Как мы разработали ML-модели для определения лекарственной устойчивости и субтипа ВИЧ-1

ВИЧ-1 быстро мутирует. При геномном анализе вируса нужно определить две вещи: к каким антиретровирусным препаратам он может быть устойчив и к какому субтипу относится. В мировой практике для этих задач используют Stanford HIV Drug Resistance Database и COMET: первый сервис помогает интерпретировать лекарственную устойчивость, второй — определять субтип. 

Мы собрали локальные ML-модели для анализа ВИЧ-1 по данным геномного секвенирования. Первая модель прогнозирует лекарственную устойчивость к антиретровирусным препаратам, вторая — определяет субтип вируса. Обе работают внутри биоинформатического конвейера и запускаются без обращения к внешним API.

Модель лекарственной устойчивости проверили на независимом датасете RuHIV, предоставленном ЦНИИ Эпидемиологии Роспотребнадзора: средний ROC-AUC по 14 препаратам составил 0,990. Для субтипирования основной российской линии A6 точность модели составила 99,64%, F1 = 1,00. 

Полный путь обработки тестировали на наборе сырых прочтений PRJDB17699 из NCBI: от FASTQ до итогового отчета. Модели также запустили в составе программно-аппаратного комплекса OnSiteSeq на NVIDIA Jetson AGX Xavier.

Авторы статьи: Никита Радченко@NickRadchenko и Роман Горбенко @romangorbenko

Зачем определять лекарственную устойчивость и субтип ВИЧ-1

ВИЧ-1 относится к РНК-вирусам. После заражения он использует клетки иммунной системы, чтобы собирать новые вирусные частицы. На одном из этапов вирусная РНК переводится в ДНК, и за это отвечает обратная транскриптаза — фермент, который работает с ошибками: примерно одна ошибка приходится на 10⁴ нуклеотидов за цикл репликации.

Так в организме появляется смесь близких вариантов вируса — квазивид. Среди этих вариантов могут быть мутации, которые снижают чувствительность к антиретровирусным препаратам. По последовательности вируса можно собрать профиль лекарственной устойчивости: какие препараты, скорее всего, окажутся эффективными, а какие — уже под вопросом.

Это напрямую влияет на выбор схемы в терапии. Если она подобрана с учетом особенностей конкретного вируса, антиретровирусные препараты подавляют вирусную нагрузку. Устойчивость может передаться вместе с вирусом или появиться во время лечения. Если в схеме остаются препараты, к которым вирус устойчив, вирусная нагрузка может сохраняться, инфекция продолжит развиваться, а риск передачи вируса останется выше.

В проекте решались две задачи: определить лекарственную устойчивость ВИЧ-1 и его субтип. Первая позволяет определить профиль чувствительности к препаратам. Вторая — учитывать эпидемиологию вируса и трактовать мутации с учетом генетической линии. 

Антиретровирусные препараты работают с разными этапами жизненного цикла ВИЧ-1. Одни мешают вирусу переводить РНК в ДНК, другие блокируют созревание вирусных частиц, третьи мешают встроить вирусную ДНК в геном клетки. Поэтому препараты делят на несколько классов.

В модель вошли 4 класса антиретровирусных препаратов: 

• НИОТ — нуклеозидные ингибиторы обратной транскриптазы: TDF, 3TC, FTC, AZT, ABC.

• ННИОТ — ненуклеозидные ингибиторы обратной транскриптазы: EFV, NVP, RPV, ETR.

• ИП — ингибиторы протеазы: LPV, ATV, DRV.

• ИНИ — ингибиторы интегразы: RAL, DTG, BIC.

Устойчивость к этим препаратам часто связана с мутациями в pol-гене — участках, кодирующих 3 вирусных белка: протеазу (PR), обратную транскриптазу (RT) и интегразу (IN). 

Задача ML-модели — получить геномную последовательность вируса и предсказать устойчивость отдельно для каждого препарата. На выходе нужен профиль по препаратам: где устойчивость вероятна, а где сохраняется чувствительность. 

Субтип ВИЧ-1 — это генетическая линия вируса. У ВИЧ-1 есть субтипы A–K, а также рекомбинантные формы CRF — варианты, в которых смешались участки разных субтипов.

