секвенирование

В данной научной работе представлен новый класс алгоритмов сэмплинга — 10-минимизаторы, предназначенных для высокопроизводительного секвенирования биоинформатических данных. Авторы решают проблему высокой вычислительной сложности и использования памяти при работе с традиционными минимизаторами, которые требуют хранения рангов k-меров в пространстве Ω(2^k). Впервые доказано, что для любого k > 1 и w ≥ k - 2 случайный 10-минимизатор имеет ожидаемую плотность ниже, чем случайный минимизатор, что является первым подобным теоретическим подтверждением в неасимптотическом режиме. Особое внимание уделено подклассу «spacers», которые сочетают в себе три критических свойства: константное использование памяти, низкую плотность и высокую скорость извлечения ключей k-меров. Эмпирические тесты показали, что spacers способны обрабатывать последовательности размером с геном всего за несколько секунд, превосходя по скорости случайные минимизаторы. Исследование вводит новый стандарт бенчмаркинга — оценку времени извлечения ключей k-меров, что критически важно для оптимизации биоинформатических конвейеров обработки данных.

В статье представлен NANOTAXI — инновационный программный инструмент с графическим интерфейсом (GUI) на базе R Shiny, предназначенный для автоматизированной таксономической классификации данных секвенирования 16S рРНК с использованием технологии Oxford Nanopore. Платформа решает проблему сложности биоинформатического анализа длинных чтений, предоставляя пользователям возможность мониторинга данных в реальном времени и проведения глубокого микробиомного анализа. Система интегрирует четыре различных таксономических классификатора и пять эталонных баз данных, что позволяет гибко настраивать стратегии анализа под конкретные вычислительные ресурсы. Помимо классификации, NANOTAXI поддерживает расчет альфа- и бета-разнообразия, ординацию, тестирование дифференциальной экспрессии и функциональный анализ с помощью PICRUSt2. Валидация на синтетических сообществах и контрольных образцах ZymoBIOMICS подтвердила биологическую достоверность полученных профилей. Сравнительное тестирование (бенчмаркинг) показало, что классификатор Emu обеспечивает минимальный уровень ложноположительных результатов на уровне видов, в то время как Kraken2 демонстрирует наивысшую скорость, обеспечивая непрерывный мониторинг в режиме, близком к реальному времени.

В статье представлен GeneFior — новый прозрачный рабочий процесс (workflow), предназначенный для обнаружения целевых генетических последовательностей, таких как гены антибиотикорезистентности, напрямую из данных геномного и метагеномного секвенирования. Авторы решают проблему традиционных методов, которые полагаются на предварительную сборку (assembly), что часто приводит к потере данных о низкокопийных вариантах и нуклеотидном разнообразии. Методология GeneFior интегрирует в единую систему такие инструменты, как BLAST, DIAMOND, Bowtie2, BWA и Minimap2, позволяя проводить поиск как ДНК, так и белковых последовательностей по любым пользовательским базам данных. Ключевым преимуществом является применение погенного порога идентичности и покрытия на уровнях ридов и генов, что значительно снижает количество ложноположительных результатов при сохранении высокой чувствительности к вариантам с однонуклеотидными различиями. Инструмент обеспечивает полную воспроизводимость за счет экспонирования всех параметров выравнивания и сохранения промежуточных результатов, формируя матрицы консенсусного обнаружения. Это позволяет исследователям напрямую оценивать влияние выбора инструментов и конфигурации параметров на итоговые профили генов, что критически важно для точной метагеномной диагностики.

Исследование представляет deluxpore — специализированный биоинформатический конвейер на базе Nextflow, разработанный для решения проблемы демультиплексирования гибридных библиотек. Авторы решают критическую задачу: совмещение таргетного метагеномного захвата с секвенированием длинными прочтениями (ONT), что ранее было затруднено несовместимостью протоколов. Инструмент использует алгоритмы выравнивания BLAST и сопоставление по расстоянию Левенштейна для обработки прочтений Nanopore, полученных из библиотек Illumina (NEBNext и Nextera). В ходе бенчмаркинга на 18 репликатах было установлено, что для успешной работы необходима точность данных не ниже Q20. Результаты показали, что использование уникальных индексов для каждого образца обеспечивает восстановление 91,7% образцов при Q20, в то время как комбинаторные подходы дают лишь 46,1%. Также авторы оптимизировали конфигурацию из 8 образцов, достигнув точности около 95% при качестве Q20, и выявили проблемные пары индексов в наборе NEBNext Primer Set A. Данная разработка позволяет автоматизировать и сделать надежными рабочие процессы гибридного секвенирования.

