геномика

Обзор систематизирует исследования по применению глубокого обучения в диагностике лейкемии, охватывая анализ изображений крови и костного мозга, геномные данные, проточную цитометрию и мультимодальные подходы. Критически оцениваются проблемы обобщаемости моделей, интерпретируемости и клинической применимости, предлагаются направления для будущих исследований включая fusion-подходы и валидацию на внешних датасетах.

Статья критикует современные ИИ-инструменты для медицинской документации, которые автоматически генерируют коды ICD-10 для выставления счетов, но не обеспечивают клинически точные диагнозы. Автор подчёркивает, что система кодирования ICD-10 создана для классификации визитов с целью оплаты, а не для отражения клинической реальности. Неспецифические коды (например, «злокачественное новообразование мозга, неуточнённое») позволяют получить оплату, но скрывают критически важную информацию — например, отличие глиобластомы от других опухолей мозга, что требует совершенно разных подходов к лечению. Проблема становится особенно острой в эпоху геномики и таргетной терапии, где решение о лечении зависит от конкретного генетического варианта. На примере болезни Шарко-Мари-Тута (наследственная нейропатия) показано: раньше лечения не существовало, но сегодня разрабатываются таргетные препараты, доступ к которым возможен только при точном диагнозе с указанием конкретного генетического варианта. Размытые диагнозы навсегда остаются в истории болезни и влияют на клинические решения годами, лишая пациентов доступа к персонализированному лечению. Автор предупреждает, что этот разрыв между кодом для плательщика и информацией для врача превращается из неудобства в проблему безопасности пациентов.

Исследователи разработали CHASM — вычислительный метод для обнаружения хромосомных копийных альтераций (CNA) из данных одноклеточной хроматиновой доступности (scATAC-seq). Метод оценивает фон CNA-null для каждой клетки, обеспечивая индивидуализированное ожидание хромосомной доступности, что критически важно в не-неопластических тканях. Валидация проведена через in silico spike-in эксперименты, кросс-модальные сравнения с одноклеточными ДНК и РНК данными, включая контрасты нестабильности генома (дефицит p53, потеря Y-хромосомы). Применённый к 99 образцам человеческой почки, CHASM выявил обогащение мозаичных хромосомных альтераций (mCA) в ассоциированных с повреждением клеточных состояниях (VCAM1-высокие клетки проксимальных канальцев). Метод обнаружил возраст-ассоциированное появление mCA в релевантных для рака геномных регионах, включая_gain и потерю хромосомы 3, gain хромосомы 7 в нормальных популяциях клеток. Клетки с mCA демонстрируют активацию регуляторных программ ответа на повреждение и сниженную эпителиальную идентичность, а повышенная нагрузка mCA в специфических эпителиальных популяциях ассоциирована с увеличенной иммунной и стромальной инфильтрацией. CHASM раскрывает паттерны нестабильности генома при старении внутри типов клеток и implicирует mCA в ранних, пред-болезненных клеточных состояниях.

Исследователи разработали COMPASS — интерпретируемую линейную модель машинного обучения для предсказания того, как генетические возмущения изменяют транскриптом клетки. Модель была протестирована на 2 270 CRISPRi-возмущениях в шести различных клеточных линиях. COMPASS декомпозирует каждый ответ на две компоненты: общую (масштабированный ответ на уровне клеточной линии) и ген-специфичную (остаточную), оценивая их отдельно. Коэффициент общего ответа сильно консервативен между клеточными линиями (Kendall's W=0.59), а позиция возмущения на континууме ответов предсказуема из эмбеддингов белковых взаимодействий STRING (R²=0.35). Модель превзошла существующие подходы scGPT, CPA, GEARS, GenePert и State как по точности предсказания ответа (de-biased Pearson delta 0.34 против ≤0.32), так и по дискриминации возмущений (cosine PDS gain 0.23 против ≤0.08). Результаты предлагают новый подход к предсказанию возмущений через покомпонентный вывод, где каждая компонента оценивается из наиболее подходящих для неё данных, что может ускорить разработку таргетных терапий и понимание молекулярных механизмов заболеваний.

