В исследовании представлен инновационный подход к анализу биологических изображений, основанный на методе дискретного обратного рендеринга. Авторы предлагают заменить традиционные локальные методы (такие как не-максимальное подавление или жадные алгоритмы связывания) на глобальную оптимизацию с использованием современных решателей целочисленного программирования. Этот метод позволяет совместно выбирать наиболее вероятные сценарии развития событий, учитывая временные и биологические ограничения, такие как деление клеток, появление и исчезновение объектов. Тестирование проводилось на различных типах данных: сплайнах C. elegans, жгутиках сперматозоидов и делящихся клетках Huh7. Результаты показали, что метод сопоставим с узкоспециализированными современными пайплайнами, но значительно превосходит их в условиях низкого качества сигнала. В частности, при анализе флуоресцентного видео клеток гепатомы Huh7 показатель F1-меры обнаружения вырос в два раза — с 0,31 до 0,58, что подтверждает высокую эффективность метода в сложных условиях визуализации.
В статье представлен новый метод анализа данных одноядерной РНК-секвенирования (scRNA-seq), названный c-TSNE и c-UMAP, который решает проблему неинтерпретируемости стандартных методов снижения размерности, таких как t-SNE и UMAP, основанных на евклидовой геометрии. Авторы предлагают фреймворк «слияния информации, управляемый клетками» (cell-driven information fusion), который строит матрицу аффинности напрямую из сырых счетных данных, интегрируя три биологических сигнала: паттерны обнаружения генов, величину экспрессии доминирующих транскриптов и глобальную корреляцию профилей. Метод использует оператор, адаптированный к разреженности данных, и диагностический инструмент для отслеживания того, какой именно биологический компонент определяет границы локальных кластеров, обеспечивая тем самым объяснимость результатов. Оценка проводилась на 29 наборах данных и двух протоколах против 11 базовых методов; c-UMAP показал наивысшие средние значения нормализованного и скорректированного индексов взаимной информации (NMI и AMI) во всех условиях, причем улучшения оставались статистически значимыми после поправки Бонферрони. Важным преимуществом является использование единого фиксированного вектора весов для всех наборов данных, что доказывает внутреннюю устойчивость алгоритма без необходимости подбора гиперпараметров под конкретный датасет. Метод масштабируется до 1,14 миллиона клеток, работая в 22 раза быстрее ведущих аналогов, и, что критически важно, избегает потери до 46,9% ключевых дифференциально экспрессируемых генов (таких как IAPP и FOXP3), характерной для методов, требующих отбора генов по дисперсии. Результаты демонстрируют совместимость атласного масштаба, сохранения сырых данных и механистической интерпретируемости в задачах клеточной биологии.
В статье исследовано влияние гипоксии на интернализацию ДНК-тетраэдров (DNA Td) — перспективных наноконтейнеров для доставки лекарств. Авторы синтезировали и охарактеризовали Cy5-меченые ДНК-тетраэдры и создали модель химической гипоксии в клеточных линиях HeLa, MDA-MB-231 и MCF-7. Гипоксию подтверждали по ядерной транслокации фактора HIF-1. С помощью конфокальной микроскопии обнаружено значительное снижение поглощения ДНК-тетраэдров в условиях гипоксии, тогда как поглощение трансферрина и холерного токсина B возрастало, что указывает на селективную регуляцию эндоцитоза в зависимости от типа груза. Эксперименты с температурным арестом подтвердили снижение энергозависимой интернализации. Фармакологическое профилирование показало переключение с клатрин-опосредованных и галектин/гликан-зависимых путей на липид-рафт/холестерин-зависимое поглощение. Гипоксия увеличивала электроотрицательность плазматической мембраны, что создает биофизический барьер для поглощения ДНК-тетраэдров. Ключевым результатом стало то, что комплексообразование с катионным липидом DOTMA восстанавливало поглощение до нормоксического уровня, подтверждая роль электростатического отталкивания как основного фактора. В экспериментах на личинках zebrafish гипоксия значительно усиливала накопление ДНК-тетраэдров во всем организме. Полученные данные подчеркивают важность инженерии поверхностного заряда как стратегии улучшения доставки ДНК-наноструктур в гипоксических условиях, что актуально для разработки противоопухолевых терапевтических систем, поскольку гипоксия характерна для микроокружения многих солидных опухолей.