Субтип влияет на интерпретацию результата. Он может быть связан с чувствительностью к отдельным препаратам, особенно к ННИОТ. Одна и та же мутация в разных субтипах трактуется по-разному: в одном случае она связана с устойчивостью, в другом — встречается как обычная особенность вирусной линии. Еще субтип помогает отслеживать эпидемиологию: какие линии распространяются в регионе и как они связаны между собой. 

В российской выборке ключевую роль играют линия A6 и ее рекомбинантная форма CRF63_02A6. На них приходится около 83% случаев. При этом в мировых базах такие варианты представлены слабее, чем субтип B, который доминирует во многих западных наборах данных.

Из-за этого модели, обученные на зарубежных данных, нельзя без адаптации перенести на российские выборки. Они могут хуже работать с A6, CRF63_02A6 и связанными с ними мутационными профилями.

Поэтому мы собрали локальные модели для собственного конвейера, адаптировали анализ к российским вариантам ВИЧ-1 и проверили качество на независимой российской выборке. 

Команда

Работа проводилась в рамках проекта OnSiteSeq — программно-аппаратного комплекса для геномного анализа ВИЧ-1 и туберкулеза в формате point-of-care. OnSiteSeq рассчитан на анализ на месте: образец не нужно отправлять во внешний сервис, а для запуска не требуется большая стационарная лаборатория. 

Сам проект развивался в формате «стартап как диплом»: исследовательская часть легла в основу моделей, а инженерная — в прототип комплекса, где эти модели запускаются в составе полного конвейера обработки данных.

Постановка задачи

Определение лекарственной устойчивости

Для предсказания лекарственной устойчивости мы используем участок pol-гена ВИЧ-1. Он кодирует 3 вирусных белка, с которыми связана работа основных классов антиретровирусных препаратов:

• PR — протеаза, около 297 нуклеотидов.

• RT — обратная транскриптаза, около 1680 нуклеотидов.

• IN — интеграза, около 864 нуклеотидов.

На вход модель получает нуклеотидную последовательность этого участка. На выходе для каждого препарата формируется вероятность устойчивости, а затем присваивается категория интерпретации:

• Susceptible — чувствительность сохранена.

• Intermediate — промежуточная категория.

• Resistant — вероятна устойчивость.

Технически это серия независимых классификаций: для каждого препарата модель отдельно оценивает наличие признаков устойчивости. Всего модель прогнозирует устойчивость к 14 антиретровирусным препаратам. 

Устойчивость может зависеть от сочетания мутаций. Поэтому модель должна учитывать не только отдельные позиции в последовательности, но и связи между ними. Это требование повлияло на архитектуру HIV-1-Resist-Rus. 

Определение субтипа ВИЧ-1

Для субтипирования мы используем env-ген ВИЧ-1. Он кодирует белки вирусной оболочки gp120 и gp41 — участки, которые связаны с прикреплением вируса к клетке и проникновением внутрь. Этот ген значительно различается у разных линий ВИЧ-1, поэтому по нему удобно определять субтип.

На вход модель получает нуклеотидную последовательность env-гена. На выходе — субтип из заранее заданного списка и вероятность принадлежности к каждому классу.

Рекомбинантные формы CRF учитываются как отдельные классы. Это варианты вируса, собранные из участков разных субтипов. Частые CRF входят в список классов модели. Для уникальных рекомбинантов URF модель использует флаг низкой уверенности: если последовательность плохо соответствует известным классам, такой образец направляется на дополнительную проверку специалистом.

В итоге у нас есть две ML-задачи:

Данные

Для обучения использовали последовательности из Los Alamos HIV Sequence Database (LANL) — открытой базы геномных данных ВИЧ.

Поскольку решались две разные задачи, данные готовили отдельно: один набор — для лекарственной устойчивости, другой — для субтипирования.

Данные для модели лекарственной устойчивости

Для этой модели собрали 37 641 последовательность pol-гена ВИЧ-1 из разных стран.

