геномика

В статье представлен PoolParty — новый программный пакет на языке Python, предназначенный для автоматизации и упрощения процесса проектирования сложных библиотек олигонуклеотидных пулов. Разработка решает проблему трудоемкости и высокой вероятности ошибок при создании последовательностей ДНК, которые критически важны для высокопроизводительных анализов и in silico анализа геномных моделей ИИ. Методология основана на использовании вычислительных графов, позволяющих описывать структуру библиотеки всего несколькими строками кода через гибкий API. Пакет включает более 50 встроенных операций, охватывающих мутагенез на уровне нуклеотидов и кодонов, вставку мотивов и генерацию баркодов. Одной из ключевых особенностей является использование «дизайн-карт» (design cards), которые предоставляют детальную документацию о способе генерации каждой конкретной последовательности. Инструмент представляет значительный интерес для исследователей, занимающихся биоинформатикой и обучением нейросетей на генетических данных.

Исследователи представили CompBioBench — новый бенчмарк, состоящий из 100 разнообразных задач, предназначенных для оценки возможностей агентных ИИ-систем в области вычислительной биологии. В отличие от математики, биологические данные характеризуются высокой зашумленностью, поэтому авторы применили уникальную стратегию создания задач: использование синтетических данных и метод перемешивания метаданных реальных датасетов для получения задач с единственным верным ответом. Бенчмарк охватывает такие области, как геномика, транскриптомика, эпигеномика, анализ единичных клеток и машинное обучение, требуя от ИИ многошагового рассуждения, написания кода и использования внешних инструментов. В ходе тестирования ведущие агентные системы продемонстрировали высокие результаты: Codex CLI (на базе GPT 5.4) достиг точности 83%, а Claude Code (Opus 4.6) — 81%. На наиболее сложных задачах показатели составили 59% и 69% соответственно. Данная работа создает важную платформу для измерения прогресса ИИ в биоинформатике и задает стандарты для разработки будущих систем оценки.

В исследовании представлен Germline VCF Annotator — специализированный двухэтапный рабочий процесс, разработанный для упрощения анализа герминальных вариантов, представленных в формате VCF. Инструмент решает проблему сложности прямого анализа VCF-файлов человеком и рисков искажения данных при импорте в таблицы. Методология включает нормализацию файлов, использование адаптивного Ensembl VEP для генерации стандартизированных аннотаций и извлечение метрик качества прочтений для присвоения классов контроля качества (QC) на основе правил. В качестве тестового набора данных использовался когортный анализ полногеномного секвенирования крипт толстой кишки, направленный на изучение локусов ответа на повреждение ДНК (DDR). Результаты показали почти идеальную согласованность данных внутри пациентов при техническом повторении после фильтрации немолчащих SNV с глубиной прочтения [≥] 15. Исследование также подтвердило отсутствие возрастной зависимости нагрузки DDR в исследуемых образцах. Разработанный пайплайн может быть масштабирован на любые наборы генов, требующие человекочитаемых сводок с сохранением доказательств аллельного происхождения.

Исследователи представили GMIP-PLSR — новый масштабируемый вычислительный фреймворк на базе Nextflow, предназначенный для решения проблемы идентификации причинных генов после проведения полногеномных поисков ассоциаций (GWAS). Основная инновация заключается в использовании метода регрессии на частичных наименьших квадратах (PLSR) для преодоления проблемы мультиколлинеарности признаков, которая ограничивает эффективность существующих инструментов, таких как PoPS. Методология включает интеграцию GWAS с мультиомиксными данными, включая экспрессию генов, белок-белковые взаимодействия и генно-путевые сети. В ходе тестирования на наборах данных GWAS система показала превосходство над PoPS в большинстве сценариев. В рамках тематического исследования неалкогольной жировой болезни печени (NAFLD) использование GMIP-PLSR совместно с данными scRNA-seq позволило выявить наборы генов с более высокой наследуемостью и выраженной обогащенностью в специфических путях заболевания. Инструмент представляет высокую значимость для биоинформатики и персонализированной медицины, обеспечивая эффективную реприоритизацию генов в пост-GWAS анализах.