Исследователи представили ALPINE (Amplicon Long-read Pipeline for INtegration Evaluation) — новый масштабируемый и воспроизводимый программный конвейер, предназначенный для точной классификации и количественной оценки результатов редактирования генома. В отличие от существующих инструментов, ограниченных короткими чтениями, ALPINE использует технологию секвенирования длинных чтений (long-read sequencing) для анализа гетерогенных исходов, таких как гомологичная репарация (HDR), интеграция шаблонов ДНК и структурные варианты. Система способна классифицировать данные более чем по 10 категориям, включая специфические подтипы интеграции вирусных векторов, что критически важно для разработки клеточной терапии. Уникальной особенностью ALPINE является способность различать клетки, обработанные несколькими векторами репарации ДНК, и идентифицировать такие молекулярные признаки, как инвертированные концевые повторы (ITR). Тестирование на симулированных данных подтвердило высокую точность работы, а применение на реальных образцах отредактированных Т-клеток продемонстрировало возможность полного профилирования результатов редактирования. Инструмент реализован на Python, распространяется через Docker-контейнеры с поддержкой CWL для облачного развертывания и доступен по лицензии MIT.

В статье представлен BCAR — специализированный инструмент для высокоточного картирования баркодов и исправления ошибок при секвенировании ДНК. Основная проблема существующих методов заключается в том, что они используют стандартные алгоритмы выравнивания, построенные на гомологии, и не учитывают в полной мере показатели качества (quality scores) каждого основания, что критично при наличии индель-ошибок (вставок и делеций). Разработанный алгоритм BCAR учитывает все доказательства для каждого вызова основания как в процессе выравнивания, так и при генерации финального консенсуса. Тестирование на симулированных данных с различными уровнями ошибок и длиной чтений показало, что BCAR превосходит существующие методы по точности. Применение инструмента на двух экспериментальных наборах данных подтвердило его способность создавать высококачественные карты баркод-последовательностей. Данная разработка имеет важное значение для биоинформатики и геномных исследований, повышая достоверность идентификации мутаций.

Исследователи представили BulkMonSTR — новый вычислительный фреймворк, предназначенный для точного обнаружения соматического мозаицизма в областях коротких тандемных повторов (STR) человека. Основная сложность задачи заключается в дифференциации реальных мутаций от высокого уровня естественного полиморфизма и шума секвенирования. Методология BulkMonSTR сочетает в себе специфическое моделирование ошибок STR с классификатором на базе машинного обучения (Random Forest), обученным на комплексных наборах данных, включая родословные и симуляции in silico. Инструмент позволяет идентифицировать мутации на уровне нуклеотидов, включая инсерции, делеции и однонуклеотидные варианты (SNV), работая как с контрольными, так и с клиническими образцами. Бенчмаркинг показал, что BulkMonSTR значительно превосходит существующие методы по показателям точности (precision) и F1-score при различных уровнях покрытия и частотах аллелей. Благодаря способности выявлять широкий спектр мутаций, включая те, что возникают на нереференсных аллелях, данный метод открывает новые возможности для масштабного изучения влияния соматических STR-мутаций на процессы старения и развитие заболеваний.

В данном исследовании рассматривается метод использования нанопорового секвенирования для анализа библиотек 10x Genomics single-nucleus multiome, что позволяет преодолеть ограничения стандартного секвенирования Illumina. В то время как короткие прочтения Illumina фиксируют только 3'-конец РНК-транскриптов, теряя информацию о сайтах начала транскрипции (TSS), нанопоровое секвенирование обеспечивает профилирование полноразмерных транскриптов. Авторы продемонстрировали успешное генетическое демультиплексирование данных нанопорового секвенирования, несмотря на его более высокий уровень ошибок по сравнению с традиционными методами. В ходе сравнительного анализа было установлено, что нанопоровое секвенирование мультиомной кДНК позволяет идентифицировать медианно 63% сайтов начала транскрипции (TSS), обнаруженных с помощью специализированного 5'-анализа. Исследование также предлагает оптимизированный подход к предобработке нанопоровых прочтений для повышения точности идентификации TSS. Данная методология имеет высокую значимость для биоинформатики и геномики, предоставляя более глубокое понимание транскрипционной активности на уровне отдельных ядер.

