биоинформатика

В исследовании представлен инновационный метод реконструкции генных регуляторных сетей (GRN) на основе данных секвенирования РНК единичных клеток (scRNA-seq). Авторы разработали архитектуру двухканальной графовой нейронной сети (GCN) с общим весом, которая позволяет эффективно объединять априорные знания о регуляции с паттернами коэкспрессии генов, устраняя ограничения существующих методов. Предложенный вычислительный фреймворк интегрирует профили дифференциальной экспрессии генов и изменения регуляции для точного определения ключевых регуляторов, определяющих различные состояния клеток. Экспериментальные тесты подтвердили, что новый алгоритм значительно превосходит современные аналоги (state-of-the-art) по точности предсказания и демонстрирует высокую устойчивость к шуму и пропущенным данным. Применение метода на двух наборах данных scRNA-seq показало его эффективность в выявлении ключевых регуляторов, ответственных за метастазирование опухолей и развитие лекарственной устойчивости. Данная разработка открывает новые возможности для понимания молекулярных механизмов патологических процессов на клеточном уровне.

Исследование представляет Metadata Collector — специализированную веб-платформу (стек React/API/PostgreSQL), разработанную для решения проблемы хаотичного управления метаданными в проектах секвенирования следующего поколения (NGS). В рамках крупного немецкого исследовательского консорциума платформа была развернута в кластере Kubernetes для обеспечения соответствия принципам FAIR (находимость, доступность, совместимость и возможность повторного использования). Методология включает использование гибких машиночитаемых моделей данных, контролируемых словарей и системы версионирования на основе событий. В ходе эксплуатации система была применена в 32 проектах, охватывающих данные RNA-seq, scRNA-seq, ATAC-seq и мультиомные наборы, обеспечив аннотацию более 700 образцов от различных партнеров. Результаты демонстрируют, что внедрение платформы позволяет автоматизировать сбор данных и минимизировать ошибки ручного ввода, характерные для использования электронных таблиц. Инструмент имеет высокую значимость для организации биомедицинских исследований, так как позволяет интегрировать стандартизированные метаданные в существующие инфраструктуры управления данными и будущие конвейеры автоматизированной подачи в публичные репозитории.

В исследовании представлен новый метод оптимизации работы с белковыми языковыми моделями (PLM), которые генерируют объемные многослойные эмбеддинги, создающие высокую нагрузку на системы хранения и вычисления. Авторы предлагают использовать компактное суррогатное представление, основанное на проекциях PCA низкой размерности и кубических полиномиальных траекториях для описания изменений эмбеддингов между слоями трансформера. Данный подход позволяет восстанавливать эмбеддинги любого слоя «на лету» без необходимости повторного запуска ресурсоемкой модели. Эффективность метода была протестирована на моделях ESM-35M и ESM-3B в задачах предсказания белок-белковых взаимодействий и субклеточной локализации. Результаты показывают высокую точность реконструкции при значительном снижении требований к памяти и вычислительным мощностям. Важно, что использование сжатых данных не приводит к потере качества в прикладных задачах, что делает метод масштабируемым решением для биоинформатики и разработки новых лекарств.

В исследовании представлен VitaGRN — новый мультимодальный биофизический фреймворк, предназначенный для моделирования генных регуляторных сетей (GRN) через призму физических механизмов, а не просто статистической коэкспрессии. В отличие от существующих методов, VitaGRN использует структурно выровненные белковые эмбеддинги, что позволяет учитывать неканнонические регуляторы, не обладающие классическими мотивами связывания с ДНК. Модель демонстрирует способность к zero-shot прогнозированию ответов на пертурбации, обеспечивая высокую обобщающую способность на ранее не встречавшихся факторах, типах клеток и этапах развития. В результате работы был создан виртуальный атлас пертурбаций с калиброванной уверенностью, охватывающий более 1000 факторов. Данный инструмент позволяет трансформировать статические корреляционные графы в динамические и прозрачные модели, что критически важно для приоритизации кандидатов перед проведением дорогостоящих экспериментов в «мокрой» лаборатории. Применение подобных ИИ-моделей в системной биологии открывает новые пути для персонализированной медицины и разработки таргетной терапии.

Исследование представляет TRACEY — обновленную биоинформатическую платформу, предназначенную для точной аннотации доменов белков SNARE, которые играют ключевую роль в процессах мембранного слияния, экзоцитоза и аутофагии. Авторы разработали нередундантную базу данных, включающую 18 915 курируемых белков SNARE, охватывающих 1 188 видов эукариот. В рамках обновления был создан консолидированный набор из 83 профилей скрытых марковских моделей (HMM), включая 43 модели для новых, ранее не определенных подгрупп, построенных с помощью итеративного метода смешанных моделей. Результаты тестирования показали, что как минимум 75% последовательностей в перекрывающихся группах получили более высокие оценки при использовании новых HMM по сравнению с устаревшими моделями, что подтверждает системное улучшение точности детекции доменов. Обновленный веб-интерфейс теперь поддерживает многопараметрические запросы, экспорт в формате FASTA и прямой сканирование пользовательских последовательностей. Инструмент представляет высокую ценность для фундаментальных молекулярных исследований и биоинформатического анализа клеточных процессов.