Представлен новый инструмент gbdraw, предназначенный для автоматизированного создания графических диаграмм циклических и линейных геномов микроорганизмов и органелл. Разработчик предлагает решение проблемы выбора между сложными библиотеками для программирования и громоздкими графическими приложениями. Инструмент поддерживает работу с форматами GenBank, DDBJ, а также комбинациями GFF3 и FASTA. Основной функционал включает визуализацию аннотированных признаков, построение графиков GC-состава и GC-skew, а также возможность проведения сравнительного геномного анализа. Ключевой особенностью является архитектура без использования сервера: веб-приложение работает полностью в браузере пользователя, что гарантирует безопасность конфиденциальных данных, так как последовательности не передаются на удаленные серверы. gbdraw доступен как в виде GUI-приложения, так и в виде утилиты командной строки на языке Python 3.10+, распространяется под лицензией MIT и может быть установлен через Bioconda.

Исследование посвящено разработке и оценке устойчивых алгоритмов случайных лесов (Random Forests) для геномной предсказательной аналитики в условиях загрязнённых данных. Авторы фокусируются на проблеме загрязнения данных — от ошибок записи до экстремальных выбросов, которые могут искажать статистические модели и снижать точность предсказаний. Методология включает симуляционное моделирование на синтетическом наборе данных животноводческого разведения с последующей валидацией на реальных растительных и животных данных. Сравнительный анализ различных подходов к робастификации показал, что трансформация данных является наиболее эффективной стратегией, обеспечивающей наилучшую производительность при наличии загрязнения. Исследование выявило, что ранжирование на основе устойчивых случайных лесов является надёжным первым выбором, тогда как методы взвешивания следует применять только при сохранении ранговой структуры. Практическая значимость заключается в возможности восстановления латентного сигнала для геномной селекции при наличии фенотипической коррупции, ошибок записи или несоответствия между обучающими и развернутыми данными. Стандартные случайные леса остаются оптимальными для чистых данных, но устойчивые версии следует применять параллельно при вероятности загрязнения. Методология может быть перенесена на другие методы машинного обучения, включая медицинские приложения в области геномики и персонализированной медицины.

Исследование представляет методологию для выявления генетических вариантов в некодирующей ДНК, влияющих на экспрессию генов и риск заболеваний. Авторы провели первый эксперимент STARR-seq в масштабе всего генома на 100 индивидуальных образцах, используя инновационный дизайн с пулированием проб. Разделенные на пулы образцы позволяют повысить частоту аллелей, что снижает ожидаемые потери данных и улучшает отношение сигнал/шум в экспериментальных результатах. Предложенная байесовская модель обеспечивает надёжную оценку размеров эффектов вариантов с полной апостериорной оценкой доверительных интервалов. Метод демонстрирует более высокую точность в определении функциональных регуляторных вариантов, особенно редких, по сравнению с предыдущими подходами. Подход успешно применён для функциональной аннотации количественных локусов признаков, включая eQTL и caQTL. Результаты показывают согласованность с паттернами ограничений в профилях связывания транскрипционных факторов. Работа представляет значимый вклад в геномную медицину, улучшая масштабируемость и точность анализа регуляторных вариантов.

Исследование представляет разработку новой перенастраиваемой вычислительной модели BlueSTARR для предсказания регуляторных эффектов некодирующих генетических вариантов, которые сложно интерпретировать только по последовательности ДНК. Авторы обучали несколько глубоких нейросетевых моделей на данных целогеномных STARR-seq анализов из двух клеточных линий и одного режима лекарственного воздействия. Исследование выявило глобальный сигнатурный паттерн по всему геному человека, соответствующий очищающему отбору против вариантов как с потерей, так и с приобретением регуляторной функции, при этом обнаружена значительная тенденция к отбору против усиления функции цис-регуляторных элементов в закрытом хроматине. При тестировании на синтетических энхансерах с мотивами связывания транскрипционных факторов GR и AP-1 модель показала способность обучаться дистанционно-зависимым и зависящим от лечения паттернам связывания и активации репортерных генов. Результаты демонстрируют, что легкие, легко перенастраиваемые модели эффективны для выявления скрытых сигналов в новых экспериментальных данных. Авторы отмечают лишь умеренные различия в производительности между различными архитектурами глубокого обучения при обучении на одном типе данных, при этом даже для промышленных моделей остается значительный запас для улучшений.

