транскриптомика

В статье представлен PERREO — новый комплексный биоинформатический инструмент, предназначенный для глубокого анализа экспрессии повторяющихся элементов (транспозонов) на основе данных секвенирования коротких и длинных чтений. Традиционные методы RNA-seq часто игнорируют или недооценивают молекулы РНК, происходящие из повторяющихся элементов, так как они оптимизированы под аннотированные гены. PERREO решает эту проблему, обеспечивая полный цикл обработки данных: от контроля качества и специфического для повторов выравнивания до анализа дифференциальной экспрессии и сборки транскриптов de novo. Авторы провели валидацию инструмента на клеточных линиях, опухолевых тканях и жидкостной биопсии, подтвердив его превосходную чувствительность к сигнатурам повторяющейся РНК по сравнению со стандартными подходами. Интеграция прогностического моделирования в пайплайн позволяет выявлять биологические ассоциации и строить сети ко-экспрессии. Данная разработка значительно снижает биоинформатический порог входа для исследователей, открывая новые возможности для изучения роли репотома в развитии онкологических заболеваний и других патологий.

В данном исследовании рассматривается проблема систематических ошибок в транскриптомных данных, вызванных технической гетерогенностью и популяционной стратификацией. Авторы предложили гипотезу о том, что одновременное использование суррогатных переменных (SV) для коррекции экспрессии и главных компонент (PC) на основе генотипа обеспечит более точные результаты, чем использование каждого метода по отдельности. Исследование проводилось на двух независимых наборах данных РНК-секвенирования пациентов с боковым амиотрофическим склерозом (БАС): KCLBB (148 участников) и ALS Consortium (307 участников). Результаты показали, что комбинированная модель (SV+PC) значительно превосходит остальные подходы: индекс сходства Жаккара (воспроизводимость) вырос с 2,28% до 19,5%, а биологическая точность (recall) при поиске известных генов БАС увеличилась вдвое по сравнению с использованием только SV. Исследование доказывает, что совмещение методов позволяет расширить транскриптомный сигнал без потери стабильности величины эффекта. Авторы рекомендуют внедрение этого комбинированного подхода в стандартную практику анализа данных, особенно когда доступны сопоставленные генотипические данные.

Исследователи представили STDrug — инновационную вычислительную платформу, предназначенную для персонализированного подбора лекарственных средств с учетом пространственного контекста тканей. В отличие от традиционных методов, основанных на секвенировании РНК единичных клеток (scRNA-seq), STDrug интегрирует данные пространственной транскриптомики, графовое моделирование и мультимодальное обучение. Методология включает использование графовых сверточных сетей и метода когерентного точечного дрейфа для выравнивания пространственных доменов между здоровыми и пораженными тканями. Система ранжирует потенциальные препараты, комбинируя сигнатуры обратимых генов опухоли, оценки возмущений и весовые коэффициенты генов на основе биологических знаний. В ходе тестирования на данных гепатоцеллюлярной карциномы и рака простаты метод продемонстрировал превосходство над существующими аналогами, достигнув точности предсказания AUC в диапазоне 0,81–0,82. Валидация результатов с помощью электронных медицинских карт и тестов in vitro подтверждает высокую трансляционную значимость платформы для точной медицины.

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.

Данное исследование посвящено поиску ключевых биомаркеров для прогнозирования выживаемости пациентов с плоскоклеточным раком полости рта (OSCC), что является критически важной задачей из-за сложности ранней диагностики. Авторы использовали биоинформатический подход, проанализировав транскриптомные данные TCGA-HNSC (The Cancer Genome Atlas). В ходе дифференциального экспрессионного анализа были выявлены гены с существенными отклонениями в опухолевых тканях по сравнению с нормой. С помощью построения сети белок-белковых взаимодействий (PPI) в программах STRING и Cytoscape были определены центральные регуляторные узлы (хаб-гены). Ключевыми выявленными генами стали CDK1, CCNB1, TOP2A, BUB1 и MMP9, которые играют важную роль в клеточном цикле и ремоделировании внеклеточного матрикса. Анализ выживаемости подтвердил, что повышенная экспрессия этих генов статистически значимо коррелирует с сокращением общей продолжительности жизни пациентов. Результаты исследования предоставляют новые молекулярные мишени для стратификации рисков и разработки таргетной терапии OSCC.