Каждую последовательность разметили через Stanford Sierra GraphQL API — движок Stanford HIVDB, который интерпретирует мутации, связанные с лекарственной устойчивостью. Для каждого из 14 препаратов последовательность получала бинарную метку:

• S (Susceptible) — вирус чувствителен к препарату.

• R (Resistant) — есть признаки устойчивости.

Все образцы получили единую разметку по Stanford Sierra, без локальных интерпретаций и разных порогов fold-change. Показатель fold-change характеризует различие в чувствительности к препарату между образцом и референсным вариантом. 

Классы были сильно несбалансированными: в зависимости от препарата доля устойчивых образцов составляла от 0,8 до 10,8%. Без балансировки модель быстро уходит в частый класс и начинает хуже выявлять редкие случаи устойчивости. 

Данные для модели субтипирования

Для субтипирования также использовали данные из LANL, но уже последовательности env-гена с проверенными аннотациями субтипов. Всего в задаче было 12 классов.

В данных для субтипирования преобладал субтип B, тогда как A6 и CRF63_02A6 были представлены слабее. 

Для A6 и CRF63_02A6 добавили аугментированные последовательности: их генерировали через симуляцию молекулярной эволюции. 

В синтетические последовательности добавляли изменения, характерные для ВИЧ:

• синонимичные и несинонимичные мутации с учетом реалистичных частот;

• инделы — вставки и делеции;

• рекомбинации между близкородственными последовательностями.

После генерации проверяли, насколько синтетические образцы похожи на реальные. Для этого использовали t-SNE: синтетические последовательности должны были попадать в те же области пространства признаков, что и исходные данные. Последовательности, существенно отличавшиеся от реальных образцов, не включали в обучение. 

Разбиение данных

Утечки между train и validation исключали на уровне пациента. Если от одного пациента было несколько последовательностей, они попадали только в один сплит. Иначе модель могла бы увидеть почти тот же образец на обучении, а затем «узнать» его на валидации — это привело бы к завышению метрик.

Близкородственные последовательности дополнительно проверяли через попарное выравнивание. Это помогало выявлять слишком похожие фрагменты, которые могли бы завысить качество модели.

Биоинформатический конвейер: от сырых прочтений до отчета

Модели в OnSiteSeq работают внутри полного конвейера обработки данных. На вход поступают сырые прочтения секвенатора, на выходе формируются отчеты для биоинформатика и врача.

Общий путь выглядит так:

FASTQ → Контроль качества → Предобработка → Выравнивание → Консенсусная последовательность → Извлечение нужных участков генома → ML-модели → Отчеты

FASTQ — это файлы, которые приходят после секвенирования. Они содержат прочтения — фрагменты последовательности ДНК или РНК, которые удалось считать прибору. У каждого прочтения есть оценка качества, поэтому конвейер начинает с проверки фрагментов и проходит 6 этапов: 

1. Получение данных. Портативный секвенатор «Нанопорус» с кассетами Flongle передает сырые прочтения в конвейер. Для проверки конвейера использовали уже доступные сырые нанопоровые прочтения, без запуска секвенатора в реальном времени. 

2. Контроль качества. Прочтения фильтруются по Q-score, минимальной длине и проходят адаптерный тримминг.

3. Выравнивание и консенсус. Minimap2 выравнивает прочтения на референс HXB2. По этому выравниванию конвейер собирает консенсусную последовательность и уточняет SNP. 

4. Извлечение нужных участков. Через локальное выравнивание Смита — Ватермана из консенсуса извлекаются PR, RT, IN и env.

5. Запуск моделей. HIV-1-Resist-Rus предсказывает профиль устойчивости, HIV-1-M-Env-Rus определяет субтип.

6. Формирование отчетов. Конвейер формирует технический QC-отчет и отчет для врача; спорные случаи помечаются флагами и передаются на ручную интерпретацию.

Модель для определения лекарственной устойчивости: HIV-1-Resist-Rus

Почему обычной CNN недостаточно

Базовый способ предсказывать лекарственную устойчивость — искать в последовательности уже известные мутации. Для части случаев этого достаточно: если в нужной позиции появилась конкретная замена, можно связать ее с устойчивостью к определенному препарату.

