Мелатонин может быть вреден

Американская кардиологическая ассоциация провела анализ медицинских карт за 5 лет более чем 130 000 взрослых пациентов с бессонницей, которые принимали мелатонин в течение как минимум года

❗️У тех кто принимал мелатонин хотя бы год вероятность развития сердечной недостаточности в течение 5 лет была «на 90% выше» (4,6 % против 2,7 % ). Аналогично у тех, кому выписывали минимум 2 рецепта за 90 дней или чаще (в Британии он рецептурный)

❗️Такие пациенты в ~3,5 раза чаще попадали в больницу с сердечной недостаточностью (19,0 % против 6,6 % соответственно)

❗️Пациенты, принимавшие мелатонин за пятилетний период почти «в 2 раза чаще» умирали от любых причин (7,8 % против 4,3 % соответственно).

Все эти «разы» высчитаны из небольшой разницы между %, но пересчитав на миллионы пациентов получается серьёзно.

Кроме того, ещё раз подтвердилось, что мелатонин в принципе не помогает.

Представлены результаты 60 цифровых индивидуальных испытаний. Оценивали действие мелатонина 3,0 мг и 0,5 мг по сравнению с плацебо при нарушениях сна.

Пациенты пользовались баночками со встроенными весами и sim-картой. Когда пациент извлекал таблетку, сигнал уходил исследователю.

Добавки с мелатонином не оказали существенного влияния на продолжительность или качество сна

#сон

Иногда в нашу жизнь неожиданно врываются старые добрые знакомые.

🧠 Когда память решает вспомнить себя

Учёные из Техаса и Японии нашли, что молекула NAD⁺ способна вмешаться в один из самых загадочных процессов болезни Альцгеймера — сбой в работе RNA, из-за которого клетки мозга теряют способность производить нужные белки.
NAD⁺ не “лечит” болезнь в привычном смысле — он как реставратор, который разглаживает смятые страницы клеточной книги и говорит нейронам:
«Вы ведь знали, как это — помнить. Просто попробуйте вспомнить».

🧬 Алхимия забвения

До недавнего времени считалось, что Альцгеймер — это просто разрушение тканей мозга,
но новые исследования показали: всё начинается глубже, на уровне того, как клетка “читает” свои собственные инструкции.
NAD⁺, присутствуя в организме, помогает восстанавливать нормальный сплайсинг — процесс, где RNA решает, какие части гена включить, а какие отбросить.
Когда этот ритм сбивается, память рассыпается.
Когда NAD⁺ возвращает порядок — музыка сознания снова звучит, пусть и хрипловато, как старая пластинка, но всё ещё знакомая.

🌙 Химия надежды

Эксперименты на животных показали: повышение уровня NAD⁺ помогает вернуть утраченные навыки, улучшить память, даже снизить воспаление нейронов.
Это не чудо и не философский камень, а напоминание: жизнь умеет чинить себя изнутри, если дать ей инструмент.
Может быть, именно в этом и есть победа — не над смертью, а над забвением.
Пока кто-то ищет вечную молодость, эти учёные просто возвращают людям возможность узнать в зеркале своё собственное имя.

https://medicalxpress.com/news/2025-11-nad-memory-alzheimer-disease-rna.html

Вот и первый иБТЛП с разрешением на применение у пациентов.

Кстати: мРНК от Гамалеи тоже получило разрешение.

Поздравим всех российских исследователей разом

Очередное исследование в Nature Medicine показывало, что даже небольшой уровень повседневной физической активности связан с более медленным формированием патологических изменений в мозге, характерных для болезни Альцгеймера.

Авторы исследования наблюдали почти 300 участников в возрасте 50–90 лет. Сначала участникам провели ПЭТ-сканы, чтобы оценить уровень амилоида-бета, а затем в течение нескольких лет повторяли когнитивные тесты и обследования на тау-белок. Оба этих белка считаются основными маркерами болезни Альцгеймера (но уже не основной причиной), поскольку их накопление влияет на работу нейронов.

У людей с низкой двигательной активностью, менее 3 тысяч шагов в день, когнитивное снижение и накопление тау прогрессировали быстрее.

3–5 тысяч шагов в день давали отсрочку когнитивного снижения примерно на три года. 5–7,5 тысячи шагов в день — на семь лет.

Исследователи отмечают, что
даже умеренная активность поддерживает метаболическую стабильность нейрональных сетей при повышенных уровнях амилоида-бета. Это особенно важно для людей с ранними биомаркерами риска.

