Современная микробиология столкнулась с ситуацией, когда данных стало слишком много. Высокопроизводительные методы секвенирования, метагеномика, протеомика генерируют огромные массивы информации. Обычные статистические методы с такими объёмами справляются плохо [1, 2]. В этих условиях искусственный интеллект становится не просто полезным дополнением, а необходимым инструментом. Он способен находить скрытые закономерности, предсказывать устойчивость бактерий к антибиотикам, выявлять редких возбудителей и моделировать взаимодействие микроорганизмов с организмом человека [3].

Данная работа посвящена анализу применения искусственного интеллекта в микробиологии, оценке существующих методов и программ, а также разработке чат-бота «МикроБиоПомощник» для повышения санитарной грамотности населения.

Актуальность

Актуальность работы определяется двумя причинами [4]. Первая — лавинообразный рост данных в микробиологии, который требует новых методов обработки. Вторая — необходимость быстро прогнозировать устойчивость бактерий к антибиотикам, особенно в условиях распространения опасных штаммов, когда традиционный анализ даёт слишком большое запаздывание.

Цель и задачи

Цель исследования — обзор технологий искусственного интеллекта в микробиологии и разработка чат-бота «МикроБиоПомощник». Для достижения цели решены следующие задачи: проведён анализ современных методов машинного обучения в микробиологии; исследована роль искусственного интеллекта в диагностике инфекционных заболеваний; определены перспективные направления; выполнена оценка существующих программных платформ; разработан чат-бот; сформулированы выводы.

Основная часть

1. Прогнозирование устойчивости к антибиотикам

Одной из самых серьёзных проблем современной медицины является распространение бактерий, устойчивых к антибиотикам. В 2025 году российские исследователи разработали систему, которая позволяет прогнозировать рост такой устойчивости на национальном уровне [5]. В исследовании использованы данные о потреблении антибиотиков в 82 регионах России за 14 лет, а также сведения об уровне устойчивости бактерий за тот же период. Среди нескольких методов машинного обучения наилучший результат показал так называемый метод градиентного бустинга (техника машинного обучения для задач классификации и регрессии, которая строит модель предсказания в форме ансамбля слабых предсказателей, обычно деревьев решений). Для пары «кишечная палочка — цефотаксим» точность прогноза достигла 66,6 %, а площадь под ROC-кривой (график, позволяющий оценить качество модели классификации; по оси ординат — частота истинно положительных результатов, по оси абсцисс — частота ложноположительных результатов) превысила 0,85 — это считается очень хорошим показателем [6].

Модель позволила установить, что ключевыми факторами роста устойчивости являются не только текущий объём потребления антибиотиков, но и данные за предыдущие годы (эффект накопления), а также тип инфекции (внебольничная или внутрибольничная). С помощью компьютерного моделирования показано, что замена одних антибиотиков на другие позволяет снизить уровень устойчивости на 15–20 % в течение десяти лет [5].

Параллельно развиваются подходы к усилению действия уже существующих антибиотиков. Учёные Университета ИТМО создали платформу для предсказания эффективности комбинаций наночастиц и антибиотиков [7]. Платформа обучена на данных из более чем ста научных работ. Выявленное сочетание золотых наночастиц с хлорамфениколом позволило снизить необходимую дозу антибиотика для сальмонеллы в четыре раза, а серебряные наночастицы с амикацином вернули чувствительность к лекарству устойчивых штаммов клебсиеллы.

2. Анализ микробиома

Микробиом человека — это совокупность всех микроорганизмов, живущих в организме. Анализ этих данных сопряжён с большими сложностями: сотни видов бактерий, тысячи взаимодействий между ними, данные часто неполны и искажены. Обычные статистические методы в таких условиях часто ошибаются [8]. Публикация в авторитетном журнале Gut в 2025 году фиксирует смену подхода: искусственный интеллект становится основным методом анализа микробиома [9]. Нейронные сети позволяют рассматривать микробиом не как набор отдельных видов, а как единую сеть взаимосвязей.

Примером служит работа специалистов Курского государственного медицинского университета [10]. В отличие от большинства исследований, которые изучают микробы в полости кишки, курские учёные исследовали пристеночный слой — тот, который непосредственно контактирует со стенкой кишечника и играет ключевую роль в иммунитете. Используя методы секвенирования и масс-спектрометрии, они создали базу данных из более чем 500 образцов. На основе этих данных обучена модель, способная с точностью 92 % отличать нормальное состояние микробиоты от состояния стресса, вызванного антибиотиками, неправильным питанием или хроническим воспалением. Разработано веб-приложение, позволяющее врачу загрузить данные образца и быстро получить оценку состояния микробиоты [10].

Для более глубокого анализа структуры микробных сообществ создан инструмент MiCoDe, который строит карту взаимодействий между бактериями и автоматически определяет устойчивые группы [11]. Инструмент решает ключевые проблемы микробиомных данных: отсеивает ошибки секвенирования и корректно обрабатывает разреженные данные.