Но в этой задаче важны не только отдельные мутации. Устойчивость может зависеть от комбинаций: одна замена влияет на чувствительность к препарату, другая — меняет общий эффект и частично компенсирует потерю способности вируса размножаться.

Пример — пара мутаций L74I и G118R в интегразе. G118R связана с устойчивостью к ингибиторам интегразы, а L74I может выступать как компенсаторная мутация. Для модели это уже не два независимых признака, а связка, которую нужно учитывать вместе.

Главная сложность — в том, что такие мутации могут находиться далеко друг от друга. В данном случае расстояние между ними составляет около 132 нуклеотидов. Классическая 1D-CNN хорошо выявляет локальные паттерны — короткие участки последовательности внутри фиксированного окна свертки. Но если важные изменения расположены далеко друг от друга, обычная CNN может обработать их как два отдельных сигнала и не уловить совместный эффект.

Поэтому в HIV-1-Resist-Rus к CNN добавили Self-Attention: CNN считывает локальные мотивы, а attention помогает учитывать дальние связи между позициями. 

Архитектура: HybridResistanceCNN v3

В HybridResistanceCNN v3 две ветки. 

Первая ветка работает с полной аминокислотной последовательностью участков RT, PR и IN. Через embedding, CNN-блоки и Self-Attention она ищет локальные паттерны и дальние связи между позициями.

Вторая — получает ключевые мутационные позиции, например K65R, M184V, K103N, G140S. Их обрабатывает отдельный модуль MutationMLP.

Признаки из двух веток объединяются. На выходе модель выдает вероятность устойчивости к препарату: P(resistant) ∈ [0, 1].

Работа с дисбалансом классов

В датасете устойчивые образцы встречались намного реже чувствительных: в зависимости от препарата их доля составляла от 0,8 до 10,8%. Поэтому модель могла быстро научиться хорошо предсказывать частый класс и хуже замечать редкую устойчивость.

Для обучения на таком дисбалансе использовали 3 приема: 

• Focal Loss с α = 0,75 и γ = 2,0 — усиливает вклад сложных и редких примеров, на которых модель ошибается чаще.

• WeightedRandomSampler — помогает чаще добавлять резистентные образцы в батчи, чтобы модель видела их на каждом этапе обучения.

• OneCycleLR — схема изменения learning rate; обучение продолжалось 80 эпох, early stopping с patience = 20.

Проверка дальних связей между мутациями

Чтобы проверить, помогает ли Self-Attention учитывать связь между удаленными позициями, модель протестировали in silico на паре мутаций L74I + G118R в интегразе.

Сравнивали базовую 1D-CNN и версию с Self-Attention. Смотрели, как меняется уверенность модели в устойчивости при наличии этой пары мутаций.

Версия с Self-Attention реагировала на пару L74I + G118R в 2,1 раза сильнее, чем базовая 1D-CNN. 

Результаты по препаратам

Модель проверили на внешней выборке ЦНИИ Эпидемиологии Роспотребнадзора, включавшей 356 пациентов. Для каждого из 14 препаратов рассчитывали ROC-AUC, F1, sensitivity и specificity.

Выбор порога

Для 12 из 14 препаратов модель прошла выбранный порог качества: AUC ≥ 0,90 и sensitivity ≥ 0,85.

Модель прогнозирует вероятность устойчивости. Порог перевода в S/I/R подбирали отдельно для каждого препарата. 

Использовать единый порог для всех препаратов нельзя: распределение классов и цена ошибки различаются. Поэтому пороги подбирали на валидационной выборке через индекс Юдена:

Youden’s J = Sensitivity + Specificity − 1

По индексу Юдена выбирали оптимальный баланс между двумя типами ошибок: пропустить устойчивость или завысить ее там, где вирус остается чувствительным. 

Где модель лекарственной устойчивости может ошибаться

Ошибки модели могут быть связаны как с особенностями входных данных, так и с биологическими особенностями ВИЧ-1 и ограничениями самого подхода к анализу. 

Новые мутации

Если в образце есть мутация, которой не было в обучающих данных, модель ориентируется на похожие паттерны в последовательности. В таких случаях возможна некорректная интерпретация, поэтому в отчете они помечаются специальным флагом и передаются на ручную проверку. 