Виртуальное окрашивание (virtual staining) — перспективный метод, позволяющий заменить дорогостоящую флуоресцентную микроскопию на дешёвую label-free микроскопию с последующей генерацией окрашенных изображений с помощью нейросетей. Однако его практическое применение зависит от способности моделей к обобщению на новые данные. В данном исследовании авторы систематически проверили, насколько семь широко используемых метрик оценки качества изображений (IQA) — MAE, PSNR, SSIM, foreground PSNR и SSIM, LPIPS и DISTS — пригодны для оценки виртуального окрашивания. Они применили контролируемые деградации (изменение интенсивности, текстуры, морфологии) к изображениям Cell Painting, охватывающим 18 клеточных линий, различные плотности посева и флуоресцентные каналы. Оказалось, что канал, клеточная линия и плотность посева объясняют значительную часть вариаций метрик даже после учёта степени деградации. Метрики DISTS и foreground-метрики показали лучший баланс между чувствительностью к деградации и инвариантностью к биологическому контексту, однако ни одна метрика не была полностью независима от биологических условий. При постепенном ухудшении изображений большинство метрик использовали лишь малую часть своего номинального диапазона значений и часто выходили на плато, тогда как визуальное качество продолжало падать. Далее авторы обучили три популярные архитектуры (UNet, WGAN-GP, UNeXt) на пяти плотностях посева клеток U2-OS и оценили их предсказания на 17 ранее не встречавшихся клеточных линиях. Архитектура и плотность посева вместе объясняли менее 2% вариаций метрик, а визуальный анализ показал, что одинаковые значения метрик могут соответствовать качественно разным ошибкам (например, различиям в морфологии клеток и интенсивности маркеров). Авторы делают вывод, что традиционные IQA-метрики плохо переносятся на задачи виртуального окрашивания, и рекомендуют выбирать и оптимизировать модели, ориентируясь на конкретное приложение, например, на высокопроизводительный скрининг лекарств без меток.
Исследователи представили Human Developmental Lung Cell Atlas (HDLCA) — масштабный курируемый атлас респираторной системы, объединяющий 253 набора данных из 225 исследований. Проект охватывает более 18 миллионов клеток, полученных из 3 198 образцов 2 460 человек, охватывая 34 анатомические локации в состоянии здоровья и при патологиях. В ходе работы было определено 142 консенсусных типа клеток легких, включая 13 редких и 8 ранее не описанных типов. Ключевым открытием стало обнаружение редкой популяции промежуточных прогениторных альвеолярных эпителиальных клеток (Int AP), которые обладают транскрипционными признаками как клеток типа AT2, так и AT1. Траекторный анализ показал, что эти клетки возникают из AT2 и секреторных клеток SCGB1A1+, а их специализация регулируется сигнальным путем Hippo-YAP/TAZ. Установлено, что дисфункция Int AP клеток связана с генетической предрасположенностью к идиопатическому легочному фиброзу и ХОБЛ, что делает их потенциальной мишенью для регенеративной терапии. Данный атлас служит фундаментальной базой для картирования клеточного разнообразия и разработки новых стратегий клеточной терапии заболеваний легких.
Исследователи представили Spatium — инновационную фундаментальную модель (foundation model), использующую принципы языковых моделей для анализа пространственной протеомики. Модель была обучена на колоссальном массиве данных, охватывающем более 51 миллиона клеток, полученных с различных платформ пространственного протеомного анализа. Основная задача Spatium — решение проблемы ограниченных и перекрывающихся панелей белков, что мешает полноценной характеристике клеток в разных наборах данных. Благодаря изучению иерархий коэкспрессии, Spatium формирует стабильные и биологически интерпретируемые представления клеточных состояний, устойчивые к изменениям состава панелей и масштаба измерений. В ходе тестирования модель успешно восстанавливала пропущенные значения белков, сохраняя биологическую достоверность паттернов экспрессии, и точно определяла клеточную идентичность. Spatium также позволяет выявлять функционально различные пространственные микроокружения через анализ сигнатур обогащения маркеров, что открывает новые возможности для высокоточного анализа клеточных взаимодействий в тканях.
В исследовании представлена Evolutionary Cell Ontology (ECO) — новая ИИ-нативная формальная среда, построенная на субстрате {Sigma}0, которая решает проблему разрыва между статистической корреляцией и механистическим пониманием в биологических моделях. В отличие от традиционных методов, ECO представляет биологические знания напрямую в виде векторно-кодированных реляционных графов, используя 16 структурных операторов, которые работают одновременно как глифы знаний и тензорные операции. Авторы разработали протокол LSCP (Latent Space Communication Protocol) для интеграции этих графов в остаточные потоки (residual streams) больших языковых моделей, что позволяет проводить аудит биологических знаний внутри нейросетей. В ходе симуляций эволюции семейства глобинов модель достигла точности реконструкции предковых состояний в 82–91%. При моделировании клеточного цикла млекопитающих система успешно воспроизвела два полных осцилляторных цикла с возникновением фазового портрета четырех аттракторов без явного программирования. Исследование показало, что расстояние в эмбеддингах ECO коррелирует с дивергенцией 60 семейств белков (коэффициент Пирсона r = 0.50), превращая непрозрачные фундаментные модели в измеримые и навигационные карты биологического покрытия.
