биоинформатика

Исследователи представили gANCHOR — инновационную базовую модель (foundation model) для анализа CAR T-клеточной терапии, использующую иерархический гиперграфовый механизм внимания. В отличие от существующих методов, gANCHOR интегрирует генно-путевые взаимосвязи через биологически обоснованное обучение представлений, что позволяет эффективно переходить от анализа отдельных клеток к прогнозированию клинического ответа пациента. Модель демонстрирует высокую устойчивость к эффекту батч-коррекции и сохраняет биологическую консервативность данных. При тестировании на выборке из 161 пациента, охватывающей пять различных исследований CAR T-клеточной терапии, gANCHOR показала выдающийся результат с F1-score 0,87, превзойдя существующие специализированные модели одноклеточного анализа. Помимо предсказательной способности, архитектура позволила выявить воспроизводимые генные программы, связанные с эффективностью и резистентностью к терапии, что открывает новые возможности для интерпретируемой персонализированной медицины в онкоиммунологии.

В статье представлен SHINE — инновационный вычислительный фреймворк на основе гиперграфов, предназначенный для совместного анализа пространственной экспрессии генов и метаболических сетей. Разработка решает критические проблемы мультиомиксных исследований: пространственное несовпадение данных, разницу в разрешении и сложные взаимодействия между транскриптомом и метаболомом. Методология SHINE использует обучение представлениям (representation learning) для интеграции данных, полученных с одного тканевого среза. В ходе тестирования на моделях болезни Паркинсона у мышей алгоритм успешно выявил области с истощением дофаминергических нейронов и реконструировал оси, связанные с дофамином. При анализе образцов рака легких и молочной железы у человека метод позволил точно сегментировать опухолевые микроокружения и идентифицировать пространственно организованные генно-метаболические программы. Технология демонстрирует высокую масштабируемость и точность в выявлении биомаркеров, что открывает новые возможности для прецизионной диагностики и понимания молекулярных механизмов заболеваний.

В данном исследовании представлен комплексный бенчмарк фундаментальной геномной модели Evo 2 на массиве из 19 429 вирусных геномов из базы RefSeq. Авторы проанализировали способность модели Evo 2 (параметром 20 млрд) улавливать сложную архитектуру вирусных геномов, выходящую за рамки простого нуклеотидного состава. С помощью линейных зондов было установлено, что на оптимальном промежуточном слое модель достигает точности 0.96 в классификации классов по системе Балтимора и 0.99 в определении домена хозяина. Ключевым результатом стало то, что эмбеддинги модели значительно превосходят базовые показатели (6-мерный состав) в декодировании плотности генов (R=0.77), доли кодирующих последовательностей (R=0.61) и перекрытия генов (R=0.64). В задачах генерации фрагментированных геномов модель показала перплексию 1.18 бит/нт для бактериофагов и 1.80 бит/нт для вирусов эукариот. Исследование доказывает, что Evo 2 действительно кодирует функциональную архитектуру вирусных геномов, что открывает новые возможности для биоинформатического анализа и синтетической биологии.

В исследовании представлен новый биоинформатический подход для полногеномного поиска гомологов бактериальных некодирующих РНК (нРНК), который преодолевает ограничения традиционного поиска по сходству последовательностей. Методология объединяет предсказание субоптимальных вторичных структур с использованием алгоритма скользящего окна в межгенных областях (IGR) и анализ геномного синтенного порядка. Важной инновацией стало использование ChatGPT для автоматизации идентификации биологических связей между генами с различными функциональными аннотациями, что позволило уточнить контекст синтенного анализа. В ходе тестирования метода были успешно обнаружены новые гомологи РНК spot42 (ген spf) в геномах Glaciecola и Pseudoalteromonas, а также гены РНК ms1 в геномах Frankia и Bifidobacterium, которые ранее не удавалось идентифицировать стандартными методами. Результаты демонстрируют высокую эффективность интеграции структурных данных и ИИ-ассистированного анализа для расширения понимания регуляторных элементов бактериальных геномов.

В исследовании анализируется эффективность применения различных алгоритмов машинного обучения для рескоринга совпадений пептид-спектров (PSM) в масс-спектрометрической протеомике. Авторы сравнивают стандартные линейные модели (LSVM) с более сложными нелинейными алгоритмами, такими как Random Forest и XGBoost, доступными в инструменте Mokapot. С помощью метода «ловушки» (entrapment approach) было выявлено, что усложнение моделей приводит к росту числа идентифицированных PSM, однако этот прирост является следствием переобучения и смещения в сторону случайных совпадений с целевой базой данных. В частности, для наиболее сложных моделей фактический уровень ложноположительных результатов (entrapment FDR) достиг 6,3%, в то время как расчетный показатель (decoy FDR) составлял всего 1%. Таким образом, чрезмерная сложность моделей создает иллюзию высокой точности и дает неоправданно оптимистичные оценки FDR. Результаты подчеркивают критическую необходимость баланса между сложностью алгоритма и риском переобучения при автоматизированном анализе протеомных данных.

