scRNA-seq

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 scCRAFT+ — инновационный метод полуавтоматической интеграции данных секвенирования РНК единичных клеток (scRNA-seq). Основная проблема текущих методов заключается в потере тонких различий между близкородственными типами клеток при интеграции транскриптомных данных. Авторы предложили использовать виртуальное состязательное обучение (Virtual Adversarial Training, VAT) для совместной оптимизации репрезентаций транскриптома и супервизии на основе маркерных генов. Это позволяет модели обеспечивать гладкость локальных предсказаний для транскрипционно схожих клеток, что повышает устойчивость к шуму в аннотациях маркеров. Результаты бенчмаркинга подтвердили, что scCRAFT+ превосходит существующие методы как в unsupervised, так и в supervised подходе. Модель демонстрирует высокую точность автоматической аннотации типов клеток, даже при использовании неполных или частично некорректных наборов маркерных генов, сохраняя биологическую разрешающую способность данных.

Исследование представляет scFAIR — новый консорциум, созданный для решения проблем доступности и воспроизводимости данных секвенирования РНК единичных клеток (scRNA-seq). Авторы разработали единую схему метаданных и систему кураторства, расширяющую возможности платформы CZ CELLxGENE Discover, что позволяет включать более богатый биологический контекст и структурировать описание вычислительных рабочих процессов. Центральным элементом проекта стал портал sc-fair.org, который на данный момент агрегирует 2 346 наборов данных из различных децентрализованных ресурсов с использованием семантического поиска на основе онтологий. Практическая значимость метода подтверждена кросс-видовой валидацией между атласами мозга человека и мыши (Allen Brain Atlases): использование стандартизированных аннотаций позволило переносить метки типов клеток между видами с точностью до 90% для нейрональных кластеров. Внедрение scFAIR обеспечивает фундамент для крупномасштабной интеграции данных и автоматизированного анализа в биомедицинских исследованиях.

В статье представлено обновление программного обеспечения Harmony2, предназначенного для интеграции профилей секвенирования РНК единичных клеток (scRNA-seq). В условиях стремительного роста биомедицинских данных, объем которых в открытом доступе уже превышает 100 миллионов клеток, традиционные методы сталкиваются с проблемой масштабируемости. Разработчики представили алгоритм, способный эффективно обрабатывать более 100 миллионов клеток и более 1000 наборов данных без необходимости использования специализированного высокопроизводительного оборудования. Ключевым технологическим достижением является оптимизация базового алгоритма, которая предотвращает эффект «переинтеграции» (overintegration), сохраняя биологическую гетерогенность в сложных наборах данных. Это позволяет создавать высокоточные атласы единичных клеток, что критически важно для понимания клеточной архитектуры различных тканей и органов. Инструмент представляет высокую ценность для биоинформатиков и исследователей, занимающихся системной биологией и персонализированной медициной.

Представлен новый инструмент dreampy — Python-реализация популярного R-фреймворка dreamlet, предназначенная для анализа дифференциальной экспрессии данных секвенирования РНК единичных клеток (scRNA-seq). Библиотека реализует метод псевдо-bulk анализа, который объединяет линейные смешанные модели с точностью весов voom и эмпирическим байесовским модерированием. Это позволяет эффективно учитывать пакетные эффекты (batch effects), повторные измерения и сложную иерархическую структуру данных в исследованиях с участием нескольких доноров. Ключевым преимуществом dreampy является его нативная интеграция с экосистемой scverse и форматом AnnData, что устраняет необходимость переключения между R и Python. Инструмент позволяет проводить высокоточную статистическую обработку данных, минимизируя ложноположительные результаты, вызванные биологической и технической вариативностью. Использование dreampy значительно упрощает пайплайны биоинформатического анализа для специалистов, работающих на языке Python.

