геномика

В статье представлен CLEAR (Concise List Enrichment Analysis Reducing Redundancy) — новый байесовский фреймворк для анализа обогащения наборов генов, предназначенный для интерпретации данных высокопроизводительных экспериментов. В отличие от традиционных методов, таких как ORA или GSEA, которые тестируют наборы генов независимо и игнорируют их иерархическую структуру, CLEAR моделирует множественные наборы генов одновременно. Ключевым инновационным отличием является отказ от бинаризации данных (перевода в состояния «активен/неактивен» через пороги) в пользу использования непрерывных статистик, таких как p-values или тестовые статистики. Это позволяет избежать потери информации и снизить избыточность результатов, характерную для Gene Ontology. Исследования на симулированных данных и данных экспрессии генов человека подтвердили, что CLEAR значительно повышает чувствительность анализа и обеспечивает получение более лаконичного и интерпретируемого списка обогащенных наборов генов по сравнению с существующими методами.

Исследование посвящено разработке нового метода анализа циркулирующей опухолевой ДНК (ctDNA) для неинвазивного мониторинга минимальной остаточной болезни (MRD) и раннего выявления рецидивов рака. Авторы предложили инновационный фреймворк, объединяющий поиск соматических мутаций с фрагментомными характеристиками (длиной фрагментов и паттернами мотивов на их концах). В ходе исследования было проанализировано 712 серийных образцов цельногеномного секвенирования (WGS) у 90 пациентов с колоректальным раком III стадии в течение трех лет наблюдения. Комбинированный подход показал превосходство над стандартными методами: показатель AUC достиг 0,871 при использовании длины и мотивов, и 0,873 при интеграции с оценкой доли опухолевой фракции, что выше, чем при простом подсчете мутантных фрагментов (AUC=0,832). Ключевые выявленные признаки ctDNA включают укорочение фрагментов и специфическое обогащение мотивов A/T на концах фрагментов при истощении C/G концов. Данный метод является масштабируемым, не требует обучения моделей или калибровки по контрольным группам (panel-of-normals), что делает его перспективным инструментом для клинической практики.

В статье представлен новый программный инструмент geneslator — специализированный R-пакет, разработанный для решения проблем интерпретации данных высокопроизводительного секвенирования. Основная задача инструмента заключается в обеспечении точного преобразования между различными типами идентификаторов генов, такими как Gene symbols, Ensembl GeneIDs и Entrez GeneIDs, что критически важно для интеграции наборов данных. Разработчики внедрили функционал картирования ортологов и аннотации путей для восьми модельных организмов, включая человека (Homo sapiens), мышь (Mus musculus) и дрожжи (Saccharomyces cerevisiae). В отличие от существующих решений, geneslator минимизирует риски несоответствий и фрагментации рабочих процессов, обеспечивая целостность данных при кросс-видовом анализе. Инструмент позволяет автоматизировать сложные биоинформатические задачи, повышая воспроизводимость функциональных исследований. Пакет доступен в открытом доступе на платформе GitHub для использования в академических и клинических исследованиях.

Исследователи представили Pipette — инновационную мультиагентную ИИ-платформу, предназначенную для автоматизации сложных биоинформатических рабочих процессов через взаимодействие на естественном языке. Ключевой особенностью системы является использование Skill Graph — направленного взвешенного графа знаний, извлеченного из более чем 20 000 рецензируемых научных публикаций. Этот граф накладывает биологические ограничения на генерацию кода, предотвращая ошибки, которые часто допускают стандартные LLM при создании многоэтапных пайплайнов. В ходе тестирования на четырех доменах, включая анализ single-cell RNA-seq и компьютерный дизайн лекарств, Pipette показал результаты, превосходящие базовые модели LLM без использования Skill Graph. Особое внимание уделено клиническому применению: система успешно выполнила классификацию вариантов генома в соответствии со стандартами ACMG/AMP. Внедрение Pipette значительно снижает порог вхождения для биологов, не обладающих глубокими навыками программирования, позволяя эффективно преобразовывать данные секвенирования в биологические инсайты.

