биомедицинские исследования

Исследование представляет новый подход к генерации декой-баз данных в протеомике с использованием языковых моделей белков (PLM) для оценки ложных открытий при идентификации пептидов. Авторы сравнивают PLM-декои с классическими методами (реверс и перемешивание) через три уровня контроля качества: сепарабельность на уровне последовательности, спектральные диагностические метрики и полные конвейеры масс-спектрометрии. Результаты показывают, что PLM-декои сложнее для нейросетей, работающих только с последовательностью, что указывает на меньшее количество артефактов на уровне последовательности. Однако спектральный анализ выявил, что короткие пептиды занимают особенно перенаселённое пространство целевой-декоя и подвержены локальным коллизиям при всех генераторах. В полных поисковых конвейерах обратные декои остаются сильным базовым уровнем, а текущие PLM-генераторы не обеспечивают явного общего преимущества. Исследователи рассматривают PLM-декои не как универсальную замену, а как настраиваемые инструменты для бенчмаркинга, диагностики, стресс-тестирования и будущей адаптивной оптимизации декой-баз.

Исследование представляет метод PerturbGraph — графовую нейросетевую архитектуру для предсказания транскрипционных ответов на генетические возмущения в функциональной геномике. Методология основана на интеграции сетей молекулярных взаимодействий, функциональных аннотаций и транскрипционных признаков из данных CRISPR Perturb-seq. Модель строит сигнатуры возмущений, представляя сдвиги экспрессии генов относительно контрольных клеток в компактном латентном пространстве программ, что снижает шум и выделяет стабильные транскрипционные вариации. Каждый ген кодируется с использованием обогащённых биологических признаков: эмбеддингов белок-белковых взаимодействий, статистики топологии сети, базовых транскрипционных характеристик и аннотаций Gene Ontology. Графовая нейросеть распространяет информацию по сети взаимодействий для вывода программ возмущений для генов, эффекты которых не наблюдались при обучении. В бенчмарках на неизвестных возмущениях PerturbGraph превосходит классические модели машинного обучения на 6% по косинусному сходству и линейные модели более чем на 20%, улучшая восстановление дифференциально экспрессируемых генов. Результаты демонстрируют, что интеграция биологических сетей взаимодействий с графовым представлением позволяет точно предсказывать транскрипционные эффекты ранее не наблюдавшихся генетических возмущений. Код опубликован в открытом доступе на GitHub.