секвенирование РНК

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.

GraphHDBSCAN* — это новый алгоритм машинного обучения для кластеризации данных одноячеистого секвенирования РНК (scRNA-seq), широко используемого в биомедицинских исследованиях для анализа клеточного разнообразия. Метод представляет собой иерархическое расширение HDBSCAN*, которое работает непосредственно с графовой структурой данных, устраняя необходимость в ручной настройке гиперпараметров. В отличие от существующих подходов, фокусирующихся на плоских кластерах, GraphHDBSCAN* сохраняет иерархическую организацию клеток, выявляя как широкие типы клеток, так и их специализированные подтипы. Исследователи протестировали метод на множестве наборов данных scRNA-seq и продемонстрировали, что алгоритм восстанавливает биологически значимые иерархии, включая тонкую структуру субпопуляций моноцитов. Метод обеспечивает высококачественные плоские кластеризации, превосходящие широко используемые методы обнаружения сообществ. GraphHDBSCAN* особенно важен для онкологических исследований, иммунологии и разработки персонализированных терапий, где точное определение клеточных популяций критично для понимания механизмов заболеваний и оценки ответа на лечение.