В исследовании представлена CLASPP — инновационная унифицированная модель глубокого обучения, предназначенная для одновременного предсказания различных типов посттрансляционных модификаций (PTM) на основе первичной аминокислотной последовательности белка. Основная проблема существующих методов — фрагментация и дисбаланс данных между редкими и распространенными типами модификаций — решается с помощью стратегии контрастного обучения (contrastive learning) и метода недосэмплирования на основе обучения без учителя. Модель использует предобученную языковую модель белка для извлечения структурных и последовательных признаков, что позволяет ей эффективно работать с 12 основными типами PTM. Результаты тестирования подтверждают, что CLASPP превосходит существующие инструменты по точности предсказания во многих биологических организмах. В качестве проверки применимости модели авторы экспериментально подтвердили сайты убиквитинирования в малоизученной киназе DCLK3. Исследование также предлагает стандартизированный набор данных и иерархическую организацию данных, что значительно улучшает репрезентативность редких модификаций и открывает новые возможности для функциональной протеомики.

Исследование представляет scFAIR — новый консорциум, созданный для решения проблем доступности и воспроизводимости данных секвенирования РНК единичных клеток (scRNA-seq). Авторы разработали единую схему метаданных и систему кураторства, расширяющую возможности платформы CZ CELLxGENE Discover, что позволяет включать более богатый биологический контекст и структурировать описание вычислительных рабочих процессов. Центральным элементом проекта стал портал sc-fair.org, который на данный момент агрегирует 2 346 наборов данных из различных децентрализованных ресурсов с использованием семантического поиска на основе онтологий. Практическая значимость метода подтверждена кросс-видовой валидацией между атласами мозга человека и мыши (Allen Brain Atlases): использование стандартизированных аннотаций позволило переносить метки типов клеток между видами с точностью до 90% для нейрональных кластеров. Внедрение scFAIR обеспечивает фундамент для крупномасштабной интеграции данных и автоматизированного анализа в биомедицинских исследованиях.

В исследовании рассматривается проблема низкой воспроизводимости и сложности проектирования праймеров для метода петлевой изотермической амплификации (LAMP), который является ключевым для портативной диагностики. Авторы разработали и протестировали модели машинного обучения для прогнозирования успеха создания диагностических наборов, используя набор данных из 109 отобранных пар праймеров (включая как успешные, так и неудачные примеры). В ходе работы с помощью алгоритмов WEKA (деревья решений и байесовское обучение) были выявлены критические термодинамические характеристики компонентов F1c и B1c, определяющие эффективность теста. Модель NaiveBayes показала высокую эффективность, достигнув показателя истинно положительных результатов (TP) 0.90 (+/- 0.02) и F-меры 0.91 (+/- 0.01). Работа демонстрирует возможность создания практических прогностических моделей даже на небольших и несбалансированных выборках данных, включая отрицательные результаты исследований. Это имеет критическое значение для оптимизации процесса разработки диагностических систем 'в поле' и снижения затрат на лабораторные испытания.

Представлено новое программное обеспечение Ontologizer 3 — десктопное приложение для проведения анализа сверхпредставленности терминов Gene Ontology (GO). Инструмент предлагает два дополняющих друг друга метода: частотный подход на основе одностороннего точного теста Фишера и байесовский подход с использованием анализа наборов генов на основе моделей (MGSA). Исследование показало, что из-за иерархической структуры GO термины сильно пересекаются, что приводит к различиям в результатах: частотный метод выдает длинные списки дублирующихся терминов, в то время как MGSA формирует лаконичный набор наиболее значимых категорий. Тестирование на симулированных данных с известной истинной базой подтвердило, что оба метода способны идентифицировать причинно-следственные термины, однако байесовский метод (MGSA) демонстрирует существенно более высокую точность (precision). Приложение реализовано на стеке Tauri с бэкендом на Rust и фронтендом на Angular, обеспечивая кроссплатформенную совместимость с Windows, macOS и Linux. Программный продукт распространяется по лицензии MIT и доступен бесплатно через GitHub.

