анализ данных

В статье представлен новый вычислительный фреймворк TileScope, предназначенный для глубокого анализа пространственной экспрессии генов и транскрипционных программ в тканях. Методология выходит за рамки стандартного поиска колокализации, интегрируя оценку регионального обогащения, внутрирегиональной корреляции, кросс-корреляции на расстоянии и различий экспрессии у границ структур. Исследователи валидировали подход на 30 контролируемых моделях, полученных из данных о глиобластоме и гепатоцеллюлярной карциноме, где комбинированные метрики позволили четко разделить сложные паттерны, такие как градиенты и локализация у границ, которые оставались неоднозначными при использовании отдельных статистик. В исследовании 30 образцов человеческой глиобластомы TileScope выявил гипоксию-ассоциированную экспрессию, локализованную именно на границах регионов, несмотря на отсутствие значимой внутрирегиональной корреляции. Дополнительно проанализированы новые данные Visium мышиных глиом GL261 с нокаутом MCT1: показано, что программы пролиферации и миелоидных клеток обогащены в периферии опухоли, но имеют противоположные корреляции внутри этого региона. Особое внимание уделено тому, что уровень пролиферации выше у границы, обращенной к опухоли, тогда как миелоидная экспрессия смещается глубже в ткань при нокауте гена. Фреймворк также продемонстрировал работоспособность на данных секвенирования Xenium с нерегулярно расположенными клетками для глиобластомы и рака молочной железы. Результаты подтверждают, что TileScope обеспечивает пространственно-явное описание взаимосвязей генов, связывая организацию тканей с чувствительностью измерений к агрегации данных.

В статье представлен новый фреймворк LabWeaver, предназначенный для повышения надежности агентных систем на базе больших языковых моделей (LLM) при анализе биологических данных. Основная проблема существующих решений заключается в игнорировании экспериментального контекста, такого как специфика заболевания или протокол исследования, что приводит к ошибкам в интерпретации. LabWeaver решает эту задачу за счет трехуровневой архитектуры (лаборатория, пользователь, проект), которая позволяет дистиллировать и сохранять экспериментальный контекст в виде «памяти» и «навыков» лаборатории. Эти знания доступны всем участникам лаборатории после проверки человеком, что обеспечивает преемственность и согласованность анализа. Эффективность подхода продемонстрирована на примере анализа данных одноядерной РНК-секвенирования (scRNA-seq) при синовиальной саркоме. В эксперименте без использования лабораторной памяти агент пропустил экспрессию репортера и допустил ошибку в аннотации опухолевых клеток. Напротив, с включенным контекстом система успешно восстановила экспрессию репортера и выделила пять состояний опухолевых клеток, связанных с слиянием генов. Это исследование демонстрирует, что интеграция структурированных лабораторных знаний в LLM-агенты критически важна для точности биоинформатического анализа.

Авторы представляют вычислительный фреймворк ARCADE, разработанный для решения ключевой проблемы пространственной транскриптомики — неразделимости сигналов обилия клеточных типов и их внутриклеточных транскрипционных состояний в смешанных измерениях. Методология ARCADE включает двухэтапный процесс: сначала с помощью оптимизации гиперпараметров и консенсус-фильтрации строится надежная справочная база, а затем выполняется пространственный вывод, начиная с оценки клеточного состава и заканчивая моделированием непрерывных внутриклеточных программ. Исследование демонстрирует, что такой подход к декуплированному моделированию значительно повышает точность деконволюции и стабильность вывода состояний по сравнению с существующими методами, что подтверждено на симулированных и полусинтетических бенчмарках. Валидация на реальных данных коры головного мозга человека с пространственными протеогеномными показателями показала способность ARCADE четко различать локальное обогащение клетками и программы активации астроцитов и микроглии. Результаты подчеркивают важность разделения этих сигналов для улучшения интерпретируемости данных в сложных тканях. Данный инструмент представляет собой значимый шаг вперед в биоинформатическом анализе медицинских данных, позволяя более точно изучать патологические процессы на клеточном уровне. Применение ИИ-методов машинного обучения в этой области критически важно для обработки больших объемов многомерных биомедицинских данных.

