Поиск

В статье представлен FERRET — инновационный вычислительный фреймворк, предназначенный для бенчмаркинга методов реконструкции генных регуляторных сетей (GRN) на основе данных секвенирования единичных клеток (single-cell RNA-seq). В отличие от традиционных подходов, опирающихся на симуляции или неполные эталонные сети, FERRET использует биологическое допущение о том, что оценки регуляторных сетей для одного и того же клеточного типа должны быть более схожими, чем для разных типов. Авторы разработали две ключевые метрики: Robustness Area Under the Curve (RAUC) для измерения внутритипового сходства сетей и Monotonicity для оценки согласованности сходства при различных порогах весов ребер. Валидация системы проводилась с использованием экспериментально подтвержденных сетей ChIP-seq для B-лимфоцитов и фибробластов, где биологически связанные сети показали высокие показатели устойчивости по сравнению со случайными сетями. Применение FERRET к реальным наборам данных scRNA-seq позволяет эффективно выявлять алгоритмы, создающие наиболее надежные и биологически информативные модели регуляции генов, что критически важно для точной интерпретации клеточных процессов.

Исследование направлено на решение проблемы точной классификации подтипов вируса гриппа А (IAV) в условиях высокой скорости мутаций, что затрудняет клиническое тестирование. Авторы проанализировали обширный массив данных белковых последовательностей с известными подтипами HA и NA. В работе применялись методы машинного обучения, а именно логистическая регрессия и случайный лес (random forest), для выявления специфического набора аминокислот, ассоциированных с конкретными подтипами. Разработанный метод классификации продемонстрировал точность, близкую к оптимальной, что позволяет эффективно отслеживать циркулирующие штаммы вируса. Дополнительный анализ показал, что вариации сигнальных пептидов и индели (вставки/делеции) в белках HA и NA являются ключевыми факторами, объясняющими уникальные комбинации аминокислот. Данная разработка имеет высокую значимость для эпидемиологического надзора и совершенствования методов молекулярной диагностики гриппа.

В статье представлен PMBB Geno-Pheno Toolkit — специализированный набор модульных конвейеров на базе Nextflow, предназначенный для проведения масштабных ассоциативных анализов в биобанках, связанных с электронными медицинскими картами (EHR). Основная проблема, которую решает инструмент, заключается в фрагментации данных и несовместимости вычислительных инфраструктур различных институтов. В состав набора входит семейство конвейеров SAIGE, поддерживающих полногеномный (GWAS), экзомный (ExWAS) и феномновый (PheWAS) анализы, а также инструменты GWAMA и ExWAS для проведения мета-анализов и репликации результатов между различными биобанками. Все компоненты системы контейнеризированы с использованием Docker и Apptainer, что обеспечивает беспрепятственный запуск рабочих процессов на локальных HPC-кластерах, облачных платформах и в среде All of Us Research Workbench без необходимости изменения кода. Дополнительно инструментарий включает возможности для полигенного скоринга, гармонизации фенотипов и LD-клампинга на базе PLINK. Данная разработка значительно повышает воспроизводимость и масштабируемость биомедицинских исследований, позволяя объединять разрозненные геномные и фенотипические наборы данных.

Компания Insilico Medicine использует генеративный ИИ для идентификации биологических мишеней и дизайна молекул, что позволяет сократить этап поиска кандидатов с 4,5 лет до 9–13 месяцев. Технология сочетает ИИ-моделирование с лабораторной валидацией, ускоряя процесс создания новых препаратов.

В статье рассматривается критическая проблема поддержания актуальности моделей машинного обучения в контексте постоянно меняющихся биологических наборов данных. Авторы подчеркивают, что хотя использование высококачественных биологических данных позволяет быстро получать значимые результаты, динамическая природа этих данных требует разработки новых подходов к обновлению моделей. Основное внимание уделяется необходимости обеспечения непрерывного соответствия (alignment) между архитектурой нейросетей и эволюционирующими структурами данных. Исследование указывает на то, что без систематического пересмотра стратегий подготовки данных и механизмов их обновления, точность медицинских ИИ-систем будет неизбежно снижаться со временем. Работа имеет высокую практическую значимость для разработчиков биомедицинских алгоритмов, стремящихся к созданию долгосрочно устойчивых и надежных диагностических инструментов.