Исследователи разработали TranScouter — лёгкую архитектуру encoder-decoder для предсказания транскрипционных ответов клеток на генные возмущения в различных биологических условиях. Метод использует LLM-эмбеддинги текстовых описаний генов для представления возмущённых генов и транскриптомные профили контрольных клеток для кодирования биологических условий. Подход решает проблему высокой стоимости систематического экспериментального изучения возмущений, позволяя in silico предсказывать ответы в сценариях как с известными, так и с новыми возмущениями. На бенчмарках TranScouter показал конкурентоспособные результаты в обоих сценариях предсказания. Авторы дополнительно провели эмпирический анализ влияния покрытия пространства условий и переносимости эффектов возмущений на качество кросс-условных предсказаний. Работа имеет значение для оптимизации дизайна экспериментов в функциональной геномике и может ускорить исследование генно-генных взаимодействий, релевантных для понимания заболеваний.

Исследователи разработали новую архитектуру глубокого обучения CREAM (Contrastive Regulatory Embeddings Attention Model) для предсказания персонализированной экспрессии генов на основе последовательностей ДНК. Основная проблема, которую решает модель — обучение межиндивидуальных различий, когда вариации последовательности ДНК между людьми минимальны, а экспрессия генов сильно зависит от негенетического шума. Методология включает декомпозицию экспрессии генов на генетические и негенетические компоненты, а также использование контрастных регуляторных эмбеддингов для улавливания тонких различий в последовательностях. Модель была оценена на симулированных данных и транскриптомных наборах данных GTEx, где продемонстрировала значительное превосходство над базовыми архитектурами на обучающих генах и способность автономно приоритизировать статистически точно определённые причинные локусы количественных признаков экспрессии (eQTL). Введение вспомогательного индуктивного смещения L1 дополнительно улучшило локализацию причинных вариантов в невиданных генах. Однако обобщение на предсказание экспрессии невиданных генов остаётся нерешённой проблемой — корреляция падает практически до нуля у всех тестированных методов. Исследование подчёркивает ключевые препятствия в моделировании персонализированной генной регуляции и намечает направления для будущих разработок в области прецизионной медицины.

Исследование систематически оценивает уязвимость фундаментальных ИИ-моделей для геномики к отравлению обучающих данных через бэкдор-атаки. Авторы протестировали три семейства моделей с семью масштабами параметров (от 50 миллионов до 7 миллиардов) на 18 задачах геномной классификации. Разработаны два типа триггеров длиной 48 нуклеотидов: синтетическая последовательность и биологически обоснованный триггер на основе терминальных инвертированных повторов транспозонов. Отравление всего 5% обучающих данных привело к успеху атак от 91,4% до 100% во всех тестированных моделях, при этом увеличение масштаба параметров не улучшало устойчивость. Производительность на немодифицированных последовательностях сохранилась: в 79,4% конфигураций изменение составило не более двух процентных пунктов. Предложен двухэтапный метод защиты, сочетающий скрининг чувствительности к одиночным нуклеотидным мутациям с валидацией по референсной базе данных, достигший 100% точности и медианной полноты 92,95%. Результаты подчёркивают необходимость усиленного контроля происхождения данных и посттренировочного аудита безопасности для медицинских ИИ-систем, работающих с геномными данными.

Стартап Claryx запустился в публичном режиме с инновационным подходом к обнаружению патогенов в больницах. Компания использует комбинацию экологического и геномного интеллекта для поддержки программ профилактики внутрибольничных инфекций. Платформа позиционируется как «иммунная система для больниц», способная выявлять передачу инфекций в реальном времени, пока она происходит. Рынок внутрибольничных инфекций оценивается в $45 миллиардов, что представляет значительную экономическую проблему для системы здравоохранения. Технология направлена на предотвращение распространения патогенов внутри медицинских учреждений через непрерывный мониторинг окружающей среды. Решение может сократить расходы больниц на лечение осложнений и снизить уровень заболеваемости среди пациентов. Однако в представленном материале не указаны конкретные технические детали алгоритмов или результаты клинических испытаний платформы.

