биоинформатика

В исследовании представлен FLASH — инновационный интерпретируемый фреймворк на базе глубокого обучения, который работает напрямую с необработанными данными секвенирования. В отличие от традиционных GWAS, FLASH способен предсказывать фенотипы для генетических вариантов, которые не встречались в процессе обучения, и эффективно интегрировать структурные вариации. Тестирование на более чем 35 000 изолятов бактерий, грибков и вирусов показало, что метод достигает высокой точности, сопоставимой или превосходящей существующие специализированные решения (SOTA). Алгоритм позволяет идентифицировать канонические мишени для лекарственных препаратов ab initio и находить новые пан-видовые предикторы вирулентности, даже если они не аннотированы в базах данных NCBI. Особую значимость представляет способность FLASH предсказывать такие сложные характеристики, как диапазон хозяев бактериофагов, что ранее считалось невозможным методами GWAS. Данная технология открывает новые горизонты в прогнозировании функций генов и фенотипов во всем древе жизни, особенно в условиях ограничений биоэтики и высокой генетической сложности патогенов.

В исследовании представлен MitoChontrol — новый вероятностный фреймворк, предназначенный для интеллектуального контроля качества данных секвенирования РНК единичных клеток (scRNA-seq). Традиционные методы используют фиксированные пороги процента митохондриальных транскриптов, что часто приводит к ошибочному удалению здоровых, но метаболически активных клеток, или сохранению поврежденных образцов. Авторы предлагают моделировать долю митохондриальных транскриптов внутри транскрипционно когерентных кластеров с помощью распределения гауссовых смесей. Это позволяет определять пороги фильтрации на основе апостериорной вероятности повреждения клетки, учитывая специфику конкретного типа ткани. Тестирование на данных аденокарциномы протоков поджелудочной железы и контролируемых экспериментах показало, что MitoChontrol превосходит стандартные методы по точности селекции. Метод эффективно удаляет деградировавшие клетки, сохраняя при этом биологически значимые популяции с повышенным содержанием митохондриальной РНК, что критически важно для точного анализа сложных патологий.

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.

Исследователи представили ProMaya — инновационную иерархическую многомасштабную архитектуру на базе Graph-transformer, предназначенную для идентификации белок-белковых взаимодействий (PPI). В отличие от существующих методов, ProMaya интегрирует комплексные данные: 3D-атомную геометрию, распределение электронной плотности, структуру и неупорядоченность остатков, а также сигнатуры поверхностной плотности массы и эмбеддинги из больших языковых моделей белков. В ходе масштабного тестирования на данных девяти различных видов и 47 ГБ экспериментально подтвержденных данных, система продемонстрировала среднюю точность выше 95%. Это на 12% превосходит показатели современных аналогов (SOTA). Особая значимость работы заключается в высокой интерпретируемости модели, которая использует атомную и языковую информацию для повышения точности поиска взаимодействий в любых биологических видах. Разработка ProMaya позволяет значительно сократить расходы на дорогостоящие лабораторные эксперименты за счет высокоточного компьютерного моделирования. Система доступна бесплатно для научного сообщества.

В исследовании представлен инновационный метод анализа геномных последовательностей, основанный на использовании кватернионного преобразования Фурье. Авторы предлагают кодировать четыре нуклеотида (A, T, G, C) в виде кватернионного сигнала, что позволяет вычислять полный спектр всего за два стандартных комплексных FFT, обеспечивая инвариантность к циклическим сдвигам и реверс-комплементарности ДНК. Разработанный фреймворк включает инструменты для построения геномных спектрограмм и алгоритм обнаружения вариантов с вычислительной сложностью O(N log N). Эксперименты на 18 геномах различных доменов жизни (бактерии, археи, эукариоты) показали 100% точность обнаружения спиральной периодичности ДНК, которую не фиксируют стандартные методы. При тестировании на хромосоме 21 человека (46,7 Мб) система успешно идентифицировала позиционирование нуклеосом и повторы Alu за считанные секунды. Метод продемонстрировал 100% точность сопоставления чтений в эксперименте по обнаружению вариантов и показал высокую статистическую значимость (p < 0.001) при дифференциации SNP от ошибок секвенирования. Благодаря GPU-ускорению, полный анализ человеческого генома занимает всего около 3–4 секунд, что делает метод крайне перспективным для высокопроизводительной биоинформатики и клинической диагностики.

Исследование посвящено решению критической проблемы машинного обучения в прецизионной онкологии: неоднородному качеству прогнозов и «скрытым ошибкам» моделей при изменении распределения данных. Авторы провели бенчмаркинг семи моделей, учитывающих неопределенность, сравнивая эпистемическую неопределенность (через ансамбли) и алеаторную неопределенность (через моделирование распределений). Результаты показали, что ансамбли гауссовских нейронных сетей эффективно выявляют данные, выходящие за рамки обучающей выборки (out-of-distribution). Применение фильтрации по 10% наиболее уверенных прогнозов позволило снизить среднюю квадратичную ошибку (MSE) на 64%. Кроме того, авторы выявили транскриптомные сигнатуры непредсказуемости, определив конкретные гены, связанные с неопределенностью прогноза. Работа также демонстрирует потенциал активного обучения (active learning) под руководством оценки неопределенности для приоритизации наиболее информативных экспериментов в разработке лекарств.

