генная регуляция

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 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.

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.

Разработан новый метод TRIP для интерпретации сложных биомедицинских данных через выявление общих скрытых причинно-следственных механизмов. Модель успешно применяется к генным регуляторным сетям в раковых клетках, позволяя преобразовывать сложные графы в понятные механизмы для генерации гипотез.