Исследование представляет Cellector — вычислительный метод для выявления редких клеток с чужеродным генотипом в данных одноядерного секвенирования РНК (scRNAseq). Инструмент разработан для анализа биологических условий, включающих пациентов после трансплантации, естественный микрохимеризм между материнскими и фетальными тканями, а также образцы рака с достаточной мутационной нагрузкой. Ключевое применение — мониторинг пациентов с лейкозом после гемопоэтической трансплантации костного мозга (HCT), где выявление клеток с генотипом пациента (измеримая остаточная болезнь, MRD) критически важно для определения рецидива. Cellector демонстрирует высокую точность обнаружения микрохимерических клеток на уровне 0,05% или ниже от общего количества клеток. Точная оценка MRD имеет прямое значение для принятия клинических решений по лечению пациентов с лейкозом. Метод использует алгоритмический подход к анализу геномных данных, что представляет собой пример применения вычислительных методов в персонализированной онкологии и трансплантологии.

GraphHDBSCAN* — это новый алгоритм машинного обучения для кластеризации данных одноячеистого секвенирования РНК (scRNA-seq), широко используемого в биомедицинских исследованиях для анализа клеточного разнообразия. Метод представляет собой иерархическое расширение HDBSCAN*, которое работает непосредственно с графовой структурой данных, устраняя необходимость в ручной настройке гиперпараметров. В отличие от существующих подходов, фокусирующихся на плоских кластерах, GraphHDBSCAN* сохраняет иерархическую организацию клеток, выявляя как широкие типы клеток, так и их специализированные подтипы. Исследователи протестировали метод на множестве наборов данных scRNA-seq и продемонстрировали, что алгоритм восстанавливает биологически значимые иерархии, включая тонкую структуру субпопуляций моноцитов. Метод обеспечивает высококачественные плоские кластеризации, превосходящие широко используемые методы обнаружения сообществ. GraphHDBSCAN* особенно важен для онкологических исследований, иммунологии и разработки персонализированных терапий, где точное определение клеточных популяций критично для понимания механизмов заболеваний и оценки ответа на лечение.

Представлен MEIsensor — фреймворк глубокого обучения для обнаружения и классификации вставок мобильных элементов (MEI) в человеческом геноме на основе данных секвенирования длинными ридами. В отличие от традиционных подходов, опирающихся на выравнивание с библиотекой повторов, MEIsensor выполняет прямую аннотацию на основе последовательности для вставок Alu, LINE1 и SVA. Оценка на бенчмарках HGSVC с использованием HiFi-длинных ридов показала, что MEIsensor превосходит существующие инструменты по основным классам MEI при существенном улучшении вычислительной эффективности, особенно для структурно сложных вставок SVA. Ручная верификация подтвердила способность метода идентифицировать MEI в высокоповторяющихся геномных регионах, включая центромерные повторы высшего порядка, которые ранее отсутствовали в бенчмарк-наборах. Это исследование представляет собой важный шаг в развитии вычислительной геномики, где методы глубокого обучения позволяют преодолеть ограничения традиционных алгоритмов выравнивания. Инструмент может быть полезен для исследований наследственных заболеваний, связанных со структурными вариациями генома, и для персонализированной медицины. Однако в тексте не указаны конкретные числовые метрики точности или скорости, что ограничивает оценку практической значимости.

Исследование посвящено применению обучения с подкреплением (Reinforcement Learning) для генеративных языковых моделей ДНК, что имеет прямое значение для геномики и персонализированной медицины. Авторы использовали технику Group Relative Policy Optimization (GRPO) с функцией вознаграждения, основанной на ограничениях из инженерной биологии, для генерации плазмид — простых генетических конструкций, широко используемых в биотехнологии. Ключевой результат: модель достигла 77% качества при контроле, по сравнению с 5% у предобученной базовой модели, что демонстрирует значительное улучшение. Примечательно, что помимо явно оптимизированных признаков, сгенерированные последовательности демонстрируют биологическую реалистичность в термодинамической стабильности, паттернах использования кодонов и распределении длин открытых рамок считывания (ORF) — свойствах, не включённых в функцию вознаграждения. Эти эмерджентные свойства указывают на способность RL пост-тренинга направлять модели ДНК в биологически когерентные области пространства последовательностей. Результаты открывают перспективы для дизайна генетических конструкций, разработки генной терапии и создания синтетических биологических систем.

