глиобластома

Исследователи представили Lemonite — новый вычислительный фреймворк, предназначенный для интеграции данных транскриптомики и метаболомики с целью выявления метаболитов, регулирующих экспрессию генов. В отличие от существующих методов, Lemonite не требует предварительного дифференциального анализа или полной аннотации метаболитов, что позволяет преодолеть ограничения интерпретируемости. Для контекстуализации прогнозов авторы создали масштабный граф знаний, объединяющий более 370 000 взаимодействий метаболит-ген и 2,1 миллиона белок-белковых взаимодействий. Применение метода к когортам пациентов с глиобластомой и воспалительными заболеваниями кишечника позволило выявить более 50 функционально когерентных генных модулей на каждую болезнь. В частности, при глиобластоме было установлено, что мио-инозитол и фосфатидилхолины совместно с фактором IRF6 регулируют мезенхимальные иммунные программы, локализованные в опухолевых макрофагах. Метод позволяет генерировать проверяемые экспериментально гипотезы, расширяя понимание регуляторного потенциала метаболома в рамках мультиомиксного анализа.

В исследовании представлен kaleidoCell — новый высокопроизводительный Python-фреймворк с GPU-ускорением, предназначенный для консенсусной нетривиальной матричной факторизации (NMF). Инструмент позволяет идентифицировать воспроизводимые мета-программы в крупных гетерогенных наборах данных секвенирования единичных клеток (scRNA-seq). При бенчмаркинге против R-пакета geneNMF kaleidoCell продемонстрировал двукратное увеличение скорости обработки данных. В качестве прикладного примера авторы использовали анализ глиобластомы при лечении панобинастатом (ингибитором HDAC). Исследование выявило, как ингибирование HDAC изменяет состояния злокачественных клеток на уровне единичных клеток, подтвердив подавление программ, схожих с нейральными и олигодендроцитарными предшественниками. Кроме того, с помощью kaleidoCell был обнаружен ранее неизвестный механизм действия панобинастата — потеря идентичности астроцитоподобных программ. Работа подчеркивает значимость новых вычислительных методов для понимания транскрипционной гетерогенности опухолей и разработки персонализированных стратегий лечения.

В исследовании представлен Tsallis-Gated Autoencoder (Tsallis-GAE) — инновационная архитектура нейросети, разработанная для анализа геномной гетерогенности глиобластомы (GBM). Авторы заменили классический механизм softmax-внимания на обучаемый q-softmax на основе статистики Цаллиса, что позволяет модели лучше работать с «тяжелыми хвостами» распределений экспрессии генов. Исследование проводилось на когорте TCGA-GBM, включающей 391 образец и 2000 высоковариантных генов. Результаты показали, что Tsallis-GAE достигает среднего показателя AUC-ROC 0,977, что значительно превосходит стандартный автоэнкодер (Vanilla AE) с показателем 0,906. Ключевым открытием стало спонтанное схождение энтропийного индекса q к значению 1,554, что подтверждает неэкстенсивную природу сложных биологических систем и превосходство физико-информированного подхода над стандартными методами машинного обучения. Модель продемонстрировала высокую точность при кросс-валидации с другими детекторами аномалий, достигая AUC до 0,998.