Исследование представляет TB-Bench — комплексную платформу для оценки эффективности алгоритмов машинного (ML) и глубокого обучения (DL) в прогнозировании лекарственной устойчивости туберкулеза на основе данных полногеномного секвенирования (WGS). Авторы проанализировали 20 различных моделей из 8 существующих исследований, протестировав их на 14 препаратах второй линии. В ходе экспериментов на наборе данных ВОЗ (50 801 образец) было выявлено, что традиционные ML-модели, такие как XGBoost, демонстрируют более высокие показатели PRAUC (от 46% до 93%) для 10 из 14 препаратов по сравнению с глубоким обучением. При внешней валидации на 1 199 образцах было установлено, что ни один класс моделей не показал значительного превосходства над каталожными методами, что указывает на проблемы с обобщающей способностью алгоритмов. Результаты подчеркивают потенциал использования упрощенных ML-моделей в условиях ограниченных ресурсов. Исследователи опубликовали исходный код проекта для обеспечения воспроизводимости и дальнейшего развития стандартов оценки в клинической практике.

Исследователи представили GeoBridge — инновационный вычислительный фреймворк, предназначенный для моделирования клеточной динамики на основе теории изометрических геодезических линий. Основная проблема текущих методов scRNA-seq заключается в том, что они предоставляют лишь разрозненные «снимки» состояний клеток, что затрудняет реконструкцию непрерывных процессов. GeoBridge решает эту задачу, преобразуя сложные нелинейные транскрипционные траектории в линейные геодезические линии с постоянной скоростью в латентном пространстве. Это позволяет не только восстанавливать ненаблюдаемые промежуточные состояния клеток, но и осуществлять управляемую навигацию между различными клеточными фенотипами. Метод демонстрирует высокую устойчивость к шуму и разреженности данных, позволяя выявлять гены-драйверы, управляющие прогрессией вдоль геодезических путей. В ходе тестирования на различных биологических системах GeoBridge успешно разрешил динамику развития и обеспечил возможность моделирования переходов между множественными конечными точками дифференцировки, что открывает новые горизонты в управлении клеточными состояниями.

В данном исследовании рассматривается метод использования нанопорового секвенирования для анализа библиотек 10x Genomics single-nucleus multiome, что позволяет преодолеть ограничения стандартного секвенирования Illumina. В то время как короткие прочтения Illumina фиксируют только 3'-конец РНК-транскриптов, теряя информацию о сайтах начала транскрипции (TSS), нанопоровое секвенирование обеспечивает профилирование полноразмерных транскриптов. Авторы продемонстрировали успешное генетическое демультиплексирование данных нанопорового секвенирования, несмотря на его более высокий уровень ошибок по сравнению с традиционными методами. В ходе сравнительного анализа было установлено, что нанопоровое секвенирование мультиомной кДНК позволяет идентифицировать медианно 63% сайтов начала транскрипции (TSS), обнаруженных с помощью специализированного 5'-анализа. Исследование также предлагает оптимизированный подход к предобработке нанопоровых прочтений для повышения точности идентификации TSS. Данная методология имеет высокую значимость для биоинформатики и геномики, предоставляя более глубокое понимание транскрипционной активности на уровне отдельных ядер.

Исследователи представили TFBindFormer — новую гибридную архитектуру на базе трансформера, предназначенную для высокоточного предсказания взаимодействий между транскрипционными факторами (ТФ) и ДНК. В отличие от существующих моделей, которые опираются преимущественно на последовательности ДНК и характеристики хроматина, TFBindFormer использует механизм перекрестного внимания (cross-attention) для интеграции специфических данных о белках, полученных из их последовательностей и структур. Это позволяет модели учитывать белок-зависимую специфичность связывания, которую ранее игнорировали вычислительные методы. Тестирование проводилось на сотнях клеточно-специфичных ТФ и сотнях миллионов геномных участков (bins). Результаты показали значительное превосходство над базовыми моделями, работающими только с ДНК, выраженное в существенном росте показателей AUPRC и AUROC. Данная разработка предлагает масштабируемый и эффективный фреймворк для полногеномного картирования регуляторных взаимодействий, что критически важно для понимания механизмов экспрессии генов без дорогостоящих экспериментов ChIP-seq.