Исследование оценивает пять методов вывода локальной родословной (local ancestry inference), включая две вероятностные базовые модели, RFMix, FLARE и свёрточную нейронную сеть с дилатацией, на данных с различной генетической дивергенцией (FST от 0.0022 до 0.243). Выявлено три ключевых результата: во-первых, существует порог осуществимости — при FST=0.0022 ни один метод не превышает точность 0.575, а для пары CHB/CHS при FST=0.00042 максимум составляет 0.551, что делает невозможным тонкий анализ близкородственных популяций. Во-вторых, точность на уровне отдельных позиций скрывает структурные ошибки: наиболее точный метод генерирует в 78.8 раз больше трактов, чем должно быть, что приводит к оценке времени адмиксации в 61.2 раз древнее реального, однако Viterbi-декодирование устраняет эту проблему без потери точности. В-третьих, превосходство методов на симулированных данных не воспроизводится на реальных данных 1000 Genomes, и основной лимитирующий фактор — не архитектура модели (внимание, state-space слои, предобучение дают прирост не более 0.006), а качество входных данных и размер референсной панели (добавление гаплотипной информации даёт +0.031 на 8 из 8 пар при FST<0.04). Работа имеет значение для генетических исследований заболеваний и персонализированной медицины, поскольку точный вывод родословной критичен для admixture mapping и ancestry-specific association testing.

Исследователи разработали автоматизированный программный инструмент для курации данных в геномике, который заменяет ручной труд человека при аннотировании транскриптомных исследований. Система используется для ресурса Gemma — вручную курируемой базы данных, включающей более 23 000 наборов данных человека, мыши и крысы, преимущественно из Gene Expression Omnibus (GEO). Пайплайн сочетает традиционные механические методы и большие языковые модели для создания детальных аннотаций на уровне образцов и экспериментов с привязкой к онтологиям. Бенчмаркинг показал, что производительность системы близка к уровню человеческих кураторов, при этом стоимость снижена в 20 раз, а скорость увеличена минимум в 100 раз. Авторы также представили предварительные методы триажа для выявления ошибок в автоматических курациях с последующей передачей на человеческую проверку. В качестве дополнительных результатов предоставлены бенчмарк-набор из 500 исследований и框架 оценки для дальнейшего развития пайплайна. Данное решение имеет значительный потенциал для интеграции в биоинформатические экосистемы и ускорения медицинских исследований на основе геномных данных.

Исследователи представили vOMIX-MEGA — новый вычислительный фреймворк для анализа вирусных метагеномных данных терабайтного объёма. Основная проблема, которую решает инструмент — ограничения масштабируемости и вычислительных ресурсов при идентификации вирусов в больших наборах данных. vOMIX-MEGA оптимизирует параллелизацию и использование памяти на критических этапах обработки. По результатам бенчмарков на эмпирических данных, пайплайн завершает обработку за 50 минут с потреблением 24 ГБ оперативной памяти, тогда как четыре альтернативных решения требуют от 7 часов (383 ГБ RAM) до 14 дней (32 ГБ RAM). По точности vOMIX-MEGA превосходит существующие аналоги в среднем на 21% на тестовых (mock) данных и на 13% на экспериментальных данных. Инструмент имеет прямое применение в медицинской диагностике для быстрого выявления патогенов, мониторинга вспышек заболеваний и клинического секвенирования. Исходный код доступен в открытом доступе на GitHub.