В данном исследовании рассматриваются подходы к интерпретации экспрессии генов для определения клеточной идентичности и активных молекулярных программ. Авторы фокусируются на микроглии — типе клеток, характеризующемся высокой транскриптомной, функциональной и морфологической гетерогенностью. В работе проводится сравнительный анализ двух методов анализа единичных клеток: дифференциальной экспрессии (для определения идентичности) и анализа сетей коэкспрессии (для выявления молекулярных программ). Результаты показывают, что анализ сетей коэкспрессии позволяет идентифицировать высокозначимые функциональные онтологии, которые не обнаруживаются при стандартном анализе дифференциальной экспрессии. Выявленные модули коэкспрессии сохраняются в различных транскриптомных наборах данных, что указывает на существование сократимых функциональных программ, активирующихся в зависимости от контекста. Исследование обосновывает использование анализа коэкспрессии как наиболее эффективного метода для описания функций микроглии через модель параллельных молекулярных программ.

В статье представлен ARACRA — инновационный полностью автоматизированный конвейер (pipeline) для анализа данных РНК-секвенирования, предназначенный для упрощения процесса биоинформатической обработки. Система охватывает весь рабочий процесс: от обработки необработанных FASTQ-файлов до определения транскриптомной точки отсчета (tPoD) с использованием механизма контроля «человек в цикле» (human-in-the-loop). Процесс разделен на два ключевых этапа: первый включает контроль качества, выравнивание на референсный геном и квантификацию экспрессии генов, а второй — статистический анализ дифференциальной экспрессии и моделирование зависимости «доза-эффект». Инструмент реализован в виде интерактивного веб-приложения на базе Nextflow и Streamlit, что значительно снижает вычислительную сложность для биологов. ARACRA позволяет исследователям проводить сквозной анализ, визуально инспектировать данные для фильтрации шума и выбросов, а также использовать собственные наборы данных. Программное обеспечение доступно бесплатно под лицензией MIT на GitHub, что делает его ценным ресурсом для токсикологии и оценки рисков.

Представлен CoLa-VAE — новый глубокий генеративный фреймворк на основе вариационного автокодировщика (VAE), который явно интегрирует ограничения межклеточной коммуникации (CCC) в обучение латентных переменных. В отличие от существующих подходов, моделирующих клеточное состояние исключительно через внутреннюю экспрессию генов, метод использует динамическую регуляризацию графового лапласиана, полученную из парных взаимодействий лиганд-рецептор. Это позволяет разделить коммуникативную топологию от транскрипционной гетерогенности в рамках единой архитектуры. Исследователи продемонстрировали, что CoLa-VAE работает как метод-агностичный фреймворк, совместимый с различными определениями сигнальных путей. Метод последовательно превосходит современные аналоги в метриках структурной кластеризации и точности шумоподавления на гетерогенных платформах секвенирования. Применение метода позволяет более точно анализировать клеточные взаимодействия, что критически важно для понимания механизмов развития заболеваний, разработки таргетных терапий и персонализированной медицины. Технология может быть использована при исследовании опухолевой микроокружения, иммунных ответов и регенеративных процессов.