Новая стратегия редактирования генов может привести к разработке универсального метода лечения редких заболеваний

Группа исследователей из Института Брода (Broad Institute) под руководством пионера в области редактирования генома Дэвида Лю (David Liu) разработала и опубликовала в Nature новую стратегию редактирования генома, которая которая в конечном итоге может быть стандартизирована для многих различных редких заболеваний, вместо персонализированного редактирования для каждого из них. Новая технология, получившая название PERT (prime editing-mediated readthrough of premature termination codons, прочтение преждевременных терминирующих кодонов с помощью редактирования праймеров), предполагает использования всего одного редактирующего агента для лечения множества пациентов с разными редкими заболеваниями. В ее основе прайм-редактирование — универсальная и точная система редактирования ДНК, разработанная лабораторией Лю в 2019 году, которая позволяет устранять мутацию, вызывающую около трети редких заболеваний. Речь идет о так называемых «бессмысленных мутациях», преждевременных стоп-сигналах в последовательности, кодирующей белок - как если бы предложение прерывалось точкой в ​​середине - из-за которых белки получаются усеченными. Усеченные белки не функциональны. Из 200 000 болезнетворных мутаций, задокументированных в базе данных ClinVar, 24% являются бессмысленными мутациями.
Лю с коллегами создали особую молекулу транспортной РНК, которая заставлял клетки, по сути, игнорировать неправильно расположенный стоп-сигнал и синтезировать полноразмерный белок. В процессе синтеза белка в клетке образуются транспортные, или тРНК, которые, считывая последовательность мРНК, собирают соответствующие аминокислотные блоки в цепочку, которая становится конечным белком. Специальная трехбуквенная последовательность мРНК, которую считывает тРНК — UAA, UAG или UGA — отмечает конец инструкции по сборке белка. Этот стоп-сигнал распознает специальная - супрессорная - тРНК, которая может вставлять в позицию стоп-кодона аминокислоту, позволяя таким образом клетке считывать то место гена, где она должна была бы остановиться, и синтезировать полноценный белок. Протестировав десятки тысяч вариантов тРНК, авторы создали новую, высокоэффективную супрессорную тРНК, оптимизировали систему редактирования праймов для установки этой тРНК непосредственно в геномы клеток и успешно протестировали свое изобретение на клеточных моделях редких заболеваний - болезни Баттена, болезни Тея-Сакса и болезни Ниманна-Пика типа C1 у человека, а также на мышиной модели синдрома Херлера.
https://www.nytimes.com/2025/11/19/health/gene-editing-rare-diseases.html

Группа израильских учёных опубликовала исследование, в котором показали, что специализированные Т-лимфоциты типа CD4, экспрессирующие транскрипционный фактор Eomesodermin (Eomes), играют важную роль в регуляции старения и обеспечении долголетия организма. Эти клетки помогают организму справляться с накапливающимися с возрастом повреждёнными ("старческими") клетками, известными как сенесцентные клетки, которые вызывают хроническое воспаление и приводят к различным заболеваниям.

Обнаруженное ими подмножество Т-лимфоцитов CD4-Eomes становится активным, когда организм сталкивается с повышенным количеством старых клеток. Сигнальные молекулы, выделяемые этими клетками, запускают процесс трансформации обычных Т-хелперных клеток CD4 в специализированные CD4-Eomes клетки. Последние выделяют вещества, направленные на уничтожение поврежденных клеток, снижая воспалительные процессы и поддерживая нормальное функционирование органов.

По мнению авторов исследования, их работа показала важное значение этих клеток для сохранения молодости и здоровья, а полученные результаты представляют значительный вклад в изучение механизмов старения и предлагают новые подходы к лечению возраст-зависимых заболеваний.

Искусственный интеллект в разработке лекарств — решение всех проблем или пустой хайп?

Недавно СЕО компании Moderna объявил в интервью, что AI через 3-5 лет поможет проникнуть в тайны большинства болезней, а это позволит их лечить. Оставим такие смелые прогнозы на его совести. Лучше обратимся к настоящему: насколько AI сейчас помогает разрабатывать лекарства? Совершил ли он революцию?

AI — несомненно, очень полезный инструмент: он уже с успехом используется для поиска мишеней, создания новых молекулярных структур, а затем — в клинических исследованиях для идентификации пациентов, сбора клинической информации. AlphaFold вообще произвел фурор, предсказав структуры 200 миллионов белков (при том, что в базе реальных структур их около 200 000)! Компания Nvidia заявляет о своих планах доминировать в этой области, предоставляя вычислительные мощности всем готовым платить.