В исследовании представлен инновационный метод построения пангеномов, основанный на использовании эмбеддингов белковых языковых моделей (Protein Language Models). В отличие от традиционных методов, опирающихся на выравнивание нуклеотидных или белковых последовательностей, данный подход позволяет выявлять отдаленные ортологи и семантические связи, выходящие за рамки простого сходства последовательностей. Методология включает поиск ближайших соседей с использованием GPU-ускорения, динамическую пакетную обработку и оптимизацию ONNX, что обеспечивает линейную масштабируемость при анализе миллионов белков. Сравнительный анализ с инструментом SCARAP показал, что новый метод формирует более специфичные кластеры. При тестировании на наборе данных CAFA5, содержащем экспериментально подтвержденные данные, предложенный подход значительно превзошел SCARAP по всем метрикам функциональной согласованности и когерентности. Практическая значимость подтверждена успешной характеристикой пангенома 1034 геномов Streptomyces. Разработчики предоставили открытый исходный код на GitHub для масштабирования биоинформатических исследований.

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 данной научной работе представлена инновационная скоринговая функция GMI-Score, предназначенная для высокоточного прогнозирования аффинности связывания в процессе рационального дизайна лекарств. Авторы разработали метод моделирования многоуровневых взаимодействий на основе графовых представлений, которые учитывают как парные, так и тройные атомные признаки для фиксации кооперативных пространственных паттернов. Использование стратегии слияния признаков (feature fusion) позволило повысить точность модели, сохранив при этом её вычислительную эффективность. В ходе масштабного тестирования на наборах данных PDBbind (версии 2013, 2016, 2020), CSAR-NRC-HiQ и PDBbind-Redocked, модель продемонстрировала превосходство над существующими SOTA-решениями, достигнув коэффициента корреляции Пирсона до 0,877. Исследование подтвердило высокую устойчивость и обобщающую способность алгоритма даже в условиях строгого контроля утечки данных и при реалистичных сценариях докинга. Данная разработка имеет критическое значение для ускорения разработки новых фармацевтических препаратов с помощью ИИ.

Исследователи представили GLOF (Gain and Loss Of Function) — первый масштабный и экспертно проверенный набор данных, предназначенный для обучения и тестирования моделей ИИ в задачах классификации функциональных эффектов миссенс-вариантов. Датасет включает 112 399 миссенс-вариантов, охватывающих 2 809 человеческих генов, которые были классифицированы как LOF (потеря функции), GOF (приобретение функции) или нейтральные. Классификацию проводили сертифицированные клинические генетики в соответствии с международными рекомендациями ACMG. Для формирования выборки использовались данные ClinVar, аннотированные на основе функциональных исследований, а нейтральные варианты были отобраны из gnomAD v3.1 с последующей валидацией по версии v4.1. Особую ценность представляет наличие 97 генов с двунаправленными механизмами (содержащих как LOF, так и GOF варианты), что позволяет моделям машинного обучения более точно различать типы патогенности. Данный ресурс критически важен для разработки предиктивных алгоритмов в геномике, способных предсказывать механизмы заболеваний и помогать в выборе стратегий таргетной терапии.

Исследователи представили инновационный алгоритм KM-GPT-DCH, предназначенный для автоматизированного сравнения и оценки конкурирующих биомедицинских гипотез. Метод объединяет анализ совместной встречаемости терминов (co-occurrence) с возможностями больших языковых моделей (LLM) и использует байесовские методы для оценки уровня статистической уверенности. В ходе тестирования на исторических данных алгоритм продемонстрировал способность определять верную гипотезу с высокой степенью уверенности за несколько лет до того, как это было сделано научным сообществом. Авторы применили инструмент к 20 парам неразрешенных на данный момент противоречивых гипотез, предоставив вектор для будущих исследований. Практическая значимость метода заключается в возможности объективного анализа таких вопросов, как этиология депрессии (дефицит моноаминов против воспалительных процессов). Для широкого доступа реализована веб-версия алгоритма на платформе skim.morgridge.org, позволяющая визуализировать научные тренды.

В исследовании представлен новый биоинформатический метод BootDA, предназначенный для точного определения дифференциальной распространенности (DA) таксонов микробиома. Авторы решают критическую проблему искажения данных, вызванную четырьмя факторами: потерей общей микробной нагрузки, различиями в эффективности измерения таксонов, необходимостью использования псевдоподсчетов для обработки нулевых значений и загрязнением образцов. В отличие от существующих методов (ANCOM-BC2, LinDA, MaAsLin 3), BootDA использует непараметрический бутстреп, что позволяет моделировать все источники смещения без предварительных трансформаций данных. Тестирование на симуляциях с высокой разреженностью (>70% нулей) показало, что BootDA обладает наивысшей чувствительностью при строгом контроле частоты ложноположительных результатов. Метод сохраняет эффективность даже в условиях низкой биомассы, когда загрязнение составляет около 50% от общего числа подсчетов. При применении к когорте пациентов с ишемической болезнью сердца (CAD) метод позволил уточнить патологический профиль, выделив два обогащенных рода — Klebsiella и Gemmiger, и исключив вероятные контаминанты. Инструмент доступен в виде R-пакета и применим для любых разреженных многомерных биологических данных.