STRmie-HD — это вычислительный фреймворк для анализа экспансий коротких тандемных повторов в гене HTT, вызывающих болезнь Хантингтона. Инструмент использует алгоритмы регулярных выражений для де-ново генотипирования с определением прерываний повторов CAG/CCG и количественной оценки соматического мозаицизма на уровне отдельных чтений секвенирования. STRmie-HD валидирован на трёх платформах секвенирования: Illumina, PacBio SMRT и Oxford Nanopore, демонстрируя высокую согласованность с эталонными генотипами и превосходную чувствительность в обнаружении редких вариантов прерываний. Ключевые возможности включают измерение длины непрерывных CAG-трактов, содержание повторов CCG, выявление вариантов Loss of Interruption (LOI) и Duplication of Interruption (DOI), а также метрики для характеристики динамики повторов. Исследование показало, что мозаицизм значительно выше в тканях мозга по сравнению с периферической кровью, что подтверждает биологическую значимость инструмента для понимания патогенеза болезни Хантингтона. STRmie-HD предоставляет комплексное решение для молекулярной характеризации вариаций гена HTT, обеспечивая основу для стратификации пациентов и генетических исследований. Инструмент генерирует HTML-отчёты с визуализацией аллельных пиков и оценкой вариантов прерываний, что упрощает интерпретацию данных для исследователей.

Представлен программный инструмент Rastair — интегрированный софт для одновременного обнаружения однонуклеотидных полиморфизмов (SNP) и оценки метилирования цитозина из данных секвенирования mC[->]T. В основе метода лежит машинное обучение для детекции вариантов в сочетании с оценкой метилирования, учитывающей генотип. Исследователи протестировали инструмент на бенчмарк-данных NA12878 и показали, что Rastair превосходит существующие вызователи метилирования-ориентированных SNP, достигая F1-оценки более 0.99 для данных с глубиной покрытия выше 30x, что сопоставимо с точностью state-of-the-art инструментов на данных полного геномного секвенирования. Ключевое преимущество — скорость: обработка файла 30x занимает менее 30 минут на 32 CPU-ядрах Intel Xeon, и вдвое быстрее при использовании GPU. Инструмент выявляет дополнительные 500 000 позиций в NA12878, где SNP трансформирует некодирующие позиции CpG в «de-novo» CpG, и наоборот — определяет варианты, нарушающие CpG, корректируя уровень метилирования. Rastair поддерживает стандартные форматы vcf, bam, bed и распространяется как open-source через conda, Dockerhub и как pre-compiled бинарники.

Исследователи разработали NLCD (NonLinear Causal Discovery) — метод машинного обучения для обнаружения нелинейных причинно-следственных связей между генами на основе данных геномики. Проблема различения корреляции и причинности является фундаментальной в биологии, особенно когда рандомизированные контролируемые испытания невозможны и доступны только наблюдательные данные. NLCD использует нелинейное регрессионное моделирование и оценку условной важности признаков для расширения статистических тестов существующего линейного метода Causal Inference Test (CIT). Метод был протестирован на симулированных данных, где показал AUPRC 0.94 для линейных отношений (сравнимо с CIT=0.94, Findr=0.94, MRPC=0.99) и превосходит конкурентов в обнаружении нелинейных связей (AUPRC=0.76 против 0.60-0.73 у других методов). На реальных данных дрожжевой геномики NLCD показал AUPRC=0.82 для восстановления известных причинных связей с транскрипционными факторами. При применении к человеческому геномному数据集 метод выявил активные причинные пары генов (IRF1→PSME1 и HLA-C→HLA-T) в мышечной ткани. Результаты демонстрируют перспективы и вызовы в открытии причинных сетей генов в условиях in vivo у человека, что имеет значение для понимания молекулярных механизмов заболеваний.

