Опубликовано: 29.04.2026 | Источник: MIT Technology Review

Персонализированная терапия на основе mRNA в дипломе: как интегрировать биотех-инновации в IT-проект

Поддомен: Data/ML
Роль: Data/ML-инженер

Семантический анализ

• Primary keyword: персонализированная терапия на основе mRNA
• LSI-запросы: RNA-секвенирование, neoantigen prediction, NGS-обработка, биоинформатика, машинное обучение в онкологии, UML-моделирование биопроцессов, метрики эффективности модели (AUC, F1), интеграция с EHR, обработка больших данных в геномике, соответствие ISO/IEC 25010
• Вопросы студентов:
  1. Как обосновать выбор темы, если она на стыке IT и медицины?
  2. Где взять реальные или синтетические данные по neoantigen-прогнозу?
  3. Как оформить схему обработки геномных данных по ГОСТ 34.19-2023?
  4. Какие метрики считать при оценке эффективности модели?
  5. Можно ли использовать патенты Moderna как источник данных?
• Ключевые сущности: ISO/IEC 25010, ГОСТ 34.19-2023, машинное обучение, RNA-секвенирование, neoantigen prediction

Структура выбрана: B

Введение → Основная часть (объединённая с темами) → FAQ → Чек-лист → Ошибки → CTA → Эксперт → Источник

---

Введение

Moderna и Merck показали, что персонализированные терапии на основе mRNA могут снизить риск рецидива меланомы на 50%. Это не просто медицинский прорыв — это вызов для IT: как обрабатывать терабайты геномных данных, предсказывать neoantigens и интегрировать результаты в клинические системы? Для студента IT это шанс сделать ВКР, который не только пройдёт нормоконтроль, но и покажет глубокое понимание data-driven медицины. Здесь нет воды — только работа с реальными кейсами, метриками и архитектурой, которые ценят на защите.

---

Основная часть: как встроить кейс Moderna в ВКР

Кейс Moderna — не просто новость. Это готовая основа для диплома в области Data Engineering, ML или биоинформатики. Ниже — три темы, которые можно адаптировать под ваш вуз, уровень подготовки и доступ к данным.

Тема 1: Разработка системы предсказания neoantigens на основе RNA-секвенирования

• Актуальность: Как указано в статье, Moderna последовательно сканирует опухолевые клетки, чтобы найти уникальные neoantigens. Это требует точной биоинформатической обработки данных.
• Цель: Построить pipeline для идентификации потенциальных neoantigens из RNA-seq данных.
• Задачи:
  1. Анализ существующих методов (например, pVACseq, NetMHC).
  2. Разработка или адаптация ML-модели для предсказания связывания пептидов с HLA.
  3. Интеграция с EHR-подобной системой (модельной).
  4. Оценка качества по метрикам F1, AUC-ROC.
• Структура ВКР:
  • Глава 1 – Анализ биоинформатических методов и требований к системе (с опорой на ISO/IEC 25010: функциональная полнота, точность).
  • Глава 2 – Проектирование pipeline: от FASTQ до списка кандидатов (с UML-диаграммой последовательности).
  • Глава 3 – Реализация и тестирование на синтетических или публичных данных (TCGA, ICGC).

Тема 2: Архитектура персонализированной терапии: от генома до инъекции

• Актуальность: Moderna переименовала продукт в "индивидуальную терапию", но суть — автоматизированная цепочка от анализа до производства. Это задача системного инжиниринга.
• Цель: Спроектировать архитектуру IT-системы, поддерживающей персонализированный цикл терапии.
• Задачи:
  1. Моделирование бизнес-процесса (BPMN): от биопсии до вакцины.
  2. Определение компонентов: LIMS, ML-движок, система контроля качества.
  3. Оценка времени обработки (SLA) и отказоустойчивости.
  4. Проверка соответствия ISO/IEC 25010 (надёжность, производительность).
• Структура ВКР:
  • Глава 1 – Анализ архитектурных подходов в биотехе (C4-модель уровня 1-2).
  • Глава 2 – Проектирование компонентов и их взаимодействия (диаграмма компонентов).
  • Глава 3 – Моделирование нагрузки и оценка эффективности (например, время от биопсии до готовой вакцины).