3. Развитие вычислительных ресурсов и интеллектуальных систем

Ресурс BV-BRC представляет собой единую платформу, объединяющую данные из множества источников [12]. Он содержит более 14 миллионов общедоступных геномов бактерий, архей и вирусов и предлагает 33 сервиса для биоинформатического анализа. Ключевым нововведением 2024–2025 годов стал запуск интеллектуального помощника, с которым можно общаться на обычном языке. Исследователь может просто написать запрос, например: «Найти все геномы клебсиеллы с геном устойчивости NDM-1, выделенные в Европе в 2023 году», — и система выполнит этот запрос, объяснит результат и предложит дальнейшие действия. Это значительно упрощает работу для клинических микробиологов и эпидемиологов, которые не владеют навыками программирования [12].

Созданы также модели искусственного интеллекта для работы с белками. Одна из таких моделей (ESM-2, Meta) обучена на 50 миллионах белковых последовательностей [13]. Она позволила предсказать структуру более 617 миллионов белков из метагеномных данных — то есть белков микроорганизмов, которые вообще не растут в лабораторных условиях. Создан крупнейший в истории атлас белков. Другая модель (ProGen, Salesforce) способна не просто анализировать, а создавать новые последовательности ДНК, включая синтетические системы редактирования генома, не существующие в природе [14].

4. Разработка чат-бота «МикроБиоПомощник»

Анализ современных тенденций показывает, что инструменты искусственного интеллекта в микробиологии становятся всё более сложными и ориентированы исключительно на профессионалов [15]. При этом существует явный разрыв между наличием высокоточных профессиональных систем и отсутствием доступных, проверенных сервисов для широкой публики.

Для преодоления этого разрыва разработан чат-бот «МикроБиоПомощник». В отличие от универсальных чат-ботов, которые могут давать противоречивые или недостоверные ответы, данный бот работает только на основе проверенных источников: клинических рекомендаций Министерства здравоохранения, данных Всемирной организации здравоохранения, учебников по медицинской микробиологии и научных статей.

Технически бот устроен следующим образом. Все проверенные источники загружены в базу данных (векторное хранилище на основе эмбеддингов). Когда пользователь задаёт вопрос, система находит наиболее подходящие фрагменты из этих источников и формулирует ответ строго на их основе, указывая, откуда взята информация. Это исключает выдумывание ответов — так называемые галлюцинации нейросетей [16].

Функциональные возможности бота включают четыре направления.

Первое — объяснение правил приёма антибиотиков: почему важно соблюдать интервалы, почему нельзя прерывать курс, как проверить совместимость с другими лекарствами.

Второе — санитарно-гигиеническое просвещение: как правильно обрабатывать раны, при какой температуре стирать бельё для уничтожения бактерий, как выбирать антисептики.

Третье — образование в области микробиома: разъяснение, что такое дисбактериоз на самом деле (этого диагноза в международной классификации нет), какие пробиотики имеют доказанную эффективность, как питание влияет на кишечную микрофлору.

Четвёртое — помощь в понимании результатов анализов: бот объясняет, что означают цифры и латинские названия в бланке, снижает излишнюю тревожность и подсказывает, какие вопросы задать лечащему врачу [17].

Бот работает в мессенджере Telegram, что не требует установки дополнительных приложений. Важное ограничение: бот не ставит диагнозы и не назначает лечение. Каждый ответ содержит предупреждение о необходимости личной консультации с врачом. Бот не требует ввода персональных данных.

Заключение

Проведённый анализ позволяет сделать следующие выводы.

1. Методы машинного обучения, в частности градиентный бустинг, эффективно решают задачи прогнозирования устойчивости к антибиотикам и анализа микробиомных данных, достигая точности до 92 % при выявлении патологических состояний [5, 10].
2. Современные вычислительные ресурсы (BV-BRC) и интеллектуальные помощники трансформируют биоинформатику, делая её доступной для клинических специалистов, не владеющих программированием. Модели для работы с белками открывают возможности для конструирования синтетических биологических систем [12–14].
3. Выявлен значительный разрыв в доступности проверенных микробиологических знаний для населения. Для его преодоления разработан чат-бот «МикроБиоПомощник» на основе технологии принудительного использования проверенных источников. Данное решение способствует сдерживанию устойчивости к антибиотикам за счёт повышения грамотности пациентов и снижению нагрузки на систему здравоохранения [17].

Перспективным направлением является добавление в бота прогностических модулей для индивидуальной оценки риска инфицирования устойчивыми штаммами.

Литература:

1. Шривастава, А. Искусственный интеллект в микробиологии / А. Шривастава. — London: Academic Press, 2025.
2. Двибеди, В. Биоинформатика, искусственный интеллект и машинное обучение при разработке микробных лекарств / В. Двибеди. — London: Academic Press, 2024.
3. Zhang, Y. Machine Learning in Bioinformatics / Y. Zhang, J. C. Rajapakse. — Hoboken: Wiley, 2009. — 468 p. — ISBN 978–0–470–11662–3.
4. Часовских, Н. Ю. Биоинформатика: учеб. пособие / Н. Ю. Часовских. — Екатеринбург: Изд-во Урал. ун-та, 2018. — 104 с. — ISBN 978–5–7996–2355–5.
5. Bundschuh, R. Computational Biology: A Statistical Mechanics Perspective / R. Bundschuh. — 2nd ed. — Boca Raton: CRC Press, 2022. — 364 p. — ISBN 978–0–367–75801–7.
6. Миронов, А. А. Биоинформатика: гены и белки / А. А. Миронов. — 2-е изд., испр. — Москва: Лаборатория знаний, 2015. — 420 с. — ISBN 978–5–9963–2688–4.