В статье представлен рабочий процесс Findings — бесплатный плагин с открытым исходным кодом для Claude Code, разработанный для повышения надежности, воспроизводимости и прозрачности научного анализа данных с помощью больших языковых моделей (LLM). Основная проблема, которую решает инструмент, заключается в том, что неструктурированное использование ИИ часто приводит к правдоподобным, но ошибочным результатам и потере информации о том, как были получены выводы. Findings внедряет структурированный, поэтапный подход с проверками на каждом этапе: перед началом анализа система требует понимания науки, метаданных и проверки загрузчиков данных. Архитектура включает специализированных субагентов, отвечающих за статистический анализ, программирование, визуализацию, поиск информации и валидацию, при этом независимый обзор интегрирован в каждый шаг. Плагин предоставляет проверенные шаблоны анализа и методологические рекомендации, служащие надежным источником решений о том, как правильно выполнять исследования. Ученые сохраняют активную роль, управляя процессом через диалог на естественном языке, в то время как система обеспечивает структуру, верификацию и сохранение состояния. Все результаты, код, методы, фигуры и метаданные происхождения автоматически фиксируются, что гарантирует полную воспроизводимость. Эффективность подхода продемонстрирована на примере воспроизведения ключевых выводов из опубликованного набора данных протеомики внеклеточных везикул плазмы, связанных с болезнью Альцгеймера (Mag-Net). Данный инструмент делает ИИ-ассистируемый анализ более доверенным и проверяемым, не жертвуя его гибкостью и исследовательским характером.

В статье представлен новый фреймворк глубокого метаобучения под названием GGE (General Gene Expression), разработанный для решения проблемы классификации транскриптомов человека в условиях дефицита размеченных данных. Авторы обучили модель на массиве из 5 220 различных биомедицинских задач предсказания, извлеченных из 1 779 уникальных наборов данных, что позволи алгоритму выучить универсальную инициализацию, захватывающую общие биологические паттерны. Ключевое преимущество подхода заключается в его способности достигать высокой точности на новых наборах данных даже при наличии лишь небольшого количества образцов с известными метками, что критически важно для редких заболеваний или дорогостоящих экспериментов. Исследование демонстрирует, что GGE превосходит традиционные классификаторы в условиях ограниченных данных, сохраняя эффективность независимо от используемых платформ RNA-seq и методов предварительной обработки. Дополнительно, анализ на основе механизма внимания выявил гены, стабильно вносящие вклад в производительность модели across различных биологических задач, что открывает новые возможности для понимания общих детерминант биологических состояний. Результаты работы доказывают, что GGE является мощным инструментом для биомедицинских исследований, где сбор больших размеченных наборов данных затруднен или невозможен, обеспечивая надежную классификацию транскриптомов.

В статье представлен новый вычислительный фреймворк CryoMV, предназначенный для анализа непрерывной структурной гетерогенности белков с использованием данных криоэлектронной микроскопии (крио-ЭМ). Методология интегрирует моделирование, основанное на структурных приоритетах (используя эталонные карты плотности как якоря), с строгой валидацией на реальных 2D-изображениях частиц. Алгоритм строит кандидаты на пути конформационных переходов, оценивает их поддержку экспериментальными данными через оценку поз частиц и функций контраста, а затем реконструирует поддерживаемые конформации методом обратного проецирования. Исследование демонстрирует высокую надежность и разрешающую способность метода на наборах данных EMPIAR-10516 и EMPIAR-10345. Ключевым преимуществом CryoMV является явный механизм проверки того, сгенерированные ли конформации действительно подтверждаются экспериментальными данными, что позволяет существенно снизить артефакты, вызванные моделями. Этот подход решает проблему высокого уровня шума и размытия движения, характерную для сырых данных крио-ЭМ. Разработка имеет прямое значение для структурной биологии и разработки лекарств, так как позволяет точнее понимать фундаментальные биологические процессы, зависящие от динамики белков. Технология представляет собой значительный шаг вперед в автоматизации и точности анализа непрерывных конформационных изменений макромолекул.

В статье исследователи провели масштабный анализ метаданных общедоступных данных секвенирования метагенома кишечника, хранящихся в NCBI Sequence Read Archive (SRA), с использованием Google BigQuery. Они сфокусировались на записях, относящихся к метагеному кишечника человека, мыши и широко аннотированным метагеномам кишечника. Оценены временной рост, глубина секвенирования, структура BioSample и BioProject, использование платформ и инструментов, полнота метаданных, атрибуция хозяина, связь с публикациями и исследовательские темы из связанной литературы. Обнаружено, что объем данных о микробиоме кишечника значительно увеличился со временем, с доминированием данных, связанных с человеком, и платформ Illumina. Технические метаданные были высоко полными, но биологический контекст (идентичность хозяина, фенотип, дизайн исследования, статус заболевания) часто был неполным или требовал восстановления из атрибутов BioSample и связанных публикаций. В общей когорте 'gut metagenome' идентичность хозяина была определена только для 13,00% BioSamples, что подчеркивает ограничения широких аннотаций организмов для автоматического формирования когорт. Связь с публикациями также была неполной на уровне архива, хотя для большинства связанных публикаций удалось восстановить полезный текст. Тематическое моделирование литературы, связанной с SRA, показало устойчивый акцент на составе основной микробиоты кишечника и растущее представление исследований когорт человека и микробиома младенцев. Авторы делают вывод, что общедоступные данные о микробиоме кишечника обширны и технически богаты, но не единообразно готовы к анализу. Улучшение гармонизации метаданных, связи с публикациями и восстановления биологического контекста необходимо для поддержки надежного крупномасштабного повторного использования и создания AI-ready ресурсов данных о микробиоме.