Исследование представляет CurateMake — воспроизводимый рабочий процесс на базе Snakemake, предназначенный для создания, гармонизации и валидации референсных баз данных ITS (Internal Transcribed Spacer) для метабаркодинга. Авторы интегрировали данные из четырех крупнейших репозиториев (UNITE, BOLD, PLANiTS и CALeDNA), используя стандартизацию регионов через ITSx и гармонизацию имен по каталогу Catalogue of Life. В ходе тестирования на 3,58 миллионах последовательностей система расширила базу до 5,19 миллиона записей, эффективно восстанавливая субрегионы ITS1 и ITS2. Ключевым результатом стала высокая точность коррекции ошибок: при уровне искажения данных в 15% CurateMake исправил 42% ошибок, что значительно превосходит показатели использования только гармонизации имен (28%). Метод продемонстрировал снижение энтропии внутри кластеров, что подтверждает улучшение таксономической связности данных. Инструмент обеспечивает прослеживаемость происхождения данных и позволяет проводить аудит аннотаций на разных этапах обработки.

Исследователи разработали REGA (Regulatory Elements Guided Analysis) — интерпретируемую программную платформу, предназначенную для реконструкции генных регуляторных сетей (GRN) на основе данных экспрессии генов. Методология REGA использует справочные каталоги регуляторных элементов (RE) для выявления программ взаимодействия транскрипционных факторов, регуляторных элементов и генов. В ходе тестирования на наборах данных ChIP-seq, Hi-C и eQTL метод показал превосходство над существующими базовыми моделями, даже превосходя алгоритмы, использующие большее количество входных данных. При применении к данным snRNA-seq из проекта PsychENCODE, REGA успешно идентифицировала модули, связанные с заболеваниями, и связала регуляторную дисрегуляцию с генетическими рисками. Кроме того, инструмент продемонстрировал эффективность в пространственной транскриптомике, связывая внутриклеточные регуляторные программы с межклеточной коммуникацией через лиганды и рецепторы. REGA представляет собой масштабируемое решение для глубокого понимания механизмов регуляции генов, что критически важно для поиска новых терапевтических мишеней.

В исследовании представлен инновационный метод сетевого мультиомиксного анализа DrDimont, примененный к транскриптомным, протеомным, фосфопротеомным и киназным данным микрососудистых эндотелиальных клеток легких пациентов с легочной артериальной гипертензией (ЛАГ). Авторы расширили функционал платформы DrDimont, интегрировав взаимодействия киназ-киназ на основе фосфорилирования субстратов, что позволило построить специфичные для состояния биологические сети. В ходе анализа были выявлены ключевые изменения в сигнальных путях, сосредоточенные вокруг киназ семейства MAPK, включая MAPK13, MAP2K и IRAK1, а также специфические белковые маркеры, такие как ACADSB и GPX7. Приоритезация потенциальных лекарственных кандидатов путем картирования мишеней на дифференциальную сеть позволила выделить такролимус (FK506), антинеопластические ингибиторы MAPK (селуметиниб, траметиниб) и агенты, влияющие на митохондриальную транскрипцию ДНК (эпирубицин, топотекан). Результаты демонстрируют, что интеграция активности киназ в объяснимые мультиомиксные сети позволяет находить терапевтические гипотезы, которые невозможно обнаружить при использовании классического анализа дифференциальной экспрессии одиночных слоев данных.

Разработчики представили CasanovoGUI — новое open-source приложение на базе Java, предназначенное для упрощения процесса секвенирования пептидов de novo с помощью глубокого обучения. Проблема текущих методов заключается в сложности использования модели Casanovo, которая требует ручной настройки Python-окружения, конфигурации GPU и управления зависимостями, что часто приводит к ошибкам у лабораторных исследователей. CasanovoGUI решает эту задачу, предоставляя интуитивно понятный интерфейс point-and-click для Windows, macOS и Linux. При первом запуске программа автоматически развертывает изолированную среду Python и устанавливает сборку Casanovo, оптимизированную под имеющееся GPU-оборудование. Приложение не только автоматизирует расчеты, но и интегрирует инструменты визуализации: аннотированные спектры с показателями достоверности для каждого остатка в просмотрщике PDV, а также функционал сопоставления пептидов с референсным протеомом. Это значительно снижает порог вхождения для биохимиков и ускоряет интерпретацию результатов масс-спектрометрии.