Исследование посвящено решению проблемы фрагментации и несогласованности аннотаций ферментов суперсемейства цитохрома P450 (CYP) в структурных репозиториях. Авторы разработали инновационный рабочий процесс, сочетающий поиск по ключевым словам, скрытые марковские модели (HMM) и структурное выравнивание для надежного обнаружения и верификации белков. В ходе работы было идентифицировано 1 513 депозитов, представляющих 674 уникальные последовательности, которые прошли повторную аннотацию через сервер P450Atlas и ручную проверку. В результате исследования было обнаружено пять новых подсемейств CYP. Созданный набор данных представляет собой первый строго курируемый реестр ферментов P450, интегрированный в общедоступный ресурс с поддержкой автоматизированного конвейера для сканирования новых поступлений. Данная методология критически важна для фармакологии и биотехнологии, так как обеспечивает точный поиск и стандартизированную номенклатуру для крупномасштабного анализа структурных данных.

Исследователи создали крупнейший на сегодняшний день транскриптомный атлас единичных клеток макаки-крабоеда (Macaca fascicularis), объединив данные 30 публичных исследований, охватывающих 57 анатомических областей и 43 органа. В основе работы лежит инновационный метод кросс-видовой аннотации с использованием универсальных эмбеддингов клеток (UCE), который позволяет сопоставлять клетки обезьян с человеческим референсным набором данных Tabula Sapiens V2 в едином пространстве. Итоговый атлас включает более 2,5 миллионов высококачественных клеток и демонстрирует высокую степень соответствия паттернов экспрессии генов между человеком и макаками. Этот ресурс позволяет проводить высокоточное сравнение экспрессии мишеней, что критически важно для оценки токсичности биопрепаратов и разработки антитело-конъюгатов (ADC). Использование данного атласа помогает глубже понять механизмы побочных эффектов, таких как офтальмологическая токсичность, и выявлять видоспецифичные особенности иммунных клеток. Внедрение этой вычислительной платформы способствует переходу к более точным методам доклинических исследований, снижая необходимость в избыточном использовании приматов за счет более обоснованного дизайна экспериментов.

Исследователи представили RiboBA — инновационную вероятностную платформу, предназначенную для повышения точности идентификации нетрадиционных открытых рамок считывания (ncORF) методом профилирования рибосом (Ribo-seq). Основная проблема текущих методов заключается в систематических ошибках (biases), возникающих при подготовке библиотек, которые искажают сигналы фрагментов, защищенных рибосомами (RPF). RiboBA решает эту задачу с помощью двухкомпонентной архитектуры: генеративного модуля для восстановления параметров смещения и кодон-уровневой занятости рибосом, а также модуля обучения с учителем для точного определения сайтов инициации трансляции. Тестирование на различных наборах данных, включая библиотеки RNase I, MNase и nuclease P1, показало превосходную чувствительность и точность по сравнению с существующими алгоритмами. В частности, метод эффективно работает с библиотеками RNase I, где наблюдается ослабленная трехнуклеотидная периодичность. В ходе прикладного исследования на Drosophila с помощью RiboBA были выявлены консервативные ncORF, включая апстрим-трансляцию генов ThrRS и Mettl2, что указывает на существование потенциальной оси трансляционного контроля, специфичной для треонина.

В статье представлен SNMF (Spatial Non-negative Matrix Factorization) — новый метод деконволюции для пространственной транскриптомики, решающий проблему смешивания нескольких типов клеток в одной «точке» (spot). В отличие от существующих подходов, SNMF является безреференсным методом, что исключает необходимость в предварительно сопоставленных данных секвенирования РНК единичных клеток (scRNA-seq). Авторы интегрировали в стандартную модель NMF матрицу пространственного смешивания, которая учитывает влияние соседних участков ткани для достижения биологически согласованных результатов. Ключевым преимуществом является поддержка GPU-вычислений, что позволяет методу работать на два порядка быстрее конкурентов, завершая бенчмарки менее чем за одну минуту. Тестирование на синтетических и реальных данных, включая образцы меланомы человека, показало значительное превосходство SNMF в точности определения типов клеток. В частности, алгоритм успешно идентифицировал биологически значимые сигнатуры, такие как переходная зона на границе опухоли, без использования эталонных данных. Инструмент реализован в виде R-пакета и доступен в открытом доступе.