Тема 3: Этические и коммуникационные аспекты переименования терапии

• Актуальность: Как отмечено в статье, Moderna избегает слова "вакцина" из-за политики и страха пациентов. Это влияет на UX, документацию и даже дизайн интерфейсов.
• Цель: Исследовать влияние терминологии на принятие решения пациентами и врачами.
• Задачи:
  1. Анализ публичных коммуникаций Moderna и Merck (2021–2026).
  2. Сравнение терминов: "вакцина" vs "терапия" в контексте доверия.
  3. Разработка рекомендаций по UX-копирайтингу в медицинских системах.
  4. Оценка соответствия требованиям к информированному согласию (ГОСТ 34.19).
• Структура ВКР:
  • Глава 1 – Анализ нормативных и этических требований.
  • Глава 2 – Исследование восприятия терминов (опросы, NLP-анализ соцсетей).
  • Глава 3 – Разработка шаблонов информирования и оценка их эффективности.

Как вставить кейс в главы диплома

Вот как конкретно использовать материал из статьи:

Глава 1 (Теоретическая):

• Приведите цитату о переименовании в "индивидуальную терапию" — это пример влияния внешних факторов на IT-продукт.
• Используйте данные по эффективности (50% снижение рецидива) как обоснование актуальности.
• Сравните подходы Moderna и BioNTech — это покажет широту анализа.

Глава 2 (Проектирование):

• Постройте диаграмму последовательности (UML) процесса: биопсия → секвенирование → предсказание neoantigens → производство → введение.
• Добавьте C4-модель уровня 2: показать компоненты (LIMS, ML-движок, EHR-интеграция).
• Укажите SLA: например, "время обработки — не более 14 дней", как в реальных клинических протоколах.

Глава 3 (Реализация/Тестирование):

• Если делаете ML-модель — используйте метрики: AUC-ROC, F1-score, precision@topK.
• Оцените соответствие ISO/IEC 25010: например, "функциональная точность — 89% при предсказании сильных связывателей".
• Приведите сравнение с существующими инструментами (pVACseq, NetMHCpan).

Пример конфигурации pipeline (FASTQ → neoantigens)

# Пример Snakemake-пайплайна для обработки RNA-seq
rule align_rna:
    input: "data/{sample}.fastq"
    output: "aligned/{sample}.bam"
    shell: "hisat2 -x genome_index -U {input} | samtools view -b -o {output}"

rule variant_calling:
    input: "aligned/{sample}.bam"
    output: "variants/{sample}.vcf"
    shell: "varscan somatic {input} normal.bam {output}"

rule neoantigen_prediction:
    input: "variants/{sample}.vcf"
    output: "neoantigens/{sample}.tsv"
    shell: "pvacseq run {input} HLA-A*02:01 NetMHC MHCflurry {output}"

Такой код — реальный аргумент на защите. Он показывает, что вы не просто читали статью, а умеете её технически интерпретировать.

---

Чему вы научитесь

• Проектировать биоинформатические pipeline с учётом клинических сроков.
• Применять UML и C4 для моделирования сложных медицинских процессов.
• Оценивать качество ML-моделей в контексте медицинской задачи (не только accuracy, но и клиническая значимость).
• Оформлять диаграммы и ТЗ по ГОСТ 34.19-2023.
• Обосновывать выбор терминологии в IT-системах с учётом этики и UX.

---

FAQ

Где взять данные, если нет доступа к реальным геномам?

Используйте публичные ресурсы: TCGA (The Cancer Genome Atlas), ICGC, или синтезируйте данные с помощью ART или dwgsim. Для ML-модели можно взять предсчитанные датасеты из pVACseq. Главное — указать источник и обосновать выбор.

Нужно ли писать код на Python, если вуза требует Java?

Нет. Вы можете описать логику на Java, но указать, что в реальной среде такие задачи решаются на Python (библиотеки: Biopython, scikit-learn). Главное — показать понимание архитектуры, а не язык.

Как считать эффективность, если нет клинических данных?

Используйте метрики: AUC, F1, precision. Сравните с baseline (например, случайный отбор). Добавьте симуляцию: "при задержке обработки >14 дней эффективность падает на 15%". Это покажет системное мышление.

Как пройти нормоконтроль, если тема на стыке IT и медицины?

Сделайте акцент на IT-часть: архитектура, pipeline, метрики. Медицинский контекст — обоснование. Используйте ГОСТ 34.19 для описания требований. Покажите, что вы не врач, а инженер, который решает задачу.

--- --- --- --- --- ---

Источник: What’s in a name? Moderna’s “vaccine” vs. “therapy” dilemma (опубликовано 2026-04-10)