Однако насколько AI способен повысить вероятность успеха разработки лекарств (которая, напомню, составляет менее 10% для лекарства, вошедшего в клинику)? Насколько с помощью AI удастся найти новые классы лекарств? Понять патогенез болезней? Пока успехи довольно скромные. AlphaFold галлюцинирует и не может заменить экспериментальные данные. В области доклинической и тем более клинической разработки и подавно: еще очень долго главным критерием при одобрении лекарства будет успех клинического исследования, и короткого пути тут нет. Многие надеялись, что вероятность успеха удастся повысить до 30-50%. Более реалистичная оценка для ближайшего будущего — процентов на 3-5%, и это уже будет очень хорошо. Правда, чтобы доказать даже такой результат, нужны десятки кейсов одобренных лекарств, созданных с помощью AI. Пока что и до этого далеко: ничего кроме клинических провалов и остановленных программ, такие лекарства не показали. В итоге акции публичных битоех-AI-компании переживают не лучшие времена (см. рисунок в комменте).

В чем причина? Для обучения AI нужны качественные данные. Там, где их много, успех есть: это моделирование молекул, генетика, тексты, телеметрия. В области патофизиологии и фармакологии данных так мало, и они такие «грязные», что сначала требуется много усилий по их сбору. СЕО компании insitro Дафне Коллер хорошо объясняет, что те системы, над которыми мы можем свободно экспериментировать (клетки, животные) должны дать нам информацию о системах, с которыми возможности эксперимента очень ограниченны (пациенты). Ключевой барьер — наличие данных о корреляции двух областей, и пока мощность датасетов измеряется тысячами, AI не может дать большой прибавки. Можно сколько угодно ускорять поиск молекул или оптимизацию антител — это даст прибавку в те самые несколько процентов, но не более.

Возвращаясь к прогнозу Стефана Банселя: мы все были бы счастливы, если он сбудется, но, как говорит та же Коллер, не стоит кормить публику завышенными обещаниями: когда они не выполняются, это наносит вред всей области (как произошло, например, с longevity).

#зоопарк_одобряет #дорогая_редакция

Злокачественная мезотелиома плевры - редкая и агрессивная форма рака, которая в первую очередь поражает плевру – серозную оболочку легких. Это онкозаболевание печально известно своим неблагоприятным прогнозом - попросту говоря, оно часто убивает. Несмотря на все новые методы лечения, показатели выживаемости пациентов остаются менее 5%. Одна из интересных перспективных стратегий, над которой сейчас работают - насыщение раковых клеток оксидом азота (NO).

Российские химики из ИОХ #РАН @ziocras совместно с коллегами из ИОНХ РАН @chemrussia (Москва) и ИНХ СО РАН (Новосибирск), а также из Городского Университета Гонконга, разработали удобный и малостадийный метод синтеза новых гетероциклических структур на основе комбинации нескольких оксадиазольных фрагментов. Такие вещества показали высокий уровень высвобождения оксида азота NO – универсального регулятора клеточного метаболизма, а также проявляли высокую селективность в отношении гибели раковых клеток мезотелиомы плевры. Под спойлером - некоторые профессиональные детали:

Механистические исследования показали, что противораковые эффекты были, по крайней мере, частично опосредованы выделением оксида азота, приводящим к повреждению митохондрий посредством деполяризации мембраны. Однако отсутствие прямой корреляции между высвобождением NO и индукцией апоптоза или некроза предполагает участие дополнительных, NO-независимых путей клеточной гибели.

Результаты опубликованы в Pharmaceutics (IF=5.5)

https://www.mdpi.com/1999-4923/17/11/1494

Не совсем моя область интересов, но не смог пройти мимо этой довольно любопытной работы. Группа китайских исследователей из Пекинского университета опубликовала статью, в которой описали разработанную ими программу на основе искусственного интеллекта AI-Newton, предназначенную для автономного открытия физических законов.

Программе были заданы лишь базовые наблюдаемые величины вроде координат и времени. По словам исследователей программа самостоятельна сформулировать физические понятия, такие как масса, энергия и сила, а затем через правдоподобные рассуждения вывести основные законы Ньютона, сохранения энергии и др..

Очень интересно потенциальное применение подобной платформы в биоорганической химии и молекулярной биологии, например, для выявления скрытых количественных закономерностей в кинетике ферментативных реакций, выявления новых взаимосвязей между структурой и функцией биомолекул, прогнозирования процессов старения и т.п., впрочем, непонятно, как система справится с математикой процессов, включающей стохастичность, нелинейность и сетевые взаимодействия.

