анализ данных

В статье представлен CLEAR (Concise List Enrichment Analysis Reducing Redundancy) — новый байесовский фреймворк для анализа обогащения наборов генов, предназначенный для интерпретации данных высокопроизводительных экспериментов. В отличие от традиционных методов, таких как ORA или GSEA, которые тестируют наборы генов независимо и игнорируют их иерархическую структуру, CLEAR моделирует множественные наборы генов одновременно. Ключевым инновационным отличием является отказ от бинаризации данных (перевода в состояния «активен/неактивен» через пороги) в пользу использования непрерывных статистик, таких как p-values или тестовые статистики. Это позволяет избежать потери информации и снизить избыточность результатов, характерную для Gene Ontology. Исследования на симулированных данных и данных экспрессии генов человека подтвердили, что CLEAR значительно повышает чувствительность анализа и обеспечивает получение более лаконичного и интерпретируемого списка обогащенных наборов генов по сравнению с существующими методами.

Представлена ProteoPy — легковесная библиотека на языке Python, предназначенная для количественного анализа протеомики на уровнях белков и пептидов. В основе библиотеки лежит структура данных AnnData, что позволяет эффективно объединять биоинформатические данные с сохранением всей метаинформации в едином объекте. Ключевой особенностью является программная реализация алгоритма COPF, которая позволяет осуществлять вывод групп протеоформ непосредственно из пептидных данных. Это дает возможность исследователям идентифицировать специфическую регуляцию протеоформ и использование различных изоформ. Библиотека спроектирована для упрощения рабочих процессов как для специалистов, так и для пользователей без глубоких знаний в биоинформатике. ProteoPy бесшовно интегрируется с экосистемами scanpy и muon, обеспечивая масштабируемость и воспроизводимость мультиомиксного анализа. Инструмент доступен под лицензией Apache 2.0 на GitHub и включает обучающие ноутбуки для быстрой адаптации.

В статье представлен itBins — полностью автоматизированное программное обеспечение на базе Python, предназначенное для сверхбыстрого уточнения метагеномных бинов. Инструмент использует правиловой подход, опираясь на данные о содержании ГЦ-пар (%GC), покрытии и таксономии отдельных контигов. В ходе тестирования на наборах данных CAMI I (низкой, средней и высокой сложности) itBins продемонстрировал более высокие показатели F-меры по сравнению с такими инструментами, как MDMcleaner и Rosella, и показал результаты, сопоставимые с ручным уточнением через uBin. Скорость работы программы составляет в среднем 61 мс на один бин, что на три порядка быстрее существующих аналогов. При применении к 64 реальным метагеномам речных мезокосмов инструмент успешно сформировал 259 среднекачественных и 19 высококачественных MAG (метагеномно-собранных геномов), в то время как другие автоматизированные средства не смогли завершить работу даже за 5000 часов. Кроме того, itBins использует маркерные гены для оценки общего успеха биннинга, что позволяет исследователям определять экологическую релевантность полученных данных. Программное обеспечение совместимо с DASTool и доступно через Bioconda, GitHub и Codeberg.

В статье представлен новый программный инструмент geneslator — специализированный R-пакет, разработанный для решения проблем интерпретации данных высокопроизводительного секвенирования. Основная задача инструмента заключается в обеспечении точного преобразования между различными типами идентификаторов генов, такими как Gene symbols, Ensembl GeneIDs и Entrez GeneIDs, что критически важно для интеграции наборов данных. Разработчики внедрили функционал картирования ортологов и аннотации путей для восьми модельных организмов, включая человека (Homo sapiens), мышь (Mus musculus) и дрожжи (Saccharomyces cerevisiae). В отличие от существующих решений, geneslator минимизирует риски несоответствий и фрагментации рабочих процессов, обеспечивая целостность данных при кросс-видовом анализе. Инструмент позволяет автоматизировать сложные биоинформатические задачи, повышая воспроизводимость функциональных исследований. Пакет доступен в открытом доступе на платформе GitHub для использования в академических и клинических исследованиях.

В статье представлен circStudio — новый специализированный Python-пакет, предназначенный для комплексной работы с данными актиграфии, которые собираются с носимых устройств. Разработчики объединили разрозненные инструменты для мониторинга двигательной активности, воздействия света и температуры в единую программную среду. Пакет построен на базе кодовой базы pyActigraphy и интегрирует математические модели циркадных ритмов из пакета Arcascope. circStudio предлагает гибкие инструменты предобработки, поддержку различных форматов файлов через адаптеры и набор функций для вычисления стандартных метрик актиграфии. Основная ценность инструмента заключается в возможности бесшовного перехода от сырых данных носимых устройств к физиологически интерпретируемым результатам моделирования циркадных ритмов. Это решение значительно снижает вычислительные затраты и повышает воспроизводимость исследований в области цифрового здравоохранения, сомнологии и циркадной биологии.