OpenAI опубликовала отчёт о применении ИИ-агентов для разработки научного программного обеспечения в восьми проектах, охватывающих геномику, иммунологию, статистику и секвенирование РНК. В пяти случаях использовался Codex, в трёх — комбинация Codex и Claude Code от Anthropic. Конкретные результаты включают: симулятор чтения ДНК HI.SIM сократил время выполнения на 31% после оптимизации агентом GPT-5.2/5.6; инструмент сборки генома Hifiasm ускорился на 25% на целевых данных и на 15% на человеческих последовательностях; библиотека bayesm-rs на Rust превзошла оригинал на R в 2.3–9.5 раз по скорости; проект MHCflurry мигрировал бэкенд с TensorFlow/Keras на PyTorch с сохранением совместимости весов моделей. Авторы подчёркивают, что агенты эффективны для рутинных задач (оптимизация, портирование, сборка), но экспертное руководство остаётся незаменимым. Исследование демонстрирует потенциал ИИ для решения проблемы технического долга в научном ПО, где академические команды часто не имеют ресурсов для поддержки кода.

В статье представлен GPSNorm — новый байесовский фреймворк для пространственной нормализации данных транскриптомики, решающий проблему технической вариативности (различия в размере библиотек, эффекты слайдов и пространственные артефакты). В отличие от традиционных методов, рассматривающих нормализацию как отдельный этап предобработки, GPSNorm использует иерархическую модель, которая совместно моделирует технические помехи, пространственную структуру и биологический сигнал. Методология базируется на отрицательном биномиальном латентном гауссовском моделировании с использованием гауссовских марковских случайных полей и аппроксимации INLA для эффективного байесовского вывода. Это позволяет учитывать неопределенность нормализации при проведении последующего анализа дифференциальной экспрессии генов. Тестирование на данных префронтальной коры человека (Visium), исследования повреждений легких при COVID-19 (GeoMx) и атласе почек показало, что метод значительно точнее восстанавливает пространственные паттерны и улучшает оценку логарифмического изменения (log-fold change). Разработка доступна в виде open-source R-пакета, что делает её применимой для биоинформатиков и исследователей в области системной биологии.

Представлен Utanos — модульное программное решение (pipeline и R-пакет), предназначенное для анализа данных полногеномного секвенирования малой глубины (sWGS) по типу FASTQ-to-figures. Методология ориентирована на работу с относительно недорогим секвенированием (целевой объем около 15 миллионов чтений), что делает его экономически эффективной альтернативой глубокому WGS для масштабных исследований. Инструмент позволяет эффективно обнаруживать аберрации числа копий (CN), дефицит гомологичной рекомбинации (HRD) и формировать специфические сигнатуры числа копий. Разработка особенно актуальна для неонатальной диагностики и онкологических исследований, включая работу с образцами из блоков FFPE (фиксированных формалином и заключенных в парафин). Технически решение реализовано на базе кроссплатформенного фреймворка Nextflow с поддержкой Docker, что обеспечивает высокую воспроизводимость и стандартизацию выходных данных. Программное обеспечение доступно в открытом доступе на GitHub и подано на включение в экосистему nf-core.

В исследовании проведен сравнительный анализ четырех популярных моделей глубокого обучения, предназначенных для прогнозирования эффектов вариантов сплайсинга, на основе набора данных MFASS, включающего 27 733 однонуклеотидных варианта с подтвержденными экспериментальными результатами. Результаты бенчмарка показали, что модель Pangolin является наиболее эффективной для предсказания нарушений сплайсинга с показателем AUROC 0.888 и средней точностью (average precision) 0.421, опережая SpliceAI (AUROC 0.819), SpliceTransformer (AUROC 0.786) и MMSplice (AUROC 0.758). Ключевым открытием стало обнаружение системной «слепой зоны»: все протестированные инструменты демонстрируют высокую точность вблизи сайтов сплайсинга, однако их чувствительность резко падает при анализе вариантов внутри экзонов. В частности, 19% всех нарушающих сплайсинг вариантов были пропущены всеми пятью протестированными моделями, причем эти ошибки сосредоточены преимущественно в центральной части экзонов. Исследование подтверждает, что данная проблема не является следствием архитектуры, ориентированной только на сайты сплайсинга, так как даже модель MMSplice, учитывающая модульные эффекты, показала аналогичное снижение эффективности. Данные выводы критически важны для геномной диагностики, указывая на необходимость разработки новых алгоритмов для более точного анализа глубоких участков экзонов.