Исследование представляет DEPICT (Drug rEsponse Prediction in transCriptomics with Transformers) — глубокую нейросетевую модель на основе трансформеров, которая предсказывает транскрипционные ответы клеток на лекарственные препараты в зависимости от базового экспрессионного профиля генов и параметров воздействия. Модель обучена на датасете LINCS L1000 и демонстрирует способность обобщать знания на невиданные ранее препараты и типы клеток. В наиболее сложной задаче предсказания для неизвестных типов клеток DEPICT превзошла все базовые стратегии и два недавних глубоких обучающих модели, улучшив точность предсказания дифференциальной экспрессии и снизив ошибку предсказания возмущённой экспрессии на 30.3% и 36.8% соответственно. В случае не-мелкоклеточного рака лёгких (NSCLC) виртуальный скрининг с использованием DEPICT выявил соединения, способные обратить патологические транскрипционные сигнатуры заболевания, при этом 13 из 20 приоритетных соединений ранее проходили клинические испытания или были валидированы в исследованиях NSCLC. Модель также позволяет предсказывать синергию препаратов и проводить механизмы исследования даже при отсутствии экспериментально сопоставимых профилей. Результаты демонстрируют, что точное условное сопоставление in silico профилирования возмущений может масштабировать генерацию гипотез для репозиционирования лекарств и открытия комбинаций препаратов.

Исследование представляет метод CCIDeconv — иерархическую модель машинного обучения (классификация и регрессия) для деконволюции клеточно-клеточных взаимодействий (CCI) на субклеточном уровне в данных транскриптомики одиночных клеток. Метод использует модифицированный скоринг CellChat для атрибуции взаимодействий к субклеточным компартментам — цитоплазме и ядру. Исследователи валидировали подход на девяти публичных наборах данных пространственной транскриптомики (sST) из различных тканей человека, проведя кросс-валидацию с исключением одного набора данных (leave-one-dataset-out). Результаты показали, что обучение на множестве типов тканей обеспечивает устойчивую производительность деконволюции на невидимых наборах данных. Ключевое открытие: модели без пространственных признаков достигли схожей производительности с моделями, включающими пространственные данные, при увеличении количества обучающих наборов, что открывает возможность точного предсказания субклеточных взаимодействий CCI из данных scRNA-seq при достаточном объёме обучающих данных. Метод позволяет исследователям анализировать паттерны субклеточных взаимодействий для понимания биологических механизмов в контексте здоровья и различных заболеваний.

Исследователи представили REGEN (REconstruction of GEne Networks) — метод на основе графовых нейронных сетей (GNN) для одновременного обучения латентных сетей взаимодействий генов из данных транскриптомики и предсказания статуса выживаемости пациентов. Методология включает систематическое сравнение стратегий инициализации матриц смежности генов-генов для построения графов взаимодействий. Модель была оценена на когорте TCGA (The Cancer Genome Atlas) по семи типам рака, где REGEN превзошел базовые модели в пяти наборах данных. Анализ обученной сети генов рака почки выявил биологически значимые пути и биомаркеры, связанные с онкологией, подтвердив биологическую релевантность модели. Работа предоставляет практические руководства по применению GNN к транскриптомике, позволяя улучшить предсказание фенотипов и открывать значимые генные сети. Это имеет прямое значение для онкологии, персонализированной медицины и понимания молекулярных механизмов заболеваний.

Исследование посвящено разработке объективных биомаркеров для ранней диагностики старческой астении (frailty) с использованием биоинформатического анализа и машинного обучения. Авторы использовали два независимых транскриптомных датасета из базы GEO: GSE144304 (n=80) и GSE287726 (n=70). Методология включала анализ дифференциальной экспрессии генов, обогащение GO, KEGG и GSEA, а также построение ML-моделей с разделением данных 70% на обучение и 30% на валидацию. Ключевые результаты показали, что метаболизм витамина D, ABC-транспортеры и воспалительные/иммунные пути являются согласованно обогащёнными и подтверждёнными через GSEA. Выявленные биомаркеры демонстрируют благоприятную диагностическую производительность ML-моделей. Исследование демонстрирует, что нарушения метаболизма витамина D и хроническое воспаление являются основными молекулярными особенностями старческой астении. Результаты открывают новые стратегии для базовых исследований, ранней клинической диагностики и разработки терапевтических мишеней.