Исследование оценивает эффективность использования GPT-4o для анализа интервью с медицинскими работниками с целью определения требований к новому устройству для измерения частоты сердечных сокращений у новорожденных. Результаты показали, что генеративный ИИ может эффективно извлекать функциональные и дизайнерские требования, снижая административную нагрузку на разработчиков.

Исследователи представили DIANA — многозадачную нейронную сеть, предназначенную для автоматизации анализа метаданных в области древней метагеномики. В отличие от традиционных методов, зависящих от референсных баз данных, DIANA предсказывает ключевые категории метаданных непосредственно на основе обилия унитигов. Модель была обучена на колоссальном массиве данных, включающем 2 597 регистраций с общим объемом собранных последовательностей 1,72 Тб. В ходе тестирования система продемонстрировала высокую точность: идентификация хозяина образца составила 94,6%, определение типа сообщества — 90,0%, а типа материала — 88,9%. Важной инновацией является способность к семантической генерализации, позволяющая корректно классифицировать даже те образцы, подтипы которых не встречались в обучающей выборке. Данная технология значительно ускоряет процессы валидации метаданных и контроля качества, что критически важно для масштабных исследований древних микробиомов.

В статье представлен PERREO — новый комплексный биоинформатический инструмент, предназначенный для глубокого анализа экспрессии повторяющихся элементов (транспозонов) на основе данных секвенирования коротких и длинных чтений. Традиционные методы RNA-seq часто игнорируют или недооценивают молекулы РНК, происходящие из повторяющихся элементов, так как они оптимизированы под аннотированные гены. PERREO решает эту проблему, обеспечивая полный цикл обработки данных: от контроля качества и специфического для повторов выравнивания до анализа дифференциальной экспрессии и сборки транскриптов de novo. Авторы провели валидацию инструмента на клеточных линиях, опухолевых тканях и жидкостной биопсии, подтвердив его превосходную чувствительность к сигнатурам повторяющейся РНК по сравнению со стандартными подходами. Интеграция прогностического моделирования в пайплайн позволяет выявлять биологические ассоциации и строить сети ко-экспрессии. Данная разработка значительно снижает биоинформатический порог входа для исследователей, открывая новые возможности для изучения роли репотома в развитии онкологических заболеваний и других патологий.

В статье представлен BrightEyes-FFS — новое программное обеспечение на языке Python, предназначенное для анализа данных флуоресцентной флуктуационной спектроскопии (FFS). Данная методика используется для количественного измерения молекулярной динамики и взаимодействий, а использование матричных детекторов малого формата позволяет получать детализированную пространственно-временную информацию. Разработанная платформа решает проблему отсутствия открытого ПО для обработки многомерных наборов данных FFS. Функционал включает пакет для чтения сырых данных, вычисления авто- и кросс-корреляций с использованием различных алгоритмов и аппроксимацию корреляций по нескольким моделям. Для удобства пользователей реализован графический интерфейс (GUI) в виде исполняемого файла и инструмент автоматической генерации Jupyter Notebook для перехода к кастомному анализу. Инструмент может быть полезен в биофизических исследованиях диффузии, потоков и динамики взаимодействий на молекулярном уровне.

Исследование посвящено критической проблеме метабаркодинга ДНК растений — отсутствию высококачественных и регулярно обновляемых референсных баз данных для региона trnL (UAA). Авторы провели систематическое сравнение трех инструментов курирования данных: OBITools3/ecoPCR, RESCRIPt и MetaCurator, чтобы определить наиболее эффективные методы очистки последовательностей от таксономических ошибок и избыточности. В ходе работы были созданы три специализированные базы данных и протестированы на различных участках trnL (CD, CH и GH) с использованием классификатора Naive Bayesian в DADA2. Результаты показали, что MetaCurator и RESCRIPt демонстрируют наилучшие показатели для региона trnL CD, в то время как MetaCurator показал максимальную эффективность для региона GH. Методология исследования включает использование симулированных наборов данных и мутировавших копий для проверки точности классификации. Разработанные базы данных и вычислительные рабочие процессы опубликованы в открытом доступе на Zenodo и GitHub, что позволяет использовать их как глобальные референсные ресурсы для экологических и биологических исследований.