Компания OpenAI объявила о масштабном расширении функционала Health в рамках ChatGPT, сделав его доступным для широкого круга пользователей в США. Ключевой особенностью обновления является возможность интеграции чат-бота с персональными медицинскими записями и приложениями для мониторинга здоровья (wellness apps). Это позволяет пользователям использовать возможности больших языковых моделей для анализа собственных медицинских данных в режиме реального времени. Данный шаг знаменует переход OpenAI от общего ИИ к специализированным потребительским медицинским сервисам. Технология направлена на упрощение взаимодействия пациента со своей историей болезни и персонализацию рекомендаций по здоровому образу жизни. Реализация этой функции открывает новые возможности для интеграции ИИ в повседневную жизнь потребителей, напрямую влияя на управление здоровьем на бытовом уровне.

Статья предлагает концептуальную основу для использования синтетических данных пациентов, созданных ИИ, в процессе регистрации лекарственных средств. Авторы выделяют пять ключевых принципов (репрезентативность, полезность, надежность, конфиденциальность и прозрачность) и предлагают 'Технический план валидации' для преодоления регуляторных барьеров.

В исследовании представлен Tangerine — специализированный Python-фреймворк, предназначенный для реконструкции и интерактивного изучения динамически изменяющихся генных регуляторных сетей. Основная проблема текущих методов заключается в агрегации временных данных в статические топологии, что скрывает процессы перестройки регуляции при развитии организма. Методология Tangerine сочетает в себе агрегацию метаклеток с временными ограничениями, регуляризованное линейное моделирование и непараметрическую корреляцию для точного вывода динамических структур. Одной из ключевых особенностей является встроенный визуальный аналитический движок на базе браузера, который решает проблему интерпретируемости статистического вывода. Инструмент позволяет исследователям отслеживать эволюцию макроскопических генных модулей и напрямую связывать изменения в топологии сети с исходными транскриптомными данными. Реализация выполнена с использованием библиотек Python и Plotly Dash, а исходный код доступен в открытом репозитории GitHub.

Исследователи представили Nasal Microbiome Wellness Index (NMWI) — инновационный метод количественной оценки состояния назального микробиома, не привязанный к конкретным заболеваниям. Методология основана на использовании LASSO-регрессии для анализа данных секвенирования 16S rRNA, что позволило создать непрерывную шкалу здоровья на основе 24 ключевых таксонов. В исследовании были проанализированы 1654 образца, объединенных из 27 различных публичных баз данных. В отличие от традиционных индексов разнообразия (Шеннона, Симпсона), которые показали слабую корреляцию с состоянием здоровья (Cliff's delta 0.01-0.20), NMWI продемонстрировал высокую точность разделения здоровых и нездоровых состояний (delta = 0.65). Модель показала сбалансированную точность 73.43% при перекрестной проверке и сохранила эффективность 71.49% на независимых внешних когортах. Значимость работы заключается в возможности проактивного мониторинга респираторного здоровья и создании единого стандарта для сравнения данных из различных клинических исследований без необходимости повторного секвенирования.

В данном исследовании проводится глубокий анализ интерпретируемости 8 моделей из семейств ESM2 и AMPLIFY, предназначенных для работы с белковыми последовательностями. Авторы провели послойный анализ того, как именно языковые модели (pLM) кодируют биологические знания, протестировав 22 различных концепции человеческого протеома. Результаты показали четкую иерархию: ранние слои лучше всего улавливают базовые физико-химические свойства и линейные мотивы, последующие слои отвечают за вторичную структуру, а средние слои — за семантику на уровне доменов. Применение методов интервенции, вдохновленных молекулярной биологией, подтвердило способность эмбеддингов различать активные и неактивные фосфомиметические мутанты. Важным открытием стало то, что объем обучающих данных и вычислительные ресурсы оказывают более значительное влияние на линейное появление биологических концепций, чем простое увеличение количества параметров модели. Работа дает ценные рекомендации для создания более надежных и биологически обоснованных моделей для дизайна белков и предсказания их функций.