В данном исследовании представлен инновационный интегративный анализ экспрессии подвижных элементов (TEs) на основе данных секвенирования РНК единичных клеток (scRNA-seq). Ученые проанализировали 4 набора данных snRNA-seq, полученных из посмертных образцов компактной части черной субстанции пациентов с болезнью Паркинсона (БП) и здоровых контрольных групп. С помощью специализированного инструмента soloTE была проведена оценка изменений экспрессии TEs, после чего результаты были объединены методами мета-анализа для создания надежного атласа, специфичного для конкретных типов клеток. Особое внимание в работе уделено изучению механизмов, которые могут объяснять половые различия в патогенезе болезни Паркинсона. Кроме того, исследователи установили возможные ассоциации между подвижными элементами и белок-кодирующими генами, предлагая потенциальный механизм действия, посредством которого TEs способствуют развитию заболевания. Результаты работы закладывают основу для понимания генетической регуляции БП на уровне отдельных клеток.

В статье представлен MoCoO — инновационный модульный фреймворк, предназначенный для анализа данных секвенирования РНК единичных клеток (scRNA-seq). Архитектура объединяет вариационный автоэнкодер (VAE), нейронные обыкновенные дифференциальные уравнения (Neural ODE) и метод Momentum Contrast (MoCo), дополненные этапом уточнения через Flow Matching (FM). Исследование, проведенное на 20 наборах данных scRNA-seq, показало, что синергия ODE и MoCo позволяет эффективно моделировать как дискретную идентичность типов клеток, так и непрерывные траектории их развития. Результаты тестов подтверждают превосходство модели: комбинация VAE+ODE+MoCo+FM достигла лучших показателей по метрикам ASW (0.257) и DAV (1.359), а полная версия MoCoO показала лучшие результаты по DRE (0.678), DREX (0.660) и CAL. Использование Flow Matching позволило улучшить качество эмбеддингов в 92% случаев (по метрике DREX). Разработанный метод успешно применяется для аннотации клеток, количественной оценки неопределенности и обнаружения ветвлений в процессах дифференцировки, обеспечивая высокую корреляцию псевдовремени с каноническими маркерными генами.

Исследование посвящено разработке методов высокоточного разделения пациентов на подгруппы с использованием данных секвенирования РНК единичных клеток (scRNA-seq). Авторы проанализировали 11 различных когорт scRNA-seq и сравнили современные вычислительные подходы к представлению данных на уровне образцов. Результаты показали, что методы, основанные на анализе композиции типов клеток, сопоставимы или превосходят по эффективности сложные алгоритмы, при этом требуя на порядки меньше вычислительных ресурсов. В частности, использование пропорций типов клеток, трансформированных методом центрированного логарифмического отношения (CLR), обеспечило наилучшую стратификацию и устойчивость к батч-эффектам. Было установлено, что клинически значимые различия между пациентами часто обусловлены изменениями в небольшом подмножестве высоко вариативных типов клеток. Для практического применения авторы представили scECODA — новый пакет с открытым исходным кодом на языке R, предназначенный для масштабируемого и интерпретируемого анализа композиционных данных. Данный подход позволяет напрямую связывать структуру когорты с конкретными клеточными популяциями, что критически важно для клинической трансляции и понимания механизмов заболеваний.

В исследовании представлен scTGCL — инновационный фреймворк, предназначенный для решения проблемы кластеризации данных секвенирования РНК единичных клеток (scRNA-seq), которая осложнена высокой размерностью и техническим шумом (dropout). Методология объединяет механизмы многоголового самовнимания (multi-head self-attention) из архитектуры Transformer с графовым контрастивным обучением для создания устойчивых представлений клеток. Авторы используют стратегии аугментации, такие как случайное маскирование генов и удаление ребер в матрицах внимания, чтобы имитировать биологическую неопределенность и технические пропуски. В ходе экспериментов на десяти реальных наборах данных scRNA-seq модель scTGCL превзошла девять современных методов по ключевым метрикам: точности кластеризации, нормализованной взаимной информации (NMI) и индексу Ранда (ARI). Помимо высокой точности, scTGCL демонстрирует значительное превосходство в вычислительной эффективности, обеспечивая существенно меньшее время выполнения на крупномасштабных наборах данных. Результаты подтверждают масштабируемость и стабильность метода при различных уровнях экспрессии генов, что делает его ценным инструментом для биоинформатики и прецизионной медицины.