Различия между субтипами

Мутация, которая для субтипа B выглядит как признак устойчивости, для другого субтипа может быть обычной особенностью вирусной линии. Такое явление называют субтипным полиморфизмом.

Из-за этого модель, обученная в основном на публичных данных с преобладанием субтипа B, может давать ложные сигналы для других субтипов. Чтобы снизить этот риск, в обучающей выборке отдельно усиливали российские варианты A6 и CRF63_02A6 через аугментацию.

Минорные варианты вируса

После обработки прочтений конвейер собирает консенсусную последовательность — основной вариант вируса в образце. Но у одного пациента могут присутствовать и редко встречающиеся варианты. Если устойчивый вариант наблюдается, например, на уровне 5%, он может не попасть в консенсусную последовательность. 

Модель анализирует только последовательность, поступающую на вход. Редкие варианты, потерянные при сборке консенсуса, она уже не учитывает. 

Перекрестная устойчивость внутри одного класса препаратов

Некоторые мутации могут снижать чувствительность сразу к нескольким препаратам внутри одного класса, например НИОТ или ННИОТ. В таких случаях становится сложнее оценить вклад конкретной мутации в устойчивость к каждому препарату по отдельности. 

Ручная проверка специалиста нужна, если:

• в образце есть мутации, которых не было в обучающем наборе;

• предсказанный субтип плохо согласуется с мутационным профилем;

• есть признаки рекомбинантной формы CRF или URF;

• результат конфликтует с клинической историей, например пациент раньше не получал терапию, но в образце видны характерные вторичные мутации.

Модель для определения субтипа ВИЧ-1: HIV-1-M-Env-Rus

На вход модель получает последовательность env-гена. Сначала ее переводят в k-mer-профиль при k = 6. Последовательность разбивается на короткие фрагменты длиной 6 нуклеотидов. Всего таких вариантов может быть 4⁶ = 4096, поскольку в последовательности используются 4 буквы: A, C, G, T.

Для каждого образца рассчитывается частотность этих 4096 фрагментов. K-mer-профиль сохраняет характерный «рисунок» последовательности и меньше зависит от точности выравнивания. 

Архитектура модели — сверточный автоэнкодер с ResNet-блоками.

Модель обучалась по двум целям. Первая — реконструкция входного k-mer-профиля через MSE: энкодер должен сохранять информацию о последовательности. Вторая — классификация субтипа через кросс-энтропию: по env-профилю модель определяет субтип ВИЧ-1 и выдает вероятности по классам. 

Субтипы и дисбаланс классов

Модель различает 12 классов: отдельные субтипы ВИЧ-1 и несколько рекомбинантных форм CRF.

В задаче был дисбаланс классов: в мировых базах лучше представлены глобальные субтипы, тогда как A6 и CRF63_02A6 встречаются реже. По этой причине данные варианты усиливали аугментацией. 

Результаты субтипирования

Для основной российской линии A6 модель показала accuracy 99,64% и F1 = 1,00.

На A6 модель почти не ошибалась и уверенно отличала этот субтип от других классов. 

Для уникальных рекомбинантов URF заранее описанного класса нет. Если максимальная вероятность по классам ниже 0,6, образец передают специалисту для проверки. 

Внешняя валидация

Train/validation не отслеживают перенос на другую когорту, поэтому модели отдельно проверили на RuHIV — независимой российской выборке ЦНИИ Эпидемиологии Роспотребнадзора. Она включала 356 пациентов, верифицированные аннотации и A6-доминантное распределение субтипов.

Набор PRJDB17699 использовали для другой проверки: на нем тестировали полный путь: от сырых нанопоровых прочтений до предсказания.

Предсказания сопоставляли с оценками Stanford HIVDB и COMET HIV-1, чтобы проверить, насколько результаты согласуются с системами из мировой практики. 

Что еще нужно проверить

Внешняя валидация показывает, как модель работает на независимой выборке. Но для статуса медицинского ПО нужны следующие этапы проверки:

1. Проспективное исследование на новых пациентах, а не только на ретроспективных базах.