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 статье представлено обновление BioMetAll v2.0 — специализированного инструмента на базе глубокого обучения для предсказания локализации мест связывания металлов в белковых структурах. Основное отличие новой версии заключается в переходе от модели, основанной исключительно на предорганизации остова (backbone), к комплексному подходу, включающему специфические скоринговые функции для различных металлов. Разработчики внедрили возможность использования дескрипторов первой координационной сферы и боковых цепей, что позволяет проводить дифференциацию между различными металлическими ионами. Исследование сравнивает эффективность предсказания на основе только геометрии остова белков и комбинированного метода с учетом координационной сферы. Результаты бенчмаркинга подтвердили значительное повышение точности и чувствительности модели к конкретным видам металлов. Данная разработка имеет высокую значимость для структурной биологии и биотехнологии, позволяя точнее моделировать функции металлопротеинов.

Исследование посвящено изучению направленности трансфера знаний между моделями естественного языка (LLM) и биологическими фундаментальными моделями (например, ESM-2, ProtBERT). Авторы проверяют гипотезу о симметричности переноса структурных закономерностей, сравнивая перенос из языка в биологию и наоборот. В ходе экспериментов было установлено, что перенос знаний является асимметричным: языковые модели демонстрируют высокую эффективность при переходе к задачам распознавания гомологии белков (off-domain drop всего 0.08), в то время как биологические модели показывают слабую способность к адаптации под задачи языка (drop 0.36). Исследование показало, что масштабирование моделей не устраняет этот разрыв, а лишь увеличивает его: при росте параметров перенос из языка в биологию усиливается, тогда как обратный процесс стремится к случайным результатам. Результаты работы раскрывают фундаментальную направленность обучения моделей и доказывают, что общие структурные регулярности последовательностей не гарантируют симметричного переноса представлений. Данное открытие критически важно для разработки будущих мультимодальных моделей в биомедицине.

В исследовании представлен первый систематический бенчмарк двенадцати различных стратегий квантового кодирования данных, реализованный на реальном 20-кубитном сверхпроводниковом квантовом процессоре (QPU) IQM Garnet. Целью работы является повышение точности прогнозирования ответа клеток на лекарственные препараты (параметр IC50) с использованием квантового машинного обучения. Методология включала использование 50 стратифицированных выборок из масштабного набора данных GDSC2 (содержащего более 242 000 пар «препарат-клеточная линия») и оптимизацию весов с помощью алгоритма COBYLA. Результаты показали, что кодирование, вдохновленное алгоритмом QAOA, продемонстрировало наилучший показатель среднеквадратичной ошибки (RMSE) на уровне 3.314, что статистически значимо (p < 0.05) превосходит шесть других методов. Исследование выявило, что структуры запутанности, эффективные с точки зрения аппаратного обеспечения (чередующиеся слои стоимости и смесителя), обеспечивают преимущество над чисто ротационными или диагональными кодированиями в условиях реального шума. Данная работа создает воспроизводимую базу для применения квантового машинного обучения в фармацевтике и персонализированной медицине.

В данном исследовании проводится критический анализ возможностей модели AlphaFold3 (AF3), которая перешла от предсказания одиночных белков к моделированию сложных биомолекулярных ансамблей на основе полноатомного фреймворка. Авторы оценивают эффективность AF3 в таких ключевых задачах, как предсказание структур убиквитинированных белков, распознавание комплексов TCR-эпитоп, взаимодействие антител с антигенами, а также белок-РНК и белок-липидные взаимодействия. Результаты показывают неоднородную производительность модели: в то время как в одних сценариях AF3 демонстрирует высокие результаты, в задачах предсказания РНК-мишеней уверенность модели (confidence) не позволяет эффективно отличить реальные партнеры взаимодействия от ложных (decoy). Исследование выявило серьезную проблему зависимости точности от наличия схожих комплексов в обучающей выборке, что ставит под сомнение обобщающую способность модели по сравнению с AlphaFold2. Сделан вывод, что AF3 является мощным инструментом для генерации гипотез, однако её предсказания и метрики уверенности требуют крайне осторожной интерпретации в зависимости от конкретной биологической области и перекрытия с обучающим набором данных.