В исследовании проводится сравнительный анализ эффективности шести популярных инструментов поиска соматических вариантов (FreeBayes, MuTect2, Pisces, Platypus, VarDict и VarScan) в рамках клинической молекулярной диагностики. Авторы интегрировали эти инструменты в конвейер Snakemake для обработки данных ампликонного секвенирования коммерческого референсного стандарта HD789, полученных с платформ Illumina MiSeq и NextSeq 2000. Методология включала секвенирование в трех повторностях и использование образца с разведением 1:4 для определения пределов обнаружения вариантов. Результаты показали, что FreeBayes выявляет наибольшее количество соматических вариантов, однако характеризуется повышенным количеством артефактов. Наилучшие показатели точности и согласованности на данных HD789 продемонстрировали алгоритмы FreeBayes, VarScan, MuTect2 и Pisces. Исследование имеет высокую практическую значимость для оптимизации биоинформатических пайплайнов в лабораторной диагностике рака.

В статье представлен RastQC — новый инструмент для контроля качества данных высокопроизводительного секвенирования, написанный на языке Rust. Разработчики создали полную замену стандартному инструменту FastQC, устранив недостатки, связанные с зависимостью от Java, такие как высокий расход памяти и сложность развертывания. RastQC включает 12 стандартных модулей контроля качества, а также 3 дополнительных модуля для анализа длинных чтений (long-read), поддерживая форматы Oxford Nanopore (Fast5/POD5) и SOLiD. Тестирование на данных различных организмов, включая Homo sapiens, показало, что RastQC потребляет в 4–9 раз меньше оперативной памяти (59–125 МБ против 551–638 МБ у FastQC) при сохранении сопоставимой скорости работы. Инструмент демонстрирует 100% конкордантность с FastQC по результатам общих модулей и поставляется в виде единого статического бинарного файла размером всего 2,1 МБ. Это делает его крайне эффективным для интеграции в биоинформатические конвейеры и облачные системы обработки геномных данных.

Исследование посвящено решению проблемы точной идентификации видов грибов, что критически важно для экологии, пищевой безопасности и патологии растений. Авторы сравнивают два биоинформатических подхода для обработки данных секвенирования Oxford Nanopore (ITS-регион): традиционный CPU-конвейер с использованием байесовского движка машинного обучения и ускоренный GPU-конвейер, применяющий нейронные сети и модели сверхвысокой точности (SUP). Результаты показывают, что использование графических процессоров (GPU) значительно повышает точность на уровне видов за счет эффективной коррекции систематических ошибок в гомополимерных регионах. В то же время, внедрение автоматизированной оптимизации гиперпараметров в CPU-средах позволяет достичь стабильной кластеризации последовательностей и высокой таксономической согласованности на уровне рода. Данная работа предлагает масштабируемый протокол, позволяющий исследователям выбирать между максимальной точностью (GPU) и доступностью инфраструктуры (CPU) без существенной потери научной ценности данных.

В статье представлен EMITS — новый высокопроизводительный инструмент на языке Rust, предназначенный для точного количественного анализа грибковых сообществ на основе ITS-ампликонов. Основная проблема текущих методов заключается в неверном распределении прочтений между близкородственными видами при использовании наивного метода «лучшего совпадения». Разработчики применили алгоритм expectation-maximization (EM) для итеративного разрешения неоднозначных соответствий между прочтениями и референсными последовательностями из базы данных UNITE. Валидация инструмента проводилась с помощью симуляций, синтетических сообществ и реальных образцов Oxford Nanopore (ONT). Результаты показали, что EM-подход снижает ошибку L1 на 80–92% по сравнению с обычным подсчетом в условиях шума. В тестах на сообществах ONT инструмент успешно разделил виды внутри одного рода (например, Trichophyton mentagrophytes и T. simii), которые ранее классифицировались ошибочно. Использование EMITS позволило снизить количество ложноположительных результатов по численности на 54% и повысить общую точность на 13,4%.

Исследование посвящено разработке экономически эффективного метода оценки инбридинга у домашних собак с помощью ультранизкого покрытия полногеномного секвенирования (ulcWGS). Авторы предложили альтернативу дорогостоящему секвенированию с высоким или средним покрытием, что критически важно для популяционной и сельскохозяйственной генетики. В ходе работы был сконструирован многопородный референсный панель на основе образцов с высоким покрытием, после чего проводилась оценка инбридинга в независимых образцах ulcWGS через анализ участков гомозиготности (RoH) и коэффициентов инбридинга (F). С помощью нелинейной регрессии была смоделирована зависимость между этими показателями и глубиной секвенирования. Результаты подтвердили значительную корреляцию между относительными измерениями RoH и F, при этом у чистокровных собак было зафиксировано больше участков гомозиготности и более высокие коэффициенты инбридинга по сравнению со смешанными породами. Данный метод позволяет значительно снизить стоимость генетического мониторинга, делая его более доступным для широкого круга исследователей и селекционеров.

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.

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.

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.