единичные клетки

Исследователи разработали интегрированный экспериментальный и вычислительный конвейер для аннотации клеток на уровне белков с применением масс-спектрометрии единичных клеток (SCP). Методология включала изоляцию T-клеток, B-клеток, моноцитов и NK-клеток методом негативной селекции для создания высокоточного референса, параллельно несортированные PBMC обрабатывались на системе cellenONE с детекцией label-free DIA на масс-спектрометре Orbitrap Astral Zoom. Авторы систематически бенчмаркили методы нормализации, импутации и кластеризации для оценки их влияния на разделение типов клеток. Ненаблюдаемый анализ разрешил функциональные субпопуляции внутри каждой линии, а вероятностный SCP-классификатор, обученный на этих аннотациях, идентифицировал соответствующие типы клеток и состояния в несортированной фракции PBMC. Работа предоставляет аналитически бенчмаркированный SCP-воркфлоу с готовым к использованию белковым референсом для присвоения иммунных клеток. Вычислительные методы включают машинное обучение для классификации клеточных типов, что имеет значение для иммунологических исследований и персонализированной медицины.

В исследовании представлен scINTILLA — новый вычислительный фреймворк, предназначенный для оценки качества и согласованности аннотаций типов клеток в данных секвенирования РНК единичных клеток (scRNA-seq). Методология объединяет методы обучения с учителем и без учителя: неконтролируемый компонент тестирует широкий спектр алгоритмов кластеризации для вычисления оценки путаницы соседств, а контролируемый компонент обучает до 12 классификаторов для анализа согласия прогнозов, энтропии и уверенности. Итоговый композитный показатель позволяет выявлять неоднородность популяций и двусмысленность меток, которые могут искажать результаты последующего автоматизированного переноса меток. Авторы протестировали инструмент на пяти наборах данных Human Cell Atlas (мозг, легкие, глаз и органоиды), обнаружив значительные различия в согласованности аннотаций. Применение scINTILLA к низкооцененным популяциям в атласах легких и энтодермальных органоидов позволило успешно идентифицировать биологически значимые субпопуляции клеток, которые ранее были объединены в общие категории. Инструмент служит практическим руководством для проведения научно обоснованной реаннотации клеточных атласов.

Исследование посвящено критической проблеме оценки моделей машинного обучения, которые предсказывают изменения клеточных фенотипов при различных биологических воздействиях (возмущениях). Авторы указывают на отсутствие единых стандартов оценки, что делает результаты различных бенчмарков несопоставимыми и тормозит развитие отрасли. В работе представлена новая таксономия, которая классифицирует протоколы оценки по четырем параметрам: репрезентация данных, метрики, трансформация оценок и стратегии отчетности. Для решения проблемы разработчики представили scPertEval — специализированный Python-пакет с эталонными реализациями различных протоколов оценки. С помощью этого инструмента было проведено тестирование на семи общедоступных наборах данных единичных клеток (single-cell datasets), что позволило выявить, как выбор конкретной метрики искажает восприятие качества прогнозов. Работа имеет высокую значимость для биоинформатики и разработки ИИ-инструментов для прецизионной медицины, так как предлагает методологическую базу для создания более точных и сопоставимых моделей прогнозирования ответа клеток на терапию.

Исследователи разработали CDRPipe (Computational Drug Repurposing Pipeline) — единую вычислительную платформу для ускоренного поиска новых применений существующих лекарств на основе анализа транскриптомных сигнатур. Методология заключается в гармонизации данных микрочипов из базы Connectivity Map (1 968 экспериментов) с псевдо-bulk профилями, полученными из масштабных данных секвенирования РНК единичных клеток базы Tahoe-100M (56 827 экспериментов). В ходе тестирования на 233 сигнатурах заболеваний было установлено, что профили единичных клеток демонстрируют значительно более высокую эффективность: медианная полнота охвата (recall) составила 50,0% против 6,2% у микрочипов (p < 10^-11). Ключевым открытием стало то, что данные двух технологий крайне мало пересекаются (всего 3,5% общих препаратов), что делает их интеграцию критически важной для расширения терапевтического охвата. Использование CDRPipe позволяет выявлять высокоточные консенсусные кандидаты, что подтверждено успешными кейсами в области аутоиммунных заболеваний и эндометриоза. Данный подход существенно повышает надежность и интерпретируемость процесса перепрофилирования лекарственных средств с помощью ИИ и биоинформатики.