2. Дополнительная проверка ультраредких субтипов, для которых в текущем датасете представлено менее 10 образцов.

3. Сравнение с фенотипическим тестом на устойчивость, где чувствительность вируса к препарату определяется лабораторно.

4. Регистрация как программного обеспечения медицинского назначения.

Сравнение с зарубежными платформами

Прямое сравнение по метрикам со Stanford HIVDB и COMET не проводилось: эти платформы используют rule-based scoring, а наши модели — ML-классификаторы. Поэтому корректнее говорить о функциональном аналоге для локального запуска: система решает те же задачи анализа и работает внутри OnSiteSeq-сценария. 

Модели в OnSiteSeq-сценарии работают без внешних API, учитывают российские варианты A6 и CRF63_02A6 и запускаются внутри end-to-end-конвейера: от сырых прочтений до отчета. Конвейер протестировали на x86 и NVIDIA Jetson AGX Xavier с ARM64. 

Интеграция в OnSiteSeq

OnSiteSeq — программно-аппаратный комплекс для геномного анализа рядом с пациентом или в полевых условиях. В прототипе OnSiteSeq модели запускались на edge-устройстве. 

В прототип входили:

• нанопоровый секвенатор «Нанопорус» с кассетой Flongle;

• вычислительный блок NVIDIA Jetson AGX Xavier 64GB на ARM64; 

• сенсорный экран с диагональю 7 дюймов;

• Wi-Fi/4G-модуль;

• амплификатор YourPCR;

• термопринтер QR204 для печати отчетов;

• шприц-дозатор.

Схема запуска выглядела так:

Интерфейс OnSiteSeq Cockpit показывает ход обработки образца в live-логе. 

Наибольшие трудности возникли при подготовке окружения для Jetson. Устройство работает на ARM64, и привычные Python-зависимости под него собираются сложнее. В прототипе использовали Jetson AGX Xavier 64GB: Volta GPU с 512 CUDA-ядрами и 64 Tensor-ядрами, 8-ядерный ARM Carmel CPU и 64 ГБ LPDDR4x-памяти. PyTorch и scikit-learn взяли из conda-forge, uvloop зафиксировали на версии 0.17.0: на Jetson более новая сборка падала с ошибкой SIGTRAP. Docker-образы собирали через BuildKit в multi-arch-режиме. 

Ограничения

Модель имеет несколько ограничений, связанных с входными данными. Низкий Q-score, слабое покрытие, минорные варианты, новые мутации и редкие рекомбинантные формы могут повлиять на корректность интерпретации.

Есть ограничения и по валидации. RuHIV и PRJDB17699 обеспечивают независимую ретроспективную проверку, но не заменяют проспективные клинические исследования. Для применения в медицинской практике потребуется отдельная проверка и регистрация как программного обеспечения медицинского назначения.

Публичная воспроизводимость также ограничена: часть кода и данных нельзя открыть из-за медицинской конфиденциальности и коммерческой составляющей OnSiteSeq.

Вывод

Две ML-модели для анализа ВИЧ-1 удалось встроить в локальный биоинформатический конвейер, который выполняет полный цикл обработки данных: от сырых нанопоровых прочтений до итогового отчета — без обращения к внешним API. 

Модель HIV-1-Resist-Rus прогнозирует лекарственную устойчивость по pol-гену. Она показала средний ROC-AUC 0,990 по 14 препаратам на внешней российской выборке. Модель HIV-1-M-Env-Rus определяет субтип по env-гену; для A6 accuracy составила 99,64%, F1 — 1,00.

Конвейер протестировали на сырых прочтениях PRJDB17699 и запустили в составе OnSiteSeq на NVIDIA Jetson AGX Xavier.

Работу выполнил Роман Горбенко, студент-исследователь МФТИ, под научным руководством Никиты Радченко. В рамках проекта Роман занимался подготовкой данных, разработкой и обучением моделей, внешней валидацией, интеграцией в конвейер и тестированием на OnSiteSeq Edge.

Ссылки и материалы

Репозитории:

• HIV-1-Resist-Rus — модель лекарственной устойчивости ВИЧ-1.

