Полигенная оценка риска с помощью моделей глубинного обучения

АБВ
АБВ
АБВ

Обычная версия сайта

Приоритетные направления

по году

Тематика

23 октября 2026 г.

В НИУ ВШЭ впервые прошла конференция на стыке стохастики, ИИ и финансовой математики

В середине октября в Высшей школе экономики состоялась первая научная конференция «Стохастика, искусственный интеллект и финансовая математика» (SAIMF 26). Исследователи Вышки, ведущие математики и специалисты финансового сектора обсудили фундаментальные математические задачи, современные методы искусственного интеллекта и их применение в финансах.

21 октября 2026 г.

Ученые НИУ ВШЭ систематизировали методы защиты изображений

Исследователи МИЭМ ВШЭ проанализировали схемы полухрупких цифровых водяных знаков для изображений, опубликованные за последние десять лет. Такие водяные знаки сохраняются при обычном сжатии или изменении яркости, но выдают подделку, если в снимок добавили объект или заменили лицо. Авторы предложили классификацию этих схем и выделили главные нерешенные проблемы. Результаты опубликованы в журнале Computer Science Review.

20 октября 2026 г.

«Наши работы можно назвать исследованиями на переднем крае науки»

Международная лаборатория кластерной геометрии, действующая на факультете математики НИУ ВШЭ, занимается формированием новой научной дисциплины, соединяющей в себе знания из различных областей математики. Выполненные в ней работы вызывают большой интерес, в том числе у зарубежных коллег. Лаборатория изучает семейства кривых и разрабатывает методы, применяемые в исследованиях физического микромира. Новостная служба «Вышка.Главное» побеседовала с заведующим лабораторией профессором Сергеем Ландо.

Нашли опечатку?
Выделите её, нажмите Ctrl+Enter и отправьте нам уведомление. Спасибо за участие!

Публикации

?

Полигенная оценка риска с помощью моделей глубинного обучения

Перелыгин В. Р., Попцова М. С., Камелин А. В., Ракитько А. С.

В данной работы было показано, что использование нелинейных моделей, в частности методов глубинного обучения, может заметно улучшить полигенную оценку риска некоторых видов заболеваний, в первую очередь высоко ассоциированных с эпистазом.

Язык: русский

Полный текст

Текст на другом сайте

Ключевые слова: Машинное обучение в Биоинформатике Биоинформатика и медицина

В книге

Proceedings of 11th Moscow Conference on Computational Molecular Biology MCCMB'23

IITP RAS, 2023.

Pericyte-derived cancer-associated fibroblasts correlate with poor survival and are enriched after chemoradiotherapy in glioblastoma

Aly Ismailov, Попцова М. С., Plos One 2026 Vol. 21 No. 9 Article e0355902

Добавлено: 2 октября 2026 г.

GENA-LM: a family of open-source foundational DNA language models for long sequences

Fishman V., Kuratov Y., Шмелев А. В. и др., Nucleic Acids Research 2025 Vol. 53 No. 2 Article gkae1310

Добавлено: 1 августа 2025 г.

Параллельные вычислительные технологии – XVII всероссийская конференция с международным участием, ПаВТ'2023, г. Санкт-Петербург, 28–30 марта 2023 г. Короткие статьи и описания плакатов

Издательский центр ЮУрГУ, 2023.

Данный сборник содержит статьи, включенные в программу всероссийской научной конференции с международным участием «Параллельные вычислительные технологии 2023». Конференция проходила 28–30 марта 2023 года в Университете ИТМО (г. СанктПетербург). Подробную информацию о конференции можно найти в сети Интернет по адресу http://agora.guru.ru/pavt. Отпечатано с авторских оригиналов. ...

Добавлено: 27 ноября 2023 г.

Randomness in Cancer Breakpoint Prediction

Челошкина К. С., Bzhikhatlov I., Попцова М. С., Journal of Computational Biology 2021 Vol. 28 No. 7 P. 716–731

Cancer genomes are susceptible to multiple rearrangements by deleting, inserting, and translocating genomic regions. Recently, the problem of finding determinants of breakpoint formations was approached with machine learning methods; however, unlike cancer point mutations, breakpoint prediction appeared to be a more difficult task, and various machine learning models did not achieve high prediction power often ...

Добавлено: 10 сентября 2021 г.

ColocML: machine learning quantifies co-localization between mass spectrometry images

Ovchinnikova K., Lachlan S., Rakhlin A. и др., Bioinformatics 2020 P. 1–10

Добавлено: 15 марта 2020 г.