В статье представлен RastQC — новый инструмент для контроля качества данных высокопроизводительного секвенирования, написанный на языке Rust. Разработчики создали полную замену стандартному инструменту FastQC, устранив недостатки, связанные с зависимостью от Java, такие как высокий расход памяти и сложность развертывания. RastQC включает 12 стандартных модулей контроля качества, а также 3 дополнительных модуля для анализа длинных чтений (long-read), поддерживая форматы Oxford Nanopore (Fast5/POD5) и SOLiD. Тестирование на данных различных организмов, включая Homo sapiens, показало, что RastQC потребляет в 4–9 раз меньше оперативной памяти (59–125 МБ против 551–638 МБ у FastQC) при сохранении сопоставимой скорости работы. Инструмент демонстрирует 100% конкордантность с FastQC по результатам общих модулей и поставляется в виде единого статического бинарного файла размером всего 2,1 МБ. Это делает его крайне эффективным для интеграции в биоинформатические конвейеры и облачные системы обработки геномных данных.

Исследование представляет универсальную вычислительную модель, предназначенную для количественной оценки нестабильности тандемных повторов (TR) на основе данных секвенирования длинными прочтениями. Авторы разработали метод, который позволяет характеризовать аллельную нестабильность в каждом локусе TR, анализируя распределение отклонений прочтений от консенсуса, при этом эффективно разделяя биологический мозаицизм и технический шум. В ходе валидации с использованием данных HiFi-секвенирования 256 образцов клеточных линий HPRC модель была применена к 617 007 локусам тандемных повторов, включая патогенные участки. Результаты показали, что уровни нестабильности варьируются в зависимости от состава повторов, а не только от их общей длины. Применение метода к целевым данным PureTarget в образцах с известными экспансиями повторов позволило выявить значительный мозаицизм в большинстве экспандированных аллелей. Данная разработка предоставляет практический инструмент для полногеномного мониторинга нестабильности повторов и обнаружения аномально нестабильных аллелей, что критически важно для изучения заболеваний, вызванных экспансией повторов.

В статье представлен Synolog — новый биоинформатический инструментарий, предназначенный для автоматизированного анализа архитектуры генома. Программный комплекс позволяет идентифицировать ортологи как кодирующих, так и некодирующих генов, выявлять кластеры синтенности в двух и более геномах, а также обнаруживать ретрогены и сегментарные дупликации. Авторы продемонстрировали возможности Synolog на примере исследования экспансии генов у различных видов черепах и реконструкции хромосомных сборок у рыб (телеостов). Методология инструмента опирается на анализ синтенности, что позволяет проводить сравнительный анализ эволюции метазоев на протяжении сотен миллионов лет. Исследование также включает сравнительный анализ эффективности метода выделения ортогрупп, подчеркивая преимущества подхода на основе синтенности по сравнению с методами, использующими исключительно сходство последовательностей. Данный инструмент представляет значительный интерес для вычислительной геномики и эволюционной биологии.

В данной статье рассматриваются продвинутые методы контрастивного анализа главных компонент (PCA), предназначенные для снижения размерности данных путем максимизации дисперсии целевого набора данных при одновременной минимизации дисперсии фонового шума. Авторы представляют два ключевых расширения метода: k-ρPCA, использующий весовые коэффициенты ядра для контрастирования пространственных и не пространственных осей вариации, и f-ρPCA, решающий задачу коэффициента Рэлея в пространстве коэффициентов базисных функций для анализа функциональных данных. Предложенный математический аппарат позволяет объединить разрозненные подходы пространственного и функционального анализа в единую концептуальную структуру. Практическая значимость методов продемонстрирована на реальных биомедицинских данных из области геномики. В частности, алгоритмы успешно применены для анализа экспрессии генов при раковых заболеваниях и изучения иммунного ответа на вакцинацию, что подтверждает их эффективность в поиске биологически значимых сигналов на фоне высокого уровня шума.

В данном исследовании рассматривается проблема систематических ошибок в транскриптомных данных, вызванных технической гетерогенностью и популяционной стратификацией. Авторы предложили гипотезу о том, что одновременное использование суррогатных переменных (SV) для коррекции экспрессии и главных компонент (PC) на основе генотипа обеспечит более точные результаты, чем использование каждого метода по отдельности. Исследование проводилось на двух независимых наборах данных РНК-секвенирования пациентов с боковым амиотрофическим склерозом (БАС): KCLBB (148 участников) и ALS Consortium (307 участников). Результаты показали, что комбинированная модель (SV+PC) значительно превосходит остальные подходы: индекс сходства Жаккара (воспроизводимость) вырос с 2,28% до 19,5%, а биологическая точность (recall) при поиске известных генов БАС увеличилась вдвое по сравнению с использованием только SV. Исследование доказывает, что совмещение методов позволяет расширить транскриптомный сигнал без потери стабильности величины эффекта. Авторы рекомендуют внедрение этого комбинированного подхода в стандартную практику анализа данных, особенно когда доступны сопоставленные генотипические данные.