Данное исследование посвящено поиску ключевых биомаркеров для прогнозирования выживаемости пациентов с плоскоклеточным раком полости рта (OSCC), что является критически важной задачей из-за сложности ранней диагностики. Авторы использовали биоинформатический подход, проанализировав транскриптомные данные TCGA-HNSC (The Cancer Genome Atlas). В ходе дифференциального экспрессионного анализа были выявлены гены с существенными отклонениями в опухолевых тканях по сравнению с нормой. С помощью построения сети белок-белковых взаимодействий (PPI) в программах STRING и Cytoscape были определены центральные регуляторные узлы (хаб-гены). Ключевыми выявленными генами стали CDK1, CCNB1, TOP2A, BUB1 и MMP9, которые играют важную роль в клеточном цикле и ремоделировании внеклеточного матрикса. Анализ выживаемости подтвердил, что повышенная экспрессия этих генов статистически значимо коррелирует с сокращением общей продолжительности жизни пациентов. Результаты исследования предоставляют новые молекулярные мишени для стратификации рисков и разработки таргетной терапии OSCC.

В данном исследовании рассматриваются подходы к интерпретации экспрессии генов для определения клеточной идентичности и активных молекулярных программ. Авторы фокусируются на микроглии — типе клеток, характеризующемся высокой транскриптомной, функциональной и морфологической гетерогенностью. В работе проводится сравнительный анализ двух методов анализа единичных клеток: дифференциальной экспрессии (для определения идентичности) и анализа сетей коэкспрессии (для выявления молекулярных программ). Результаты показывают, что анализ сетей коэкспрессии позволяет идентифицировать высокозначимые функциональные онтологии, которые не обнаруживаются при стандартном анализе дифференциальной экспрессии. Выявленные модули коэкспрессии сохраняются в различных транскриптомных наборах данных, что указывает на существование сократимых функциональных программ, активирующихся в зависимости от контекста. Исследование обосновывает использование анализа коэкспрессии как наиболее эффективного метода для описания функций микроглии через модель параллельных молекулярных программ.

В исследовании представлен XAttn-DTA — инновационный фреймворк для прогнозирования аффинности взаимодействия лекарства и мишени (DTA), который не требует экспериментально определенных структурных координат белков. Методология объединяет многослойные графовые сети внимания (GAT) для кодирования 2D-молекулярных графов лекарств и использование предсказанных карт контактов ESM2 для построения графов аминокислотных остатков белков. Ключевым элементом является модуль двунаправленного кросс-внимания, который позволяет лигандам и белковым средам взаимно обогащать друг друга в общем латентном пространстве. На бенчмарке Davis модель показала индекс конкордации (CI) 0,907 и MSE 0,175, что на 1,8% выше CI и на 9,3% ниже MSE по сравнению с лучшими аналогами. В тестах на наборе KIBA достигнуто снижение MSE на 13,6% (до 0,121). Особую значимость представляют результаты в условиях «холодного старта» (неизвестные структуры): на наборах Davis, KIBA и BindingDB модель показала снижение MSE до 79,0% и рост CI до 31,5%, что подтверждает её высокую способность к обобщению на новые химические каркасы и семейства белков.

В статье представлен новый статистический метод LOCOM2, разработанный для решения критических проблем анализа данных микробиома, таких как ошибки в контроле уровня ложноположительных результатов (FDR), что способствует кризису воспроизводимости в исследованиях. Авторы предлагают усовершенствованную схему взвешивания, которая устраняет влияние размера библиотек и позволяет работать с данными относительной численности вместо прямых подсчетов чтений. В отличие от своего предшественника LOCOM, новый метод заменяет ресурсоемкие процедуры перестановок тестом Вальда, что значительно повышает вычислительную эффективность при работе с крупномасштабными исследованиями. В ходе масштабного тестирования с использованием симулятора MIDASim и трех шаблонов данных различных участков тела, LOCOM2 продемонстрировал превосходство над современными методами, такими как LinDA, ANCOM-BC2, MaAsLin2 и MaAsLin3. Результаты показали, что LOCOM2 обеспечивает точный контроль FDR во всех сценариях моделирования, в то время как другие методы не справлялись с этой задачей стабильно. Кроме того, метод показал наивысшую чувствительность при обнаружении истинных биологических сигналов, что подтверждается применением алгоритма к трем реальным наборам данных микробиома.