В данном исследовании представлен систематический сравнительный анализ шести популярных вычислительных инструментов (CellBender, DecontX, SoupX, scCDC, scAR и CellClear), предназначенных для удаления фоновой РНК (ambient RNA) при секвенировании РНК единичных клеток и ядер. Исследователи протестировали инструменты на шести наборах данных, включая смешанные клеточные линии человека и мыши, данные PBMC и префронтальной коры, а также данные платформы BD Rhapsody. Ключевым открытием стало то, что инструменты scAR и CellClear не просто очищают данные, а фундаментально искажают матрицы отсчетов: CellClear заменяет более 93% значений данными, полученными методом матричной факторизации, а scAR создает ложные типы клеток, отсутствующие в исходных данных. В то же время CellBender и SoupX показали высокую надежность при минимальном искажении данных. Исследование подчеркивает, что при выборе инструментов для коррекции фонового шума приоритетным критерием должна быть целостность матрицы отсчетов, а не только чувствительность к удалению загрязнений. Авторы предлагают готовую систему рекомендаций в зависимости от используемой экспериментальной платформы.

В данной статье рассматриваются продвинутые методы контрастивного анализа главных компонент (PCA), предназначенные для снижения размерности данных путем максимизации дисперсии целевого набора данных при одновременной минимизации дисперсии фонового шума. Авторы представляют два ключевых расширения метода: k-ρPCA, использующий весовые коэффициенты ядра для контрастирования пространственных и не пространственных осей вариации, и f-ρPCA, решающий задачу коэффициента Рэлея в пространстве коэффициентов базисных функций для анализа функциональных данных. Предложенный математический аппарат позволяет объединить разрозненные подходы пространственного и функционального анализа в единую концептуальную структуру. Практическая значимость методов продемонстрирована на реальных биомедицинских данных из области геномики. В частности, алгоритмы успешно применены для анализа экспрессии генов при раковых заболеваниях и изучения иммунного ответа на вакцинацию, что подтверждает их эффективность в поиске биологически значимых сигналов на фоне высокого уровня шума.

В данном исследовании рассматривается проблема систематических ошибок в транскриптомных данных, вызванных технической гетерогенностью и популяционной стратификацией. Авторы предложили гипотезу о том, что одновременное использование суррогатных переменных (SV) для коррекции экспрессии и главных компонент (PC) на основе генотипа обеспечит более точные результаты, чем использование каждого метода по отдельности. Исследование проводилось на двух независимых наборах данных РНК-секвенирования пациентов с боковым амиотрофическим склерозом (БАС): KCLBB (148 участников) и ALS Consortium (307 участников). Результаты показали, что комбинированная модель (SV+PC) значительно превосходит остальные подходы: индекс сходства Жаккара (воспроизводимость) вырос с 2,28% до 19,5%, а биологическая точность (recall) при поиске известных генов БАС увеличилась вдвое по сравнению с использованием только SV. Исследование доказывает, что совмещение методов позволяет расширить транскриптомный сигнал без потери стабильности величины эффекта. Авторы рекомендуют внедрение этого комбинированного подхода в стандартную практику анализа данных, особенно когда доступны сопоставленные генотипические данные.

В статье представлен Locat — новый вычислительный фреймворк, предназначенный для повышения точности идентификации маркерных генов в данных транскриптомики единичных клеток (scRNA-seq). В отличие от существующих методов, которые фокусируются только на обогащении генов в целевых популяциях, Locat одновременно оценивает и значительное снижение экспрессии генов за пределами этих популяций (деплецию). Методология основана на использовании взвешенных гауссовых смешанных моделей для моделирования плотности экспрессии генов и фонового шума, что позволяет вычислять единый показатель локализации. Тестирование на синтетических и биологических данных (включая дерму мыши и PBMC человека) показало, что Locat эффективно выявляет компактные наборы генов, отражающие линии дифференцировки и временную динамику регуляции. Использование таких локализованных наборов генов позволяет строить эмбеддинги, которые лучше сохраняют разделение клеточных популяций и траектории развития, чем стандартные методы отбора высокоизменчивых генов. Важным преимуществом является способность метода выявлять стимул-зависимые программы (например, при воздействии интерферона-бета) без необходимости предварительной коррекции батч-эффектов или интеграции данных.