В данной научной работе представлен переработанный фреймворк логистической регрессии, специально оптимизированный для классификации и отбора признаков в условиях высокой размерности биомедицинских данных. Основная проблема, решаемая авторами, заключается в ограничении классической логистической регрессии, когда количество генетических признаков многократно превышает количество доступных образцов. Методология была протестирована на трех различных биомедицинских наборах данных, охватывающих сценарии с десятками тысяч атрибутов при существенно малом объеме выборки. Результаты исследования показали способность модели обеспечивать четкое разделение между контрольными группами и группами пациентов с заболеваниями, одновременно выделяя компактный набор наиболее значимых генов. Важным достижением является то, что часть выбранных признаков совпала с уже известными биомаркерами заболеваний, что подтверждает биологическую достоверность модели, а другие признаки указывают на потенциально новые мишени для дальнейших исследований. Данный подход предлагает интерпретируемую и вычислительно эффективную альтернативу существующим методам в области вычислительной биологии.

В исследовании применяется метод QTY-кода (замена гидрофобных аминокислот на полярные глутамин, треонин и тирозин) для создания водорастворимых аналогов ключевых мембранных белков вируса Эпштейна — Барр (BILF1, LMP1 и LMP2). Ученые использовали инструменты AlphaFold3, ColabFold и Boltz-2 для предсказания структур, что позволило подтвердить сохранение нативной конформации при значительной модификации последовательности. Результаты показали, что несмотря на замену 54,15%–61,59% аминокислот в трансмембранных доменах, значения RMSD остались крайне низкими (от 0,217 до 1,202 Å), а изменения молекулярной массы составили всего 0,7–1,2 кДа. Разработанные QTY-аналоги обладают существенно сниженной гидрофобностью и склонностью к агрегации, что позволяет проводить исследования без использования детергентов. Данный метод открывает новые возможности для биохимической характеризации белков EBV, которые ранее были труднодоступны из-за их гидрофобности, и может ускорить разработку терапевтических стратегий против связанных с вирусом злокачественных новообразований.

В статье представлена pyfraglib — комплексная программная платформа, предназначенная для глубокого анализа фрагментомики внеклеточной ДНК (cfDNA), включая профили длины фрагментов, показатели защиты (WPS) и мотивы концов фрагментов. Разработчики объединили в одном пакете инструменты для извлечения данных из коротких и длинных чтений секвенирования, статистическое моделирование (с использованием гауссовых смесей и NMF-декомпозиции) и модуль для in silico симуляций. В ходе тестирования на двух симулированных когортах по 20 образцов платформа успешно восстановила заданные различия в характеристиках фрагментов. Практическая значимость подтверждена на наборе из 89 образцов при лимфоме центральной нервной системы (CNSL): авторы разработали комбинированный фрагментомический показатель, объединяющий NMF-сигнатуры и мотивы концов фрагментов. Применение этого показателя на плазме пациентов позволило выявить группу высокого риска с худшей выживаемостью без прогрессирования заболевания (log-rank p=0.0205). Платформа доступна через Python API, интерфейс командной строки и конвейер Nextflow, что делает её мощным инструментом для биомедицинских исследований.

Исследование посвящено решению критической проблемы идентификации малых и интерпретируемых наборов генов в данных транскриптомики единичных клеток (single-cell RNA-seq). Авторы представляют новый рабочий процесс Sparse Linear Manifold Control (SLMC), предназначенный для реконструкции устойчивых к индивидуальным особенностям доноров траекторий развития заболеваний. Методология SLMC позволяет удалять вариативность, связанную с конкретными пациентами, и выбирать минимальные генные программы, экспрессия которых точно восстанавливает показатель, ориентированный на заболевание. В ходе тестирования на пяти наборах данных человека, охватывающих онкологию и нейродегенеративные заболевания, было установлено, что жадные алгоритмы выбора (greedy methods) превосходят LASSO при ограниченном бюджете генов. Результаты показали, что точная реконструкция достижима всего с использованием 25 генов, что критически важно для клинической интерпретации. Данная работа вносит значительный вклад в развитие биоинформатики и использование ИИ для поиска биомаркеров, обеспечивая высокую устойчивость моделей к межиндивидуальным различиям.