Да и сами результаты вызывают пока больше вопросов чем ответов. Есть подозрение, что авторы предоставили тщательно отобранные успешные примеры, умолчав, сколько ошибочных законов система сгенерировала по пути к красивому результату. Ну, и нельзя не заметить, что программа демонстрирует успех лишь в задачах с заранее известными решениями. Однако при решении реальных научных задач, мы часто имеем дело с неверным исходным описанием проблемы, и "решения" может не существовать в принципе.

Заголовок -- кликбейт, но статья ок, конкретно про биологию, медицину, гены:
https://habr.com/ru/articles/969246/

На недавно прошедшей II Научной конференции «Искусственный интеллект (ИИ) в химии и материаловедении» особое внимание было уделено необходимости создания качественных баз данных по химии (см., https://t.me/khokhlovAR/1126), без которых невозможно разработать эффективные инструменты ИИ в этой области.

В данный момент химики пользуются двумя общепринятыми базами: Reaxys и SciFinder. Но оба сервиса являются иностранными, причем доступа к Reaxys в России сейчас нет. С учетом этого, вопрос о разработке отечественного аналога этих баз является актуальным. Хотел бы здесь привлечь внимание к российской платформе OdanChem (https://odanchem.org), которую я упоминал в своем вступительном слове на круглом столе по базам данных в прошедший четверг:

https://disk.yandex.ru/i/4vv-kIwdU0UmFQ

База OdanChem перекрывает часть функционала SciFinder и Reaxys. В частности, там удобно искать ИК и ЯМР спектры органических молекул, а также есть и свои уникальные возможности. В частности, можно автоматически решать обратную спектроскопическую задачу: поиск молекул, соответствующих заданному пользователем спектру, таким образом разгадывая состав смесей. Существенная часть этой системы находится в открытом доступе.

Разработчики OdanChem сообщили мне, что сегодня на данной платформе была размещена новая версия, в которой стал доступен поиск не только по молекулам, но и по реакциям, что еще больше увеличивает перекрытие функционала с SciFinder и Reaxys. Эта функция уже доступна, там все self-explanatory, но скоро появится и подробная инструкция, как ей пользоваться.

Интересно, что платформа была инициативно сделана выходцами из ИНЭОС РАН за собственные средства, и никакого бюджетного финансирования коллеги не получают. Это уже становится традицией – новые полезные для ученых информационные инструменты разрабатывают одни, а бюджетные деньги за научную информацию для российских ученых получают другие (см. также https://t.me/khokhlovAR/1125).

Крутая публикация в уважаемом журнале, в рубрике мы все умрём AI заменит учОных

...что может быть лучшим поводом для разговора 🤓

Почему это круто? судите сами:
🔹создана модель, демонстрирующая очень качественное предсказание взаимосвязи белковой последовательности с функцией,
🔹помогает в этом глубокая теоретическая база + мощнейшая матчасть = по-умному модель называется вариационный автоэнкодер функционального поиска в пространстве последовательностей,
🔹как успешные примеры, модель "задизайнила" два фермента = фенилаланингидроксилазу с каталитической активностью в 2.5 раза выше, чем у дикого типа + ангидразу с термостабильностью выше, чем у всех природных вариантов.
...по итогу имеем инструмент дизайна белков с заданными свойствами! статья тут ⬅️

А сейчас состоится сеанс научной (и работающей) магии - но с (некоторым) разоблачением 😎
▪️как модель "угадывает" белок = предсказывает конкретную последовательность, обладающую нужным свойством? начнём с того, что она вообще НЕ знает как устроены белки и как последовательность связана со структурой,
▪️модель обучена на миллионах белков, для которых свойства изучены/аннотированы; на этом этапе = "кодирование", создаётся некая (скрытая и сложная) функция, отражающая взаимозависимость последовательности белка и искомого свойства,
▪️на этапе решения задач, происходит обратное "декодирование" = модель находит точки на пресловутой функции с наилучшими значениями + переводит эти точки в белковые последовательности.

Если схематично:

Представим, что у нас выписаны варианты белка (обозначу их буквами, подразумевая, что каждый вариант это последовательность аминокислот) + для многих мы знаем (экспериментально померяли) активность. У вариантов, для которых активность не знаем, пока оставим "?" Выглядит так:

вариант =====> шкала активности

A =====
B =======
C ???
D ======
E ???
F =

Если подсунуть автоэнкодеру эти данные и дать ему как следует "подумать", он подберёт функцию, отражающую зависимость между последовательностью и активностью. Предсказанные значения функции возникнут на месте ранее не-аннотированных значений:

A =====
B =======
C ---------------- >>> предсказание
D ======
E -------- >>> предсказание
F =

Кстати, вид этой функции в итоге не известен - модель становится "чёрным ящиком". Спрашиваем у неё "где функция имеет оптимум?" и получаем (в данном случае) ответ "в точке C" + соотв. последовательность. Которую можно проверить экспериментально.