В статье представлен PMBB Geno-Pheno Toolkit — специализированный набор модульных конвейеров на базе Nextflow, предназначенный для проведения масштабных ассоциативных анализов в биобанках, связанных с электронными медицинскими картами (EHR). Основная проблема, которую решает инструмент, заключается в фрагментации данных и несовместимости вычислительных инфраструктур различных институтов. В состав набора входит семейство конвейеров SAIGE, поддерживающих полногеномный (GWAS), экзомный (ExWAS) и феномновый (PheWAS) анализы, а также инструменты GWAMA и ExWAS для проведения мета-анализов и репликации результатов между различными биобанками. Все компоненты системы контейнеризированы с использованием Docker и Apptainer, что обеспечивает беспрепятственный запуск рабочих процессов на локальных HPC-кластерах, облачных платформах и в среде All of Us Research Workbench без необходимости изменения кода. Дополнительно инструментарий включает возможности для полигенного скоринга, гармонизации фенотипов и LD-клампинга на базе PLINK. Данная разработка значительно повышает воспроизводимость и масштабируемость биомедицинских исследований, позволяя объединять разрозненные геномные и фенотипические наборы данных.

В исследовании представлен новый метод PhyloRBT (phylogenetic reference bias test), предназначенный для выявления систематической ошибки референсного генома (reference bias), которая возникает при реконструкции локусов на основе данных коротких чтений. Суть метода заключается в многократной реконструкции каждого локуса с использованием различных референсных геномов и последующем измерении филогенетической корреляции между результатами. Авторы протестировали инструмент на сотнях локусов BUSCO, полученных из данных девяти видов эвкалипта с использованием 34 различных референсных геномов. Результаты показали, что более 25% реконструированных локусов имеют значительные признаки ошибки референса. Исключение таких смещенных локусов из процесса построения филогенетического дерева позволило получить топологию вида, которая гораздо лучше соответствует данным предыдущих исследований. Инструмент PhyloRBT представляет ценность для биоинформатиков, позволяя селективно удалять ошибочные данные из филогеномного анализа для повышения точности эволюционных выводов.

В статье представлен Hobrac — новый автоматизированный рабочий процесс, предназначенный для решения критических проблем при сравнении целых геномов и изучении их эволюции. Основная задача инструмента заключается в преодолении двух главных барьеров: сложности выбора подходящего референсного генома и трудности интерпретации хромосомной синтенности на основе зашумленных нуклеотидных выравниваний. Методология Hobrac сочетает автоматический подбор референсных последовательностей с использованием генного подхода, дополняя нуклеотидные выравнивания консервативными ортологами BUSCO. Это позволяет значительно повысить точность структурного сравнения геномов. Инструмент генерирует высококачественные визуализации, включая точечные диаграммы (dotplots), ленточные диаграммы (ribbon-plots) и интерактивные карты синтенности, пригодные для научных публикаций. Hobrac доступен бесплатно в открытом доступе на GitHub и представляет значительный интерес для биоинформатиков, занимающихся геномной сборкой и эволюционным анализом.

В статье представлен fastCDS — высокопроизводительный инструментарий на языке C++, предназначенный для быстрого сопоставления областей белков с геномными координатами на основе GTF-аннотаций. Основная проблема существующих методов заключается в низкой масштабируемости при проведении полнопротеомного анализа, в то время как fastCDS обеспечивает скорость работы на два-три порядка выше конкурентов. Инструмент предоставляет интерфейсы командной строки и Python, позволяя за считанные секунды сопоставить все домены Pfam человека с их геномным расположением. Авторы использовали полученный атлас для исследования того, как архитектура экзонов варьируется в зависимости от функций доменов. Данная разработка критически важна для интерпретации клинических вариантов в контексте экзонов и изучения структуры экзонов. Инструментарий доступен по лицензии MIT и может быть легко интегрирован в биоинформатические конвейеры через pip или mamba.