RNA-seq

Представлена TransXplorer — новая бесплатная веб-платформа, предназначенная для комплексного анализа данных секвенирования РНК (RNA-seq), которая объединяет разрозненные этапы биоинформатического исследования в единый рабочий процесс. В отличие от существующих инструментов, TransXplorer позволяет пройти путь от обработки необработанных FASTQ-файлов (с использованием HISAT2 или Salmon) до клинической и фармакологической интерпретации. Платформа реализует дифференциальный анализ экспрессии генов через DESeq2, edgeR и limma-voom, а также обеспечивает автоматическое обнаружение и коррекцию батч-эффектов (пакетных эффектов) с помощью метрик PVCA, kBET и Silhouette. Важной особенностью является интеграция функционального обогащения для более чем 1800 видов, построение сетей коэкспрессии (WGCNA), деконволюция типов клеток и предсказание транскрипционных факторов. Система позволяет связывать генные сигнатуры с потенциальными лекарственными препаратами через базы DGIdb и OpenTargets, а также проводить анализ выживаемости на когортах TCGA. Тестирование на наборах данных GSE151427 и TCGA-KIRP подтвердило точность коррекции батч-эффектов и способность платформы идентифицировать клинически значимые гены и терапевтические мишени.

В исследовании представлен Tsallis-Gated Autoencoder (Tsallis-GAE) — инновационная архитектура нейросети, разработанная для анализа геномной гетерогенности глиобластомы (GBM). Авторы заменили классический механизм softmax-внимания на обучаемый q-softmax на основе статистики Цаллиса, что позволяет модели лучше работать с «тяжелыми хвостами» распределений экспрессии генов. Исследование проводилось на когорте TCGA-GBM, включающей 391 образец и 2000 высоковариантных генов. Результаты показали, что Tsallis-GAE достигает среднего показателя AUC-ROC 0,977, что значительно превосходит стандартный автоэнкодер (Vanilla AE) с показателем 0,906. Ключевым открытием стало спонтанное схождение энтропийного индекса q к значению 1,554, что подтверждает неэкстенсивную природу сложных биологических систем и превосходство физико-информированного подхода над стандартными методами машинного обучения. Модель продемонстрировала высокую точность при кросс-валидации с другими детекторами аномалий, достигая AUC до 0,998.

Исследователи разработали новый биоинформатический подход для верификации того, насколько клеточные линии, используемые в лабораторных моделях почек, соответствуют нативным типам клеток. Методология основана на сопоставлении данных bulk RNA-seq (массового секвенирования РНК) с эталонными профилями, полученными из наборов данных scRNA-seq (секвенирования РНК единичных клеток) человека и мыши. В ходе исследования сравнивались три статистические меры сходства и три алгоритма машинного обучения: Random Forest, XGBoost и TabPFN (фундаментальная модель для табличных данных). Результаты показали, что использование корреляции Спирмена и модели TabPFN обеспечивает наивысшую точность идентификации типов клеток, особенно при использовании списков маркерных генов. При тестировании популярных линий было установлено, что клетки OK сохраняют идентичность проксимальных канальцев (особенно под воздействием напряжения сдвига), в то время как линии HK-2, HKC-8 и HKC-11 демонстрируют непоследовательные результаты. Для практического применения авторы представили веб-инструмент CellMatchR, позволяющий исследователям объективно оценивать стабильность и применимость используемых клеточных моделей в экспериментах по изучению заболеваний почек.

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.