Исследователи представили новый метод STITCH (Shape-TranscriptomIc Correlation and Harmonization), предназначенный для анализа взаимосвязи между формой клеток и их генетическим профилем в данных пространственной транскриптомики (ISS). В основе метода лежит использование тангенциального анализа главных компонент (TPCA) на многообразии форм Кендалла, что позволяет получить интерпретируемое представление о контурах клеток, не смешивая параметры формы и размера. В ходе тестирования на наборе данных Xenium метод STITCH превзошел подходы на базе глубокого обучения, успешно восстановив сложную слоистую организацию кератиноцитов и пространственный градиент эксцентриситета ядер. При анализе данных CosMx по меланоме метод выявил устойчивую связь между вытянутыми и треугольными фибробластами и их близостью к злокачественным клеткам, что коррелировало с программой миофибробластов. Кроме того, STITCH независимо подтвердил связь между мезенхимально-подобными состояниями злокачественных клеток и увеличением их площади в двух когортах пациентов. Данная технология открывает новые возможности для интерпретируемого анализа морфологических и транскриптомных взаимосвязей на различных платформах пространственной биологии.
В исследовании представлен GeroEngine — инновационный программный фреймворк на базе вариационных автоэнкодеров (VAE), предназначенный для моделирования траекторий старения тканей по данным секвенирования РНК единичных клеток (scRNA-seq). Основная проблема существующих методов заключается в деструктивном характере scRNA-seq, что исключает возможность долгосрочного наблюдения за одними и теми же клетками, а также в наличии технических артефактов (dropout). Разработанная методология позволяет проводить симуляцию траекторий «вперед» и «назад», что помогло выявить три ключевых столпа старения: коллапс идентичности линий/репликации, половой диморфный эндокринно-стрессовый кор и воспалительное ремоделирование. В ходе тестирования на микроглии и гемопоэтических стволовых клетках (HSC) модель успешно минимизировала технические артефакты, сохранив гетерогенность траекторий. Исследование показало, что программы идентичности восстанавливаются при двунаправленном моделировании, в то время как воспалительные программы (MHC/NF-κB) проявляются преимущественно в направлении старения. Авторы делают важный вывод о том, что для борьбы со старением необходимо фокусироваться на восстановлении гомеостаза (upstream), а не просто на подавлении воспаления (downstream).
В исследовании представлен CiliAI — веб-ориентированный рабочий процесс на базе глубокого обучения, предназначенный для автоматизации анализа первичных ресничек. Система решает проблему трудоемкости ручного анализа 3D-изображений конфокальной микроскопии, обеспечивая автоматическое обнаружение и сегментацию ключевых субструктур: базального тела, переходной зоны и аксонемы. В ходе тестирования на клетках линии NIH-3T3 автоматизированные измерения длины ресничек показали высокую точность, практически идентичную ручному методу (средняя разница составила всего -0,214 мкм при p = 0,213). Алгоритм успешно воспроизвел биологические эффекты, зафиксировав снижение интенсивности сигнала белка Cep290 в клетках с дефицитом Rpgrip1l, что подтверждает его валидность для изучения молекулярных механизмов. Использование CiliAI позволяет сократить время анализа с нескольких дней ручной работы до считанных минут. Данный инструмент представляет значительную ценность для клеточной биологии и биомедицинских исследований, ускоряя изучение механизмов клеточной пролиферации и дифференцировки.
Исследователи представили Static2Dynamic — инновационный фреймворк, предназначенный для реконструкции динамических биологических процессов на основе набора статических изображений. Методология решает проблему невозможности непрерывного наблюдения за развитием тканей или прогрессированием заболеваний в реальном времени. Алгоритм работает в три этапа: восстановление непрерывного псевдовремени (pseudotime) в глубоком репрезентативном пространстве, обучение генеративной модели изображений и последующая реконструкция временно согласованных видеороликов. В ходе количественной валидации на двух масштабных наборах данных микроскопических видео, созданных специально для бенчмаркинга, метод продемонстрировал высокую точность сопоставления траекторий псевдовремени с реальной биологической динамикой. Технология позволяет моделировать прошлое и будущее состояния клеток, расширяя границы наблюдаемого пространства живых систем. Статическое изображение теперь может служить отправной точкой для симуляции полных траекторий развития, которые ранее были недоступны для прямой записи.