Исследователи представили REGEN (REconstruction of GEne Networks) — метод на основе графовых нейронных сетей (GNN) для одновременного обучения латентных сетей взаимодействий генов из данных транскриптомики и предсказания статуса выживаемости пациентов. Методология включает систематическое сравнение стратегий инициализации матриц смежности генов-генов для построения графов взаимодействий. Модель была оценена на когорте TCGA (The Cancer Genome Atlas) по семи типам рака, где REGEN превзошел базовые модели в пяти наборах данных. Анализ обученной сети генов рака почки выявил биологически значимые пути и биомаркеры, связанные с онкологией, подтвердив биологическую релевантность модели. Работа предоставляет практические руководства по применению GNN к транскриптомике, позволяя улучшить предсказание фенотипов и открывать значимые генные сети. Это имеет прямое значение для онкологии, персонализированной медицины и понимания молекулярных механизмов заболеваний.

Исследование представляет новый метод интеграции данных трех типов омикс (транскриптома, транслатома и протеома) с использованием тензорной декомпозиции 4D. Авторы применили метод неконтролируемого извлечения признаков к данным о голодании по разветвленным аминокислотам, выделив 1,781 ген с пониженной трансляционной эффективностью и 221 ген с буферизацией. Генеративный ИИ использовался для функциональной интерпретации и анализа обогащения, что позволило идентифицировать шесть основных биологических единиц — от репликации генома до эпигенетической регуляции. Подход выявляет биологически значимые кластеры генов, лежащие в основе клеточных переходов, и превосходит традиционные попарные анализы. Методология открывает новые возможности для анализа сложных многослойных регуляторных процессов в биологии. Результаты могут иметь значение для понимания механизмов клеточной дифференцировки и патогенеза заболеваний, связанных с нарушением протеостаза.

Исследователи представили miRBind2 — метод глубокого обучения для предсказания сайтов связывания микроРНК (миРНК) исключительно на основе последовательности. МиРНК регулируют экспрессию генов, направляя белки Argonaute к частично комплементарным участкам целевых РНК. В отличие от классических методов, использующих инженерные признаки (категории seed-соответствия, эволюционная консервация), miRBind2 применяет свёрточную нейронную сеть (CNN) с новой попарной нуклеотидной репрезентацией, охватывающей все возможные взаимодействия между миРНК и мишенью. Модель продемонстрировала превосходство над предыдущими методами SotA на четырёх независимых наборах данных из benchmark debiased miRBench, при этом используя на 92% меньше параметров. Архитектура была расширена до модели miRBind2-3UTR для предсказания репрессии генов на уровне транскриптов путём дообучения на экспериментах по пертурбации миРНК. На датасете из 50,549 пар миРНК-ген модель miRBind2-3UTR значительно превзошла TargetScan. Результаты показывают, что предобученные глубокие модели способны улавливать регуляторные сигналы и предсказывать функциональную репрессию без традиционных инженерных биологических признаков.

ИИ-стартап Basecamp Research, работающий в партнёрстве с Microsoft и Nvidia, анонсировал амбициозный проект по сбору генетических последовательностей более чем триллиона белков в течение двух лет. Компания позиционируется как биотехнологический стартап, специализирующийся на применении искусственного интеллекта в биомедицинских исследованиях. Проект направлен на создание крупнейшей в мире базы генетических данных, что может революционизировать понимание молекулярных механизмов заболеваний. Использование ИИ для анализа таких объёмов генетической информации позволит выявлять ранее неизвестные биомаркеры и потенциальные мишени для разработки лекарств. Масштаб проекта — триллион белков — в тысячи раз превышает текущие доступные базы данных, что открывает новые возможности для персонализированной медицины. Партнёрство с технологическими гигантами Microsoft и Nvidia обеспечивает необходимые вычислительные мощности для обработки эксабайтов генетических данных. Успешная реализация проекта может ускорить открытие новых терапий для редких и сложных заболеваний, а также улучшить диагностику на основе генетического профилирования. Однако сроки в два года выглядят крайне амбициозно и потребуют прорывов в технологиях секвенирования и ИИ-анализа.