В статье представлен Looplook — новый программный комплекс (R-пакет), предназначенный для реконструкции высокоточных пространственных регуляторных сетей на основе данных о 3D-архитектуре хроматина. Основная проблема существующих методов заключается в высоком уровне ложноположительных результатов, так как они учитывают все физические контакты без учета их функциональной активности. Разработчики внедрили алгоритм уточнения на основе транскриптома, который позволяет отсеивать транскрипционно неактивные контакты, значительно повышая соотношение сигнал/шум. Методология включает использование кластеризации связанных компонентов для консолидации данных из нескольких источников и двунаправленную пространственную аннотацию между петлями хроматина и линейными геномными признаками. В ходе исследования на клетках липосаркомы было доказано, что Looplook эффективно идентифицирует сети, зависящие от FOSL2 и BRD4, демонстрируя высокую чувствительность к деградации BRD4. Данный инструмент предоставляет исследователям возможность превращать сырые данные о физических контактах в биологически значимые сети регуляции генов.

В статье исследуется инновационный подход к построению генных регуляторных сетей (GRN) путем анализа информационной энтропии ДНК-последовательностей, а не только профилей экспрессии генов. Авторы предлагают четырехслойную интегративную платформу, которая объединяет профили энтропии Шеннона для каждой позиции, оценку эволюционной консервативности через расхождение Йенсена-Шеннона, взаимную информацию на основе экспрессии и эмбеддинги нейросетевых моделей (DNA foundation models). В ходе исследования на примере регуляторной подсети SOS у Escherichia coli было доказано, что использование взвешенной по консервативности взаимной информации значительно улучшает точность распознавания связей в сети. Кроме того, применение трансферной энтропии позволило эффективно определить направленность регуляторных взаимодействий. Предложенный фреймворк устанавливает математическую связь между нуклеотидной энтропией и сетевой логикой, позволяя предсказывать топологию сетей на основе эволюционных ограничений.

В исследовании представлена разработка методов классификации геномных вариантов вируса SARS-CoV-2, ориентированная на решение проблемы экстремального дисбаланса классов и дефицита данных о редких мутациях. Авторы предложили гибридную архитектуру RF-SVM, объединяющую случайный лес (Random Forest) и метод опорных векторов (SVM) с полиномиальным ядром для повышения чувствительности к миноритарным классам. В ходе сравнительного анализа было установлено, что классические модели машинного обучения, использующие признаки TF-IDF на основе k-меров, превосходят методы глубокого обучения по макро-усредненным метрикам эффективности. Лучший результат показал классификатор Random Forest с использованием TF-IDF, достигнув точности (accuracy) 96,3% и макро-F1-меры 0,8894 при стабильной кросс-валидации (CV accuracy = 0,9637). Гибридная модель RF-SVM продемонстрировала улучшенную способность к обнаружению редких вариантов в условиях сильного перекоса данных. Работа подчеркивает ограничения глубокого обучения в специфических геномных задачах и доказывает эффективность интерпретируемых гибридных подходов для геномного надзора.

Исследование посвящено разработке экономически эффективного метода оценки инбридинга у домашних собак с помощью ультранизкого покрытия полногеномного секвенирования (ulcWGS). Авторы предложили альтернативу дорогостоящему секвенированию с высоким или средним покрытием, что критически важно для популяционной и сельскохозяйственной генетики. В ходе работы был сконструирован многопородный референсный панель на основе образцов с высоким покрытием, после чего проводилась оценка инбридинга в независимых образцах ulcWGS через анализ участков гомозиготности (RoH) и коэффициентов инбридинга (F). С помощью нелинейной регрессии была смоделирована зависимость между этими показателями и глубиной секвенирования. Результаты подтвердили значительную корреляцию между относительными измерениями RoH и F, при этом у чистокровных собак было зафиксировано больше участков гомозиготности и более высокие коэффициенты инбридинга по сравнению со смешанными породами. Данный метод позволяет значительно снизить стоимость генетического мониторинга, делая его более доступным для широкого круга исследователей и селекционеров.

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 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.