Последнее десятилетие характеризуется активным развитием вычислительной биологии и генетики. Количество данных растет с каждым годом в геометрической прогрессии. В биомедицине для сбора и хранения данных используются распределенные отказоустойчивые системы хранения; для извлечения нового знания и анализа данных применяются математические алгоритмы и методы машинного обучения.

Проекты:
к.т.н. Юрий Маркин	Анализ изображений	— Применение машинного обучения для анализа изображений жидкостной цитологии (классификация, детекция, сегментация); — Машинное обучение для анализа изображений, полученных при маммографии; — Классификация дермоскопических изображений меланоцитарных образований для раннего обнаружения рака кожи; -Повышение качества существующих нейросетевых моделей и обучение новых для различных архитектур.
Арам Аветисян	Анализ ЭКГ Распознавание эмоций LLM в медицине	— Создание моделей для классификации, сегментации и генерации ЭКГ записей. — Анализ 1-канальных, 12-канальных ЭКГ и записей холтеровского мониторирования. — Применение и улучшение моделей в практических задачах. — Оценка эмоционального состояния человека с помощью нейросетей. — Анализ аудио, текста и других модальностей. — LLM модели в задаче распознавания состояния человека. — Создание систем с помощью LLM моделей в медицинских практических задачах. — Использование разных методов (RAG, MAS и др.) для улучшения качества генерации моделей по медицинской тематике
Сергей Скорик	Федеративное Обучение	— Федеративное обучение в задаче анализа медицинских данных (ЭКГ, Маммография). — Исследование коммуникационной эффективности Федеративного Обучения в условиях гетерогенности. — Исследование устойчивости к византийским атакам в Федеративном Обучении.  — Персонализация в Федеративном Обучении.
к.ф.-м.н. Евгений Карпулевич	Биоинформатика	Построение масштабируемых пайплайнов для анализа NGS данных. Прикладной анализ данных ДНК- и РНК-секвенирования, алгоритмы анализа данных NGS. – Исследование производительности систем управления пайплайнами cromwell и nextflow; – Модификации индекса minimap2 для повышения качества выравнивания; – Исследованием ассоциаций между геномными вариантами и фенотипическими признаками; – Разработка пайплайнов анализа данных соматического секвенирования; – Разработка пайплайнов анализа данных нанопорового секвенирования.

Темы защищенных курсовых и дипломов:

Курсовые работы 3-го курса:

1. Классификация комплексов холтеровских ЭКГ методами глубокого обучения.
2. Исследование применения контекста изображения для предсказания эмоционального состояния человека.
3. Анализ 12-канальных электрокардиограмм для идентификации личности пациента.
4. Детекция аномальных записей в двенадцатиканальных электрокардиограммах.
5. Эффективные коммуникации в задаче федеративного обучения.
6. Дистилляция диффузионных моделей в ЭКГ.

Бакалаврские дипломы:

1. Трансферное обучение в анализе ЭКГ.
2. Дистилляция знаний с 12-канальных ЭКГ для интеллектуального анализа 1-канальных ЭКГ.
3. Исследование подходов в федеративном обучении для персонализированной классификации электрокардиограмм.
4. Влияния аугментаций на качество классификации ЭКГ сигналов с помощью сравнительного обучения.
5. Исследование методов персонализации в задаче анализа эмоционального состояния человека в мультимодальном сценарии.
6. Эффективные коммуникации в задаче федеративного обучения с помощью адаптивного числа клиентов.

Магистерские дипломы:

1. Исследование методик предобучения нейросетей для классификации электрокардиограмм.
2. Синтез цифровых сигналов электрокардиограмм с использованием генеративных моделей в пространстве состояний.

Научные статьи:

1. Avetisyan A, Tigranyan S, Asatryan A, Mashkova O, Skorik S, Ananev V and Markin Y (2024) Deep neural networks generalization and fine-tuning for 12-lead ECG classification. Biomedical Signal Processing and Control 93:106160. doi: 10.1016/j.bspc.2024.106160.
2. Skorik S, Avetisyan A, Diatlinko E, Mindiiarova R and Markin Y (2024) Transferring Knowledge from 12-Lead to 1-Lead ECGs via Contrastive Learning. COMPSAC 2024, pp. 1825–1830. doi: 10.1109/COMPSAC61105.2024.00288.
3. Avetisyan, A., Khachaturov, N., Asatryan, A., Tigranyan, S., & Markin, Y. (2025, April). Self-trained model for ECG complex delineation. In ICASSP 2025-2025 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) (pp. 1-5). IEEE.
4. Skorik S and Avetisyan A (2024) SSSD-ECG-nle: New Label Embeddings with Structured State-Space Models for ECG generation. arXiv:2407.11108. doi: 10.48550/arXiv.2407.11108.
5. Молодцов Г.Л., Медяков Д.О., Скорик С.Н., Хачатуров Н., Тигранян Ш.Т., Алетов В.И., Аветисян А.А., Takáč M., Безносиков А.Н. Защита от византийских атак через доверительное взвешивание устройств // Успехи математических наук. 2025. Т. 80, № 6. С. 191–194. doi: 10.4213/rm10272.
6. Chezhegov S.A., Skorik S.N., Khachaturov N., Shalagin D.S., Avetisyan A.A., Takáč M., Kholodov Y.A. and Beznosikov A.N. (2024) Local methods with adaptivity via scaling. Russian Mathematical Surveys 79(6):1051–1091. doi: 10.4213/rm10209e.
7. Martirosyan, A., Tigranyan, S., Razzhivina, M., Aslanyan, A., Salikhova, N., Makarov, I., … & Avetisyan, A. (2025). Multi-Track Multimodal Learning on iMiGUE: Micro-Gesture and Emotion Recognition. arXiv preprint arXiv:2512.23291.
8. Tigranyan, S., Martirosyan, A., Avetisyan, L., Avetisyan, K., & Avetisyan, A. ATENet: A Hybrid Approach to Speech Emotion Recognition with Audio-Text Alignment. Available at SSRN 6159456.