• HIV-1-M-Env-Rus — модель субтипирования ВИЧ-1.

• Research — исследовательские материалы OnSiteSeq.

Стек: Python 3.9+, PyTorch 2.x, scikit-learn, Biopython, DVC 3.x, Snakemake 7.x, FastAPI 0.104, NVIDIA JetPack 5.1.

Базы данных и сервисы:

• Stanford HIV Drug Resistance Database (HIVDB);

• COMET HIV-1;

• Los Alamos HIV Sequence Database;

• NCBI.

Публикации по работе:

• Горбенко Р. А. Определение резистентности и классификация доминирующих в РФ субтипов ВИЧ-1 с применением методов глубокого обучения на программно-аппаратном комплексе OnSiteSeq // Материалы 68-й Всероссийской научной конференции МФТИ в честь 130-летия со дня рождения Н. Н. Семенова: Биологическая и медицинская физика. URL: clck.ru/3UcyMz (дата обращения: 09.07.2026).

• Горбенко Р. А. HIV-1-M-Env-Rus. Классификация доминирующих в РФ субтипов ВИЧ-1 с применением методов глубокого обучения // Материалы МНСК-2026. — Новосибирск: ИПЦ НГУ, 2026. — С. 155. ISBN 978-5-4437-1916-0.

Научные источники:

• Tang M. W., Liu T. F., Shafer R. W. The HIVdb System for HIV-1 Genotypic Resistance Interpretation. Intervirology. 2012. Vol. 55, iss. 2. Pр. 98–101. DOI: 10.1159/000331998.

• Struck D. et al. COMET: adaptive context-based modeling for ultrafast HIV-1 subtype identification // Nucleic Acids Research. 2014. No. 42. DOI: 10.1093/nar/gku739.

• Киреев Д. Е., Кириченко А. А., Лопатухин А. Э. и др. Российская база данных устойчивости ВИЧ к антиретровирусным препаратам // Журнал микробиологии, эпидемиологии и иммунобиологии. — 2023. — Т. 100, № 2. — С. 219–227. DOI: 10.36233/0372-9311-345.

• Кириченко А. А., Киреев Д. Е., Сидорина Ю. Н. и др. Пилотное исследование по изучению особенностей распространения резистентных вариантов ВИЧ-1 с помощью молекулярных кластеров // Журнал микробиологии, эпидемиологии и иммунобиологии. — 2024. — Т. 101, № 5. — С. 581–593. DOI: 10.36233/0372-9311-56.

• Hu Z. et al. Effect of the L74I Polymorphism on Fitness of Cabotegravir-Resistant Variants of HIV-1 Subtype A6. Journal of Infectious Diseases. 2023. Vol. 228, iss. 1. Pp. 1352–1356. DOI: 10.1093/infdis/jiad291.

• Steiner M. C., Gibson K. M., Crandall K. A. Drug Resistance Prediction Using Deep Learning Techniques on HIV-1 Sequence Data. Viruses. 2020. Vol. 12, iss. 5. DOI: 10.3390/v12050560.

• Vaswani A. et al. Attention Is All You Need. URL: https://proceedings.neurips.cc/paper_files/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf (дата обращения: 08.07.2026).

• Peng S. HIV-1 M group subtype classification using deep learning approach. Computers in Biology and Medicine. 2024. Vol. 183. DOI: 10.1016/j.compbiomed.2024.109218.

• Safina K. R. et al. Molecular epidemiology of HIV-1 in Oryol Oblast, Russia. Virus Evolution. 2022. Vol. 8, iss. 1. URL: https://academic.oup.com/ve/article/8/1/veac044/6596558 (дата обращения: 09.07.2026)

• Eken B. et al. A Multivocal Review of MLOps Practices, Challenges and Open Issues. ACM Computing Surveys. 2026. Vol. 58, iss. 2. URL: https://dl.acm.org/doi/epdf/10.1145/3747346 (дата обращения: 07.07.2026)

---

Telegram-канал Романа Горбенко: https://t.me/gorbenko_teh

Сайт Никиты Радченко: http://radchenko.tech/