В статье представлен ARACRA — инновационный полностью автоматизированный конвейер (pipeline) для анализа данных РНК-секвенирования, предназначенный для упрощения процесса биоинформатической обработки. Система охватывает весь рабочий процесс: от обработки необработанных FASTQ-файлов до определения транскриптомной точки отсчета (tPoD) с использованием механизма контроля «человек в цикле» (human-in-the-loop). Процесс разделен на два ключевых этапа: первый включает контроль качества, выравнивание на референсный геном и квантификацию экспрессии генов, а второй — статистический анализ дифференциальной экспрессии и моделирование зависимости «доза-эффект». Инструмент реализован в виде интерактивного веб-приложения на базе Nextflow и Streamlit, что значительно снижает вычислительную сложность для биологов. ARACRA позволяет исследователям проводить сквозной анализ, визуально инспектировать данные для фильтрации шума и выбросов, а также использовать собственные наборы данных. Программное обеспечение доступно бесплатно под лицензией MIT на GitHub, что делает его ценным ресурсом для токсикологии и оценки рисков.

В исследовании представлен Germline VCF Annotator — специализированный двухэтапный рабочий процесс, разработанный для упрощения анализа герминальных вариантов, представленных в формате VCF. Инструмент решает проблему сложности прямого анализа VCF-файлов человеком и рисков искажения данных при импорте в таблицы. Методология включает нормализацию файлов, использование адаптивного Ensembl VEP для генерации стандартизированных аннотаций и извлечение метрик качества прочтений для присвоения классов контроля качества (QC) на основе правил. В качестве тестового набора данных использовался когортный анализ полногеномного секвенирования крипт толстой кишки, направленный на изучение локусов ответа на повреждение ДНК (DDR). Результаты показали почти идеальную согласованность данных внутри пациентов при техническом повторении после фильтрации немолчащих SNV с глубиной прочтения [≥] 15. Исследование также подтвердило отсутствие возрастной зависимости нагрузки DDR в исследуемых образцах. Разработанный пайплайн может быть масштабирован на любые наборы генов, требующие человекочитаемых сводок с сохранением доказательств аллельного происхождения.

В исследовании представлен MAG-E (MAG pipeline Evaluator) — новый универсальный и расширяемый фреймворк для сквозной оценки процессов создания метагеномно-собранных геномов (MAG). Методология базируется на использовании симуляций, адаптированных под конкретные экосистемы, что позволяет получить «ground truth» для точного бенчмаркинга этапов сборки, биннинга и контроля качества. В ходе тестирования на данных микробиома кишечника человека авторы сравнили два ассемблера, шесть алгоритмов биннинга и три метода контроля качества. Результаты показали, что metaSPAdes превосходит MEGAHIT по полноте (recall), а алгоритм COMEBin демонстрирует лучшую общую производительность, хотя SemiBin2 обеспечивает более высокую точность (precision). Исследование выявило критическую проблему: CheckM2 систематически завышает полноту и занижает уровень контаминации, что частично исправляется использованием GUNC. Также обнаружено, что алгоритмы биннинга плохо справляются с профагами и общими контигами, что указывает на необходимость дальнейшего развития биоинформатических инструментов для анализа микробиома.

Исследователи представили ClumPyCells — новый статистический фреймворк для анализа пространственной организации клеток в тканях с коррекцией на морфологические различия. Ключевая проблема, которую решает инструмент: различия в размерах клеток вводят значительные смещения при количественной оценке агрегации клеток или их молекулярных признаков, что может приводить к ошибочным интерпретациям данных пространственной транскриптомики и протеомики. Методология включает алгоритмы, позволяющие измерять агрегацию клеток и маркеров в ткани, одновременно корректируя влияние размера морфологии и исключая мешающие типы клеток или не связанные с исследованием области ткани. Валидация проводилась на нескольких типах опухолей, включая меланому и колоректальный рак, демонстрируя способность инструмента выявлять новые паттерны и структуры ткани без морфологических помех. Это имеет практическое значение для онкологических исследований, где точное понимание пространственной организации клеток критично для понимания развития опухоли, гомеостаза и патогенеза заболеваний. Инструмент позволяет исследователям интерпретировать пространственную агрегацию, обходя помехи от интерферирующих типов клеток.

Исследование оценивает применение LLM для анализа структурированных клинических данных, показывая, что LLM-эмбеддинги могут сохранять структурную целостность клинических наборов данных и улучшать предиктивное моделирование. Тестирование на синтетических и реальных клинических данных (база UCI, пациенты с эндокардитом) продемонстрировало высокую точность (cosine similarity до 0.95) и улучшенные предиктивные характеристики.