Исследователи представили scSAID (skin-scsaid.com) — масштабную интерактивную базу данных единичных клеток кожи, объединяющую более 1,2 миллиона высококачественных клеток из 252 образцов человека и мыши. Платформа служит единым референсом для аннотации типов клеток и проведения межвидовых сравнений в патологических исследованиях. В качестве примера авторы использовали модель псориаза, вызванную имиквимодом у мышей, и обнаружили значительные различия в молекулярных сигнатурах: в частности, активация NFKB1 и участие STAT1 оказались специфичными для человека. Это доказывает, что существующие мышиные модели воспроизводят лишь ограниченную часть патологии заболевания. Кроме того, с помощью нового алгоритма psoSpotter и компьютерного моделирования возмущений (in silico perturbation) на базе данных scSAID, был идентифицирован ген PPIA как потенциальная новая мишень для терапии псориаза. Данный ресурс открывает новые возможности для поиска терапевтических мишеней в дерматологии с использованием методов машинного обучения и биоинформатики.

В статье представлен scRepresenter — новый инструмент с открытым исходным кодом, предназначенный для решения проблем разреженности данных и гетерогенности при анализе scRNA-seq. Авторы разработали комплексный рабочий процесс, который позволяет вычислять, интегрировать и валидировать клеточные эмбеддинги, полученные как с помощью масштабных моделей-оснований (foundation models), так и через методы, опирающиеся на биологические знания. Инструментарий включает в себя интерфейс командной строки для автоматизации вычислений и интерактивное приложение Shiny для визуального сравнения различных типов репрезентаций. scRepresenter поддерживает четыре ключевые категории эмбеддингов: экспрессионные, основанные на знаниях, производные от моделей-оснований и гибридные модели. Система принимает на вход матрицу подсчета экспрессии генов по клеткам и выдает интегрированный объект, готовый к глубокому анализу. Данная разработка имеет критическое значение для изучения сложных заболеваний, таких как боковой амиотрофический склероз (БАС), позволяя исследователям более точно идентифицировать переходные состояния клеток.

В статье представлен DPCGS — инновационный вычислительный фреймворк, предназначенный для интеграции статистик полногеномного поиска ассоциаций (GWAS) с данными секвенирования РНК единичных клеток (scRNA-seq). Основная цель метода заключается в преодолении сложности связи генетических вариантов с конкретными клеточными популяциями, что критически важно для понимания механизмов сложных заболеваний. Методология DPCGS базируется на гипотезе, что гены, приоритезированные в GWAS, демонстрируют повышенную экспрессию в соответствующих целевых клетках по сравнению с контрольными группами. Бенчмаркинг на симулированных данных подтвердил, что DPCGS превосходит существующие аналоги по точности и чувствительности при идентификации релевантных типов клеток. В ходе практического применения алгоритма были выявлены ключевые клеточные субпопуляции: олигодендроциты и астроциты при болезни Альцгеймера, а также макрофаги и B-клетки при астме. Кроме того, метод позволил определить потенциальные молекулярные регуляторы, такие как транскрипционные факторы CD74, FOS, FLI1 и AP-1. Данная разработка открывает новые возможности для поиска биомаркеров и разработки таргетной терапии.

В исследовании представлена инновационная вычислительная токсикологическая платформа для изучения влияния пер- и полифторалкильных веществ (PFAS), в частности PFOS и PFHxS, на развитие псориаза. Авторы использовали комплексный подход, объединяющий транскриптомику воздействия на модели эпителиальных клеток, полученных из эмбриональных стволовых клеток человека, с данными секвенирования РНК единичных клеток (scRNA-seq) и пространственной транскриптомики. В ходе работы было установлено, что сигнатуры PFOS и PFHxS демонстрируют высокую степень конвергенции с воспалительными процессами при псориазе, затрагивая модули воспаления кератиноцитов, эпидермального стресса, цитоскелета и липидного обмена. С помощью метода виртуального возмущения (virtual perturbation), совместимого с моделью Geneformer, были идентифицированы ключевые эффекторы, такие как S100A9, S100A8, KRT16 и IL36G. Результаты пространственного анализа подтвердили локализацию этих программ именно в активированных кератиноцитах и воспалительных нишах эпидермиса. Данная работа закладывает основу для проверки гипотезы о связи стойких химических загрязнителей с хроническими воспалительными заболеваниями кожи на молекулярном уровне.

