе танинов для вмешательства в хронические заболевания.

Искусственный интеллект (ИИ) стремительно трансформирует системы здравоохранения и клиническую практику, увеличивая необходимость подготовки будущих врачей к эффективному взаимодействию с технологиями ИИ в клинических условиях. Несмотря на возрастающий интерес к интеграции ИИ в медицинское образование, эмпирические данные о готовности студентов медицины использовать ИИ остаются ограниченными. Настоящее исследование направлено на оценку готовности к медицинскому ИИ среди студентов медицинских вузов Кореи и изучение факторов, связанных с этой готовностью. Было проведено поперечное исследование среди студентов, обучающихся в шестилетней медицинской программе в университете Кореи. Всего в исследовании участвовали 204 студента. Готовность к медицинскому ИИ оценивалась с помощью Шкалы готовности к медицинскому ИИ для студентов (MAIRS-MS), которая охватывает четыре области: когнитивная, способность, видение и этика. Описательная статистика, независимые t-тесты и корреляционный анализ Пирсона проводились с использованием SPSS версии 27. Средний балл готовности к медицинскому ИИ составил 4,19 по 7-балльной шкале Лайкерта, что указывает на средний уровень готовности к медицинскому ИИ. Среди подшкал наивысший средний балл был у этики (4,69), за ним следовали видение (4,44), способность (4,18) и когнитивная (3,92). Частота использования ИИ была значительно связана с готовностью к медицинскому ИИ, в то время как ежедневная продолжительность использования ИИ не имела значительного отношения. Значительных различий по полу не было обнаружено. Когда студенты были разделены на группы с низким (предварительно медицинские годы 1-2) и высоким (медицинские годы 1-4) уровнем, группа с высоким уровнем показала значительно более высокие баллы только в подшкале способности. Результаты показывают, что студенты медицины еще не готовы достаточно использовать технологии ИИ в клинической практике, особенно в отношении знаний и практических навыков, связанных с ИИ. Эти результаты подчеркивают необходимость структурированного и долгосрочного образования по ИИ в медицинских учебных планах для лучшей подготовки будущих врачей к интегрированным в ИИ условиям здравоохранения.