Исследование представляет гибридный фреймворк для аннотации геномов немодельных организмов, который преодолевает ограничения классического выравнивания последовательностей. Авторы объединили ab initio предсказание структур экзонов и интронов на базе модели Evo2 с картированием структурного сходства с использованием белковых эмбеддингов ESM-2. При применении метода на геноме морской миноги (sea lamprey) удалось получить 73 485 переведенных белковых моделей, из которых 35 395 имеют высокую или среднюю степень достоверности. Система позволила расширить каталог структурных локусов до 31 286, добавив 20 871 позицию, отсутствующую в базовой базе Ensembl. Ключевым достижением стало выявление 21 391 структурно подтвержденного локуса, которые не удалось идентифицировать стандартным поиском DIAMOND по человеческому протеому, включая более 21 000 локусов без обнаружимого сходства аминокислотных последовательностей с человеком. В тестах на секвенировании РНК единичных клеток (scRNA-seq) новый референс Ensembl+Evo2 значительно улучшил восстановление генов и позволил более детально описать четыре транскрипционных состояния иммунных клеток, включая программы VLRA+- и VLRB+-типа. Работа доказывает, что использование эмбеддингов позволяет извлекать биологический сигнал там, где традиционные методы сравнения последовательностей терпят неудачу.

В исследовании представлен BRIDGE-GRN — инновационный фреймворк на базе графового обучения, предназначенный для реконструкции направленных генных регуляторных сетей (GRN) на основе данных секвенирования РНК единичных клеток (scRNA-seq). Методология решает проблему разреженности данных и неполноты регуляторных априорных знаний путем разделения кодирования общего контекста графа и декодирования направленных ребер. Модель использует двухбашенную архитектуру, проецируя гены в специализированные пространства эмбеддингов ролей транскрипционных факторов и мишеней для асимметричной оценки связей. Для повышения устойчивости к шуму применяется кросс-видовая контрастивная регуляризация, выравнивающая представления графа при возмущениях ребер. Тестирование на данных мыши охватило пять типов клеток и три семейства сетей, показав, что BRIDGE-GRN превосходит или сравнивается с наиболее сильными современными аналогами. Результаты подтверждают высокую точность переноса обучения (transfer learning) в условия ограниченного количества данных и обеспечивают биологическую интерпретируемость через выявление когерентных регуляторных модулей.

В данной работе представлен комплексный вычислительный протокол для анализа динамики состояний Т-клеток, инфильтрирующих опухоли человека, на основе данных секвенирования РНК единичных клеток (scRNA-seq). Методология включает последовательное применение снижения размерности, построения траекторий псевдовремени (pseudotime trajectory inference) и анализа активности регулонов. Ключевой особенностью является интеграция вывода регулонов с реконструкцией сетей транскрипционных факторов (TF-TF networks), что позволяет идентифицировать специфические регуляторные модули, ответственные за переходы между состояниями клеток. Авторы уделяют особое внимание чувствительности параметров и робастности траекторий, обеспечивая согласованность фенотипических и регуляторных данных. Протокол направлен на глубокое понимание механизмов иммунного ответа в опухолевом микроокружении и доступен для воспроизведения через GitHub-репозиторий. Данный подход имеет высокую значимость для разработки таргетной иммунотерапии и понимания механизмов резистентности опухолей.

В исследовании представлен scRitmo — новый вероятностный фреймворк, предназначенный для определения циркадных фаз на уровне отдельных клеток с использованием данных scRNA-seq. Основная инновация метода заключается в возможности разделения наблюдаемой дисперсии фаз на биологическую десинхронизацию и технический шум с помощью калиброванного симуляцией разложения дисперсии. Авторы подтвердили эффективность scRitmo на данных глубокого секвенирования несинхронизированных фибробластов, где предсказанные транскриптомные фазы точно соответствовали колебаниям белков-репортеров. Применение метода к наборам данных scRNA-seq мыши (печень, аорта, кожа) показало превосходство над существующими алгоритмами и позволило выявить специфичные для типов клеток уровни фазовой когерентности. В экспериментах с Drosophila метод успешно зафиксировал сдвиги фаз в нейронах и ожидаемое увеличение дисперсии фаз в условиях постоянной темноты. scRitmo предоставляет фундаментальный инструмент для количественной оценки биологической десинхронизации в различных тканях и организмах, отделяя биологическую вариативность от ошибок измерения.