В статье представлен J-AST — новый бесплатный инструмент с открытым исходным кодом, предназначенный для автоматизации анализа тестов на чувствительность к антибиотикам (AST), включая диско-диффузионный метод (DDA) и тесты Эпсилометрии (Etest). Платформа позволяет проводить автоматическую и интерактивную аннотацию областей интереса, управлять метаданными и количественно оценивать резистентность и толерантность микроорганизмов. Исследование показало, что автоматическое определение минимальной ингибирующей концентрации (МИК) достигает уровня согласованности более 90% по сравнению с ручным считыванием результатов. Результаты, полученные через J-AST, демонстрируют высокую корреляцию с существующими аналитическими инструментами, а также подтверждена высокая взаимосвязь между результатами DDA и Etest. Система может развертываться как в виде настольного программного обеспечения, так и в виде облачного сервиса, объединяя автоматизированный анализ с возможностью экспертной проверки. Внедрение J-AST способно значительно оптимизировать рабочие процессы как в фундаментальных микробиологических исследованиях, так и в клинической диагностике.

Исследователи представили scSAID (skin-scsaid.com) — масштабную интерактивную базу данных единичных клеток кожи, объединяющую более 1,2 миллиона высококачественных клеток из 252 образцов человека и мыши. Платформа служит единым референсом для аннотации типов клеток и проведения межвидовых сравнений в патологических исследованиях. В качестве примера авторы использовали модель псориаза, вызванную имиквимодом у мышей, и обнаружили значительные различия в молекулярных сигнатурах: в частности, активация NFKB1 и участие STAT1 оказались специфичными для человека. Это доказывает, что существующие мышиные модели воспроизводят лишь ограниченную часть патологии заболевания. Кроме того, с помощью нового алгоритма psoSpotter и компьютерного моделирования возмущений (in silico perturbation) на базе данных scSAID, был идентифицирован ген PPIA как потенциальная новая мишень для терапии псориаза. Данный ресурс открывает новые возможности для поиска терапевтических мишеней в дерматологии с использованием методов машинного обучения и биоинформатики.

В данном исследовании проведен комплексный биоинформатический анализ гена-супрессора опухолей PALB2, играющего ключевую роль в репарации ДНК через гомологичную рекомбинацию. Используя базы данных TCGA и платформы GEPIA2 и cBioPortal, авторы установили, что экспрессия PALB2 значительно повышена в тканях опухолей молочной железы по сравнению со здоровыми тканями. Анализ белок-белковых взаимодействий (PPI) через STRING подтвердил тесную связь PALB2 с критически важными белками репарации, такими как BRCA1, BRCA2, RAD51 и FANCD2. Несмотря на биологическую значимость, статистический анализ выживаемости (Kaplan-Meier) не показал прямой связи экспрессии PALB2 с общей выживаемостью (HR = 0.88, p = 0.44) или безрецидивной выживаемостью (HR = 0.74, p = 0.11). Мутационный профилирование выявило широкий спектр геномных изменений, включая миссенс-мутации, усекающие мутации и изменения числа копий генов. Работа подчеркивает важность PALB2 в молекулярных путях рака, но указывает на необходимость интеграции других клинических параметров для использования его в качестве самостоятельного прогностического маркера.

Компания Tempus AI, Inc. официально объявила о масштабном национальном запуске своего решения OneOme, специализирующегося на фармакогеномном тестировании (PGx). Данный продукт направлен на интеграцию передовых генетических данных в клиническую практику для обеспечения персонализированного подхода к подбору лекарственной терапии. Использование ИИ-технологий компании позволяет анализировать генетические вариации пациентов, что критически важно для минимизации побочных эффектов и повышения эффективности лечения. Внедрение OneOme способствует развитию прецизионной медицины, позволяя врачам принимать более обоснованные решения на основе генетического профиля. Проект нацелен на повышение общей безопасности пациентов за счет предотвращения нежелательных лекарственных реакций. Это решение представляет собой важный шаг в коммерциализации ИИ-инструментов для точной диагностики и персонализированного подбора терапии в масштабах всей страны.

Статья исследует переход от ИИ как инструмента диагностики к ИИ как активному агенту, способному выполнять действия от имени пациента (запись на прием, заказ рецептов). Автор подчеркивает необходимость создания новой системы цифровой идентификации и репутации для ИИ-агентов, чтобы обеспечить безопасность данных и соблюдение стандартов HIPAA.