Исследователи представили TMO (Temporal Multi-Omics) — инновационную архитектуру глубокого обучения, предназначенную для анализа временной динамики между доступностью хроматина (ATAC) и экспрессией генов (RNA). В отличие от существующих симметричных моделей, TMO использует механизм асимметричного кросс-модального внимания, что позволяет учитывать направленную связь и специфические временные задержки (regulatory lags), зависящие от текущего состояния клетки. Методология включает проекцию данных в латентные компоненты и использование двухпроходного трансформера с априорным смещением задержки, полученным через скользящую кросс-корреляцию. Тестирование на четырех наборах данных 10x Multiome (мозг и почки мышей, мозг и PBMC человека) показало выдающиеся результаты: показатели согласованности задержек (LCS) достигли 0.988–0.999 против 0.048–0.108 у симметричных моделей. Модель успешно выявила смену режимов регуляции: от ATAC-ведущего прайминга на ранних этапах развития до RNA-ведущей регуляции на поздних стадиях. Валидация через ChIP-seq и Perturb-seq (включая нокауты SMARCB1 и SMARCE1) подтвердила биологическую значимость выявленных паттернов, что делает TMO мощным инструментом для изучения механизмов клеточной дифференцировки и развития.

В статье представлен ANCHOR — инновационный вычислительный фреймворк, предназначенный для анализа транскриптомов единичных клеток с использованием секвенирования РНК длинными чтениями. Методология ANCHOR объединяет в себе поиск вариантов на основе ориентированных графов (signed-graph variant caller), парное скрытое марковское моделирование и бета-биномиальную агрегацию UMI. Это позволяет проводить обнаружение экспрессируемых вариантов de novo, назначать гаплотипы на уровне отдельных молекул и количественно оценивать аллельную экспрессию для конкретных изоформ без необходимости в предварительно фазированном генотипе или использовании глубокого обучения. В ходе бенчмаркинга на данных человека ANCHOR продемонстрировал превосходство над существующими инструментами при низком и умеренном покрытии, а использование бета-биномиальной модели позволило значительно снизить количество ложноположительных результатов при тестировании аллель-специфичной экспрессии. Применение метода на данных мышиных эмбрионов в процессе гаструляции позволило успешно выявить специфичные для типов клеток импринтинговые эффекты и обнаружить антагонистическую матерински-смещенную изоформу гена Sgce. Данный инструмент открывает новые возможности для детального изучения диплоидных транскриптомов на уровне единичных клеток.

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.

Исследователи представили scMultiPreDICT — новый вычислительный фреймворк, предназначенный для сравнительного моделирования экспрессии генов на основе данных мультиомики единичных клеток. Методология исследования включала бенчмаркинг RNA-only, ATAC-only и мультимодальных наборов признаков с использованием шести различных моделей машинного обучения, включая регрессию, древовидные модели и глубокое обучение. Результаты показали, что признаки, полученные из РНК, обеспечивают высокую прогностическую способность, в то время как доступность хроматина (ATAC) сама по себе дает лишь умеренные результаты. Важным открытием стало то, что мультимодальная интеграция не всегда повышает точность предсказания; её эффективность зависит от конкретного гена и клеточного контекста. Анализ значимости признаков подтвердил, что транскрипционные факторы доминируют для большинства генов, однако эпигенетическая доступность вносит существенный вклад в регуляцию определенного подмножества генов. Данный инструмент, реализованный на языке R, позволяет систематически оценивать вклад различных регуляторных уровней, что критически важно для планирования таргетных исследований и разработки терапевтических стратегий.

В статье представлен Locat — новый вычислительный фреймворк, предназначенный для повышения точности идентификации маркерных генов в данных транскриптомики единичных клеток (scRNA-seq). В отличие от существующих методов, которые фокусируются только на обогащении генов в целевых популяциях, Locat одновременно оценивает и значительное снижение экспрессии генов за пределами этих популяций (деплецию). Методология основана на использовании взвешенных гауссовых смешанных моделей для моделирования плотности экспрессии генов и фонового шума, что позволяет вычислять единый показатель локализации. Тестирование на синтетических и биологических данных (включая дерму мыши и PBMC человека) показало, что Locat эффективно выявляет компактные наборы генов, отражающие линии дифференцировки и временную динамику регуляции. Использование таких локализованных наборов генов позволяет строить эмбеддинги, которые лучше сохраняют разделение клеточных популяций и траектории развития, чем стандартные методы отбора высокоизменчивых генов. Важным преимуществом является способность метода выявлять стимул-зависимые программы (например, при воздействии интерферона-бета) без необходимости предварительной коррекции батч-эффектов или интеграции данных.