Исследователи представили GeoBridge — инновационный вычислительный фреймворк, предназначенный для моделирования клеточной динамики на основе теории изометрических геодезических линий. Основная проблема текущих методов scRNA-seq заключается в том, что они предоставляют лишь разрозненные «снимки» состояний клеток, что затрудняет реконструкцию непрерывных процессов. GeoBridge решает эту задачу, преобразуя сложные нелинейные транскрипционные траектории в линейные геодезические линии с постоянной скоростью в латентном пространстве. Это позволяет не только восстанавливать ненаблюдаемые промежуточные состояния клеток, но и осуществлять управляемую навигацию между различными клеточными фенотипами. Метод демонстрирует высокую устойчивость к шуму и разреженности данных, позволяя выявлять гены-драйверы, управляющие прогрессией вдоль геодезических путей. В ходе тестирования на различных биологических системах GeoBridge успешно разрешил динамику развития и обеспечил возможность моделирования переходов между множественными конечными точками дифференцировки, что открывает новые горизонты в управлении клеточными состояниями.

Исследователи представили CardamomOT — новый вычислительный метод, предназначенный для решения критической проблемы в биоинформатике: невозможности прямого измерения динамики белков на уровне отдельных клеток. В отличие от предыдущих алгоритмов, CardamomOT использует концепцию механистического оптимального транспорта для совместной реконструкции генных регуляторных сетей (GRN) и скрытых траекторий белков на основе данных scRNA-seq. Методология позволяет интегрировать точные временные метки и априорные знания о кинетике белков из литературы, что значительно снижает количество необходимых гиперпараметров. В ходе валидации на симулированных и экспериментальных наборах данных метод продемонстрировал превосходство над современными аналогами (SOTA) в точности калибровки GRN и восстановлении полей скоростей, определяющих клеточные траектории. Важной особенностью является способность модели выступать в роли генеративной системы, способной предсказывать клеточные ответы на новые, ранее не наблюдавшиеся возмущения. Это делает CardamomOT мощным инструментом для изучения процессов дифференцировки и репрограммирования клеток.

В данном исследовании представлен систематический сравнительный анализ шести популярных вычислительных инструментов (CellBender, DecontX, SoupX, scCDC, scAR и CellClear), предназначенных для удаления фоновой РНК (ambient RNA) при секвенировании РНК единичных клеток и ядер. Исследователи протестировали инструменты на шести наборах данных, включая смешанные клеточные линии человека и мыши, данные PBMC и префронтальной коры, а также данные платформы BD Rhapsody. Ключевым открытием стало то, что инструменты scAR и CellClear не просто очищают данные, а фундаментально искажают матрицы отсчетов: CellClear заменяет более 93% значений данными, полученными методом матричной факторизации, а scAR создает ложные типы клеток, отсутствующие в исходных данных. В то же время CellBender и SoupX показали высокую надежность при минимальном искажении данных. Исследование подчеркивает, что при выборе инструментов для коррекции фонового шума приоритетным критерием должна быть целостность матрицы отсчетов, а не только чувствительность к удалению загрязнений. Авторы предлагают готовую систему рекомендаций в зависимости от используемой экспериментальной платформы.

В исследовании представлен MitoChontrol — новый вероятностный фреймворк, предназначенный для интеллектуального контроля качества данных секвенирования РНК единичных клеток (scRNA-seq). Традиционные методы используют фиксированные пороги процента митохондриальных транскриптов, что часто приводит к ошибочному удалению здоровых, но метаболически активных клеток, или сохранению поврежденных образцов. Авторы предлагают моделировать долю митохондриальных транскриптов внутри транскрипционно когерентных кластеров с помощью распределения гауссовых смесей. Это позволяет определять пороги фильтрации на основе апостериорной вероятности повреждения клетки, учитывая специфику конкретного типа ткани. Тестирование на данных аденокарциномы протоков поджелудочной железы и контролируемых экспериментах показало, что MitoChontrol превосходит стандартные методы по точности селекции. Метод эффективно удаляет деградировавшие клетки, сохраняя при этом биологически значимые популяции с повышенным содержанием митохондриальной РНК, что критически важно для точного анализа сложных патологий.