единичные клетки

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.