Разработан комплексный программный инструментарий amR на языке R, предназначенный для прогнозирования антимикробной резистентности (AMR) на основе геномных данных. Пакет состоит из трех модулей: amRdata для автоматизированного сбора геномов и данных о чувствительности из базы BV-BRC, amRml для обучения интерпретируемых моделей машинного обучения и amRviz для интерактивной визуализации через Shiny-дашборды. Методология включает извлечение признаков на различных уровнях: от генных кластеров и доменов белков до структурных вариантов, используя эффективные форматы хранения Parquet и DuckDB. В ходе тестирования на патогене Shigella sonnei система показала высокую точность, достигнув медианного коэффициента корреляции Мэтьюса (MCC) 0,89 для 23 различных препаратов и классов антибиотиков. Инструментарий позволяет преодолеть проблему «черного ящика» в ИИ, предоставляя исследователям возможность интерпретировать механизмы резистентности и выявлять важные биомаркеры. Проект доступен в открытом доступе через GitHub под лицензией BSD-3-Clause.

В исследовании представлен вычислительный подход к выявлению транскрипционных факторов, управляющих переходами состояний микроглии при болезни Альцгеймера (БА). Используя анализ 236 002 ядер микроглии от 84 доноров из атласа SEA-AD, авторы применили методы траекторного анализа (PAGA) и построения генных регуляторных сетей (pySCENIC). Ключевым результатом стало выделение транскрипционного фактора IKZF1 как критического регулятора в поздних стадиях заболевания (LateAD-DAM), что подтверждено независимой репликацией на когорте GSE95587 (p = 0.004). С помощью анализа CellChat была определена сигнальная дорожка SLIT2[->]ROBO2 от нейронов к микроглии как ведущая. В рамках виртуального скрининга 1 962 одобренных лекарственных препаратов были выделены тафамидис и дифлунисал как потенциальные кандидаты для репозиционирования, однако их точность требует дальнейшей экспериментальной проверки. Работа демонстрирует мощный потенциал применения методов машинного обучения и биоинформатики для поиска новых терапевтических мишеней в нейродегенеративных процессах.

Исследование представляет EcoXAI — инновационную модульную многоагентную систему, разработанную для преодоления сложностей при анализе гетерогенных биомедицинских данных и графов знаний. В отличие от традиционных монолитных LLM-интерфейсов, EcoXAI использует контейнеризированную архитектуру специализированных биоинформатических агентов, что минимизирует риск галлюцинаций и обеспечивает проверяемость каждого этапа анализа. Методология системы базируется на интеграции современных методов управления агентами (agentic management) и явном использовании графов знаний для обоснования выводов. В ходе практического применения системы для поиска новых мишеней при болезни Альцгеймера, EcoXAI проанализировала 103 потенциальных лекарственных препарата. В результате было выявлено 79 новых кандидатов, чьи прогнозные модели превзошли случайный базовый уровень. Одним из ключевых успехов стало обнаружение антагониста CCR5 — препарата Маравирок, гипотеза о применении которого была впоследствии подтверждена научной литературой. Данная разработка значительно ускоряет процесс формирования гипотез в трансляционных исследованиях, снижая вычислительный порог для клиницистов.

Представлена инновационная платформа TOPAS, предназначенная для автоматизации анализа фосфопротеомных данных в рамках работы молекулярных онкологических консилиумов (MTB). В то время как стандартная геномика часто не выявляет клинически значимые мишени, TOPAS использует данные о фосфопротеоме для определения реального статуса активности белков. Платформа представляет собой сквозной конвейер (end-to-end pipeline), способный обрабатывать терабайты данных и преобразовывать их в персонализированные отчеты для врачей. В ходе разработки и тестирования система интегрировала данные 1 998 опухолевых образцов, что позволяет генерировать гипотезы как на уровне отдельного пациента, так и на уровне целых когорт. Веб-портал включает инструменты контроля качества, расчет специализированных баллов TOPAS, идентификацию опухолевых антигенов и контрольных точек иммунного ответа. Благодаря открытому исходному коду и масштабируемости, TOPAS значительно упрощает внедрение фосфопротеомики в практику прецизионной онкологии.

Исследование посвящено проблеме надежности методов объяснимого искусственного интеллекта (xAI), таких как DeepLIFT, при анализе моделей «последовательность-активность» (S2A), которые предсказывают геномную активность (связывание транскрипционных факторов и экспрессию генов). Авторы изучают, может ли использование ансамблей моделей повысить точность интерпретации признаков, а не только точность самих предсказаний. В ходе работы было установлено, что ансамблирование атрибуций от нескольких моделей значительно улучшает результаты в прикладных задачах, таких как идентификация мотивов транскрипционных факторов и прогнозирование регуляторных генетических вариантов. Особое внимание уделено методу Monte Carlo Dropout (MCDropout), который показал эффективность, приближающуюся к обучению множества отдельных моделей, но при этом существенно снижающую вычислительные затраты на этапе обучения. Результаты работы критически важны для биоинформатики и персонализированной медицины, так как позволяют более точно интерпретировать влияние генетических мутаций на здоровье человека.