РНК

Исследователи представили elDORS — специализированную базу данных последовательностей РНК, разработанную для преодоления дефицита консолидированных ресурсов в области вычислительного предсказания структур. В основе проекта лежит elDORS_raw, объединяющий актуальные данные метагеномов и транскриптомов, а также оптимизированная версия elDORS с кластеризацией по 80% идентичности последовательностей. Данная база данных предназначена для использования в стратегиях разделения RNAcmap3 и стандартном конвейере rMSA для множественного выравнивания последовательностей (MSA). Бенчмаркинг показал, что использование elDORS позволяет достичь глубины выравнивания, сопоставимой или превосходящей показатели массивных устаревших баз данных, включая задачи слепых испытаний CASP. Ключевым преимуществом является решение проблемы поиска для «сиротских» РНК (orphan RNAs), где ранее наблюдались сбои при извлечении последовательностей. База данных предоставляется в свободный доступ и может применяться для гомологичного поиска, предсказания свойств РНК и обучения новых моделей машинного обучения.

В исследовании представлен Shifu — инновационный фреймворк, предназначенный для решения проблем предсказания вторичной структуры РНК с помощью глубокого обучения. Авторы указывают на критическую проблему существующих методов: использование единых оценочных показателей скрывает локальные ошибки моделей и может свидетельствовать о простом заучивании обучающих данных. Решение состоит из трех компонентов: Shifu-Corpus, представляющего собой аудит-контролируемый датасет из 254 123 последовательностей из шести баз данных с защитой от утечек данных; системы оценки Shifu Trifecta, оценивающей модели по трем осям (точность, охват разнообразия РНК и надежность уверенности); и семейства компактных языковых моделей Shifu-LMR. Эксперименты показали, что изменение обучающего корпуса влияет на точность на 0,13, а компактная модель Shifu-LMR-Nano с 65 миллионами параметров демонстрирует лидирующие показатели точности, при этом работая на обычном ноутбуке. Разработчики открывают доступ к датасету, коду и архитектурам моделей для дальнейшего использования в биоинформатике.

В исследовании представлен KDM — новый унифицированный фреймворк для регуляторной геномики, который решает проблему разрыва между интерпретируемыми, но жесткими матрицами весов позиций (PWM) и высокопроизводительными, но непрозрачными моделями машинного обучения. Авторы предложили представлять как мотивы, так и последовательности в виде распределений вероятностей над общим словарем k-меров с использованием преобразования Хеллингера. Это позволяет использовать единый коэффициент Бхаттачарьи для скоринга, сравнения мотивов и предсказания связывания. В рамках системы реализованы четыре инструмента: KDMMap для анализа позиционного обогащения, KDMMatch для поиска мотивов, KDMFind для их обнаружения методом матричной факторизации и KDM-LRLM для предсказания связывания. Тестирование на 1324 экспериментах ChIP-seq и 161 эксперименте eCLIP показало высокую точность: KDMMap совпадает с CentriMo в 84% случаев для транскрипционных факторов. Модель KDM-LRLM при предсказании связывания на 2475 экспериментах сравнялась или превзошла 8 моделей глубокого обучения и 3 k-мерных метода. Исследование подчеркивает, что доминирование глубокого обучения обусловлено масштабом данных, а не только архитектурой нейросетей.

В статье представлен SMARTIE (Systematic Machine-learning Approach for RBP Targets Identified by Editing) — новый аналитический фреймворк на базе машинного обучения, предназначенный для идентификации мишеней РНК-связывающих белков (RBP). Авторы решают проблему низкой чувствительности и отсутствия непредвзятой приоритизации мишеней в существующих методах анализа данных редактирования РНК, таких как TRIBE и STAMP. Методология SMARTIE интегрирует статистические тесты с признаками, учитывающими репликацию и веса доверия, что позволяет более точно ранжировать целевые РНК. В ходе тестирования на опубликованных наборах данных TRIBE система успешно восстановила мишени для таких белков, как Ataxin-2, TDP-43, Hrp48, Thor, GPATCH8, dFMRP и NonA. Важным достижением является способность модели, обученной на данных TRIBE, успешно обобщать знания на наборы данных STAMP, что подтверждает выявление универсальных сигнатур редактирования. Данная разработка значительно повышает точность вывода взаимодействий RBP-РНК, открывая новые возможности для изучения регуляции генов.

В статье представлены новые вычислительные протоколы для автоматизированной аннотации некодирующих РНК (ncRNA) в вирусных геномах. Авторы описывают методы использования базы данных Rfam, которая содержит курируемые выравнивания последовательностей и консенсусные вторичные структуры для тысяч семейств РНК. Основное внимание уделено интеграции данных Rfam в биоинформатические конвейеры и рабочие процессы машинного обучения (machine learning workflows). С помощью инструмента R2DT реализована возможность полногеномной визуализации 2D-структур РНК как на основе последовательностей, так и на основе множественного выравнивания. Также продемонстрирована работа с RESTful API Rfam для программного получения метаданных семейств, загрузки выравниваний и поиска пользовательских последовательностей. Данные методы критически важны для вирусологов и исследователей РНК, стремящихся автоматизировать анализ структурно-функциональных связей в геномах вирусов.

В исследовании представлен новый метод SpecRNA-QA, предназначенный для оценки качества трехмерных моделей структур РНК. Основная проблема существующих подходов заключается в их ориентации на локальную геометрию, что мешает обнаружению глобальных топологических ошибок, когда локальные элементы (например, спирали) верны, но общая укладка доменов нарушена. Авторы предложили использовать мультимасштабные спектральные признаки, извлеченные из графового Лапласиана сетей контактов между нуклеотидами. Метод анализирует распределение собственных значений, следы теплового ядра и спектральную энтропию на четырех различных дистанционных масштабах. В ходе кросс-валидации на данных CASP16 (42 мишени, 7368 моделей) SpecRNA-QA показал медианный коэффициент корреляции Спирмена rho = 0,69, что значительно превосходит базовые геометрические методы (rho = 0,47). Для крупных молекул РНК (более 200 нуклеотидов) метод продемонстрировал превосходство над статистическим потенциалом DFIRE (rho = 0,72 против 0,52). Важной особенностью является возможность использования обучения без учителя (training-free heuristic) на основе всего трех спектральных статистик, что позволяет оценивать качество без необходимости в размеченных данных.