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 представлена инновационная модель DMVHP-IBS, предназначенная для высокоточного прогнозирования взаимодействий между белками вирусов и белками хозяина, а также определения конкретных сайтов их связывания. Методология базируется на динамической интеграции мультимодальных признаков, что позволяет учитывать сложные структурные и функциональные аспекты биомолекул. В отличие от существующих методов, данная модель использует динамический подход к анализу признаков, что значительно повышает точность предсказания в условиях вариативности биологических данных. Ключевым результатом работы является способность системы не только предсказывать факт взаимодействия, но и локализовать участки связывания, что критически важно для разработки таргетных противовирусных препаратов. Практическая значимость исследования заключается в ускорении процесса идентификации потенциальных мишеней для терапии вирусных инфекций, сокращая время на ранних этапах разработки лекарств. Использование ИИ в данном контексте позволяет автоматизировать сложнейшие биоинформатические задачи с высокой степенью достоверности.

В статье представлен PoolParty — новый программный пакет на языке Python, предназначенный для автоматизации и упрощения процесса проектирования сложных библиотек олигонуклеотидных пулов. Разработка решает проблему трудоемкости и высокой вероятности ошибок при создании последовательностей ДНК, которые критически важны для высокопроизводительных анализов и in silico анализа геномных моделей ИИ. Методология основана на использовании вычислительных графов, позволяющих описывать структуру библиотеки всего несколькими строками кода через гибкий API. Пакет включает более 50 встроенных операций, охватывающих мутагенез на уровне нуклеотидов и кодонов, вставку мотивов и генерацию баркодов. Одной из ключевых особенностей является использование «дизайн-карт» (design cards), которые предоставляют детальную документацию о способе генерации каждой конкретной последовательности. Инструмент представляет значительный интерес для исследователей, занимающихся биоинформатикой и обучением нейросетей на генетических данных.

В статье представлен STAnalyzer — инновационная мультиагентная интеллектуальная платформа, предназначенная для автоматизации полного цикла анализа данных пространственной транскриптомики. Разработка решает проблему фрагментированных инструментов и сложности интерпретации многомерных данных, которые часто становятся когнитивным барьером для исследователей. Архитектура системы базируется на трех ключевых принципах: оркестрации на основе намерений (перевод естественного языка в биоинформатические рабочие процессы), мультимодальном самосовершенствовании (автономная проверка через визуальные паттерны и статистические метрики) и кросс-валидации на основе доказательств (сопоставление корреляций с биологическими базами данных). В отличие от существующих LLM-агентов, STAnalyzer преодолевает проблему жесткой логики исполнения и изоляции от биологических знаний, обеспечивая замкнутый цикл самокоррекции. Использование данной платформы позволяет трансформировать массивные пространственные омиксные данные в верифицируемые биологические инсайты, значительно ускоряя процесс выдвижения гипотез и делая высокоразрешающий анализ доступным для широкого круга ученых.

Исследователи представили CompBioBench — новый бенчмарк, состоящий из 100 разнообразных задач, предназначенных для оценки возможностей агентных ИИ-систем в области вычислительной биологии. В отличие от математики, биологические данные характеризуются высокой зашумленностью, поэтому авторы применили уникальную стратегию создания задач: использование синтетических данных и метод перемешивания метаданных реальных датасетов для получения задач с единственным верным ответом. Бенчмарк охватывает такие области, как геномика, транскриптомика, эпигеномика, анализ единичных клеток и машинное обучение, требуя от ИИ многошагового рассуждения, написания кода и использования внешних инструментов. В ходе тестирования ведущие агентные системы продемонстрировали высокие результаты: Codex CLI (на базе GPT 5.4) достиг точности 83%, а Claude Code (Opus 4.6) — 81%. На наиболее сложных задачах показатели составили 59% и 69% соответственно. Данная работа создает важную платформу для измерения прогресса ИИ в биоинформатике и задает стандарты для разработки будущих систем оценки.

Исследователи представили IEKB (Inner Ear Knowledge Base) — первую открытую базу данных, специально разработанную для интеграции разрозненных генетических данных о внутреннем ухе. Платформа была создана с использованием автоматизированного рабочего процесса с поддержкой ИИ-агентов, который сочетает извлечение данных из литературы с экспертной проверкой. В ходе анализа 250 696 записей PubMed база данных аккумулировала 6 051 ассоциацию «ген-фенотип-заболевание» для 2 494 генов и зафиксировала более 4 102 кохлеарных взаимодействий генов. Особое внимание уделено модулю байесовской приоритизации «темной материи», который позволяет ранжировать 243 071 потенциальную ассоциацию для 13 229 генов с высоким показателем точности (AUC-ROC = 0,8603). Система также включает научную сеть из почти 4 000 сущностей и 83 712 связей, извлеченных из литературы. Для удобства пользователей реализован интерфейс IEKB QA, позволяющий задавать вопросы на естественном языке и получать ответы, подкрепленные доказательствами из научных источников. Данный ресурс значительно упрощает поиск новых генетических мишеней и понимание биологических механизмов заболеваний внутреннего уха.

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.

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.