В действительности это очень показательный AI-подход, в самом сакральном смысле эпитета "аrtificial":
🔸 модели НЕ "объясняли", что последовательность белка сворачивается в пространственную структуру и выполняет биохимическую функцию... модель находит наиболее устойчивое преобразование из одного представления данных (последовательность) в другое (активность) = у неё нет "человеческого понимания", зато куча данных и мощные вычисления,
🔸ровно это сработало у больших языковых моделей = на грандиозном количестве примеров они отлично "запомнили", какие слоги/слова/предложения сочетаются друг с другом, с какими вероятностями,
🔸такие модели НЕ "понимают" предметную область (будь то язык или биохимия), но тем примечательнее, что для создания новых смыслов достаточно (порою!) хорошей "насмотренности" = большой обучающей выборки.
...именно вариационные автоэнкодеры были в основе многих AI-систем, например Stable Diffusion. Но сейчас среди рассуждающих моделей лидируют так называемые трансформеры. Оказалось, что в случае общения лучше не оптимизировать многомерную функцию, а просто угадывать следующий токен = "сказав А, скажи и Б", за умного сойдёшь. Сугубое ИМХО: VAE должны в итоге победить и в рассуждениях, потому что "пространство смыслов" на самом деле многомерно... но это обсудим как-нибудь отдельно 🥸

Если пост наберёт миллион лайков вызовет большой интерес - позже расскажу, в чём ограничения таких моделей. И почему в некоторых областях БиоМеда они вряд ли совершат прорыв и придумают лекарства от минимумвсего... при всём уважении к их действительно впечатляющей предсказательной силе 🧐

☝️Что-то подобное относительно недавно пытались провернуть физики, обучая ИИ искать связи между физическими величинами и на их основании выводить физические законы. И добились того, что ИИ самостоятельно смог вывести основные законы механики Ньютона. Ещё до появления статьи в PNAS многих биохимиков заинтересовало применение описанного подхода для биохимических исследований. Однако проблема таких экспериментов состоит в том, что программа демонстрирует успех лишь в задачах с заранее известными решениями. Однако при решении реальных научных задач, мы часто имеем дело с неверным исходным описанием проблемы, и "решения" может не существовать в принципе.

Оземпик - идеальное решение для современного мира. Простое, быстрое, почти ничего не требующее. Достаточно просто принимать таблетки, расслабиться и получать удовольствие: вес уходит сам по себе. Красота!
Или нет?

Классическим исследованием результатов применения препарата считается "Weight regain and cardiometabolic effects after withdrawal of semaglutide" 2022 года. Да, принимавшая активное вещество группа похудела за 16 месяцев на 17%. Вот только позже вес активно набирался обратно. В среднем, набирали 2/3 от сброшенного всего за год после завершения лечения

Последующие исследования и метаанализ подтвердили выводы и уточнили пару ключевых моментов.
15-20% в итоге за год после прекращения лечения набирали даже больше, чем сбрасывали. Люди не только не попытались возможностью, а ещё и стали больше себе позволять.

Вторая группа более любопытна: 15-20% смогли удержаться и набрать обратно не более 10% от потерянного веса. И исследования говорят, что для этих людей было мало просто смены пищевых привычек и повышение спортивной активности. Факторами успеха стали следующие меры:
🍀серьёзная работа с психологом и получение психотерапевтической помощи - чемпионы проводили серьёзную работу над своими ментальными ловушками и ошибками, которые приводили их к перееданию
🍀снижение уровня стресса и переход в более спокойные условия жизни и работы
🍀стабилизация режима отдыха, восстановления и сна
🍀не просто рост активности, а с увеличением объёма силовых тренировок (бег тут почти не помогал)
🍀не просто уменьшение объёмов питания, а серьёзное повышение нормы потребления белка (если что, современные нормы - даже не 0,8, а 1,5-2 грамма на килограмм веса).

Получается, что простые решения, которые позволяют в моменте устранить для людей и бизнеса головную боль, вполне себе могут быть продуктивны и полезны. Но только в том случае, если за ними идёт серьёзная психологическая проработка, а так же - перевод работы всей системы на более здоровый и адекватный лад.