Компания Onos Health, разрабатывающая ИИ-платформу клинического анализа для поведенческого здоровья, привлекла $17 млн в рамках раунда Series A. Платформа анализирует структурированные и неструктурированные данные для выявления пробелов в лечении и улучшения качества помощи, что помогает страховщикам снижать затраты и повышать эффективность. Средства пойдут на расширение внедрения платформы и развитие ИИ-инфраструктуры.

Исследователи разработали MassGAT — инновационный метод на основе графовых нейронных сетей для комплексной обработки данных жидкостной хроматографии с высокоразрешающей масс-спектрометрией (LC-HRMS). Ключевая инновация заключается в объединении двух задач — детекции пиков и их аннотации — в единый процесс обучения, что преодолевает ограничение существующих пайплайнов, обрабатывающих эти этапы независимо. Метод представляет сигналы, предположительно происходящие от одной молекулы, в виде графа и использует Graph Attention Network (GAT) для одновременного определения валидности пиков и связей между ионными видами одного соединения. Тестирование на реальных наборах данных продемонстрировало превосходство MassGAT над текущими подходами по точности как детекции, так и аннотации метаболитов. Решение особенно значимо для метаболомики, поиска биомаркеров и системной биологии, где критична полная и надёжная характеризация метаболитов в сложных биологических образцах. Инструмент распространяется как открытый Python-модуль на GitHub (odisce/MassGAT), обеспечивая доступность для исследовательского сообщества.

Исследователи представили scAtlasTb (single-cell Atlas Toolbox) — модульную платформу для построения референсных атласов одноклеточной транскриптомики. Инструмент решает проблему значительной вариативности качества атласов, предоставляя стандартизированный фреймворк для итеративного и масштабируемого построения с систематической оценкой решений на каждом этапе. scAtlasTb уже используется несколькими проектами Human Cell Atlas для создания референсных атласов, обеспечивая общую основу для воспроизводимой разработки. Авторы продемонстрировали работу инструмента на трёх крупномасштабных атласах: лёгких, сетчатки и крови, исследуя влияние биологически стратифицированного контроля качества, разрешения батчей, стратегий отбора признаков и глобальной versus lineage-специфичной интеграции на качество атласа. Платформа обеспечивает прозрачную документацию всех этапов построения атласов. Ожидается, что scAtlasTb позволит создавать более качественные, биологически достоверные одноклеточные атласы для анализа в геномике, что имеет значение для медицинских исследований и понимания заболеваний на клеточном уровне.

В исследовании представлен scINTILLA — новый вычислительный фреймворк, предназначенный для оценки качества и согласованности аннотаций типов клеток в данных секвенирования РНК единичных клеток (scRNA-seq). Методология объединяет методы обучения с учителем и без учителя: неконтролируемый компонент тестирует широкий спектр алгоритмов кластеризации для вычисления оценки путаницы соседств, а контролируемый компонент обучает до 12 классификаторов для анализа согласия прогнозов, энтропии и уверенности. Итоговый композитный показатель позволяет выявлять неоднородность популяций и двусмысленность меток, которые могут искажать результаты последующего автоматизированного переноса меток. Авторы протестировали инструмент на пяти наборах данных Human Cell Atlas (мозг, легкие, глаз и органоиды), обнаружив значительные различия в согласованности аннотаций. Применение scINTILLA к низкооцененным популяциям в атласах легких и энтодермальных органоидов позволило успешно идентифицировать биологически значимые субпопуляции клеток, которые ранее были объединены в общие категории. Инструмент служит практическим руководством для проведения научно обоснованной реаннотации клеточных атласов.

В статье представлен GPSNorm — новый байесовский фреймворк для пространственной нормализации данных транскриптомики, решающий проблему технической вариативности (различия в размере библиотек, эффекты слайдов и пространственные артефакты). В отличие от традиционных методов, рассматривающих нормализацию как отдельный этап предобработки, GPSNorm использует иерархическую модель, которая совместно моделирует технические помехи, пространственную структуру и биологический сигнал. Методология базируется на отрицательном биномиальном латентном гауссовском моделировании с использованием гауссовских марковских случайных полей и аппроксимации INLA для эффективного байесовского вывода. Это позволяет учитывать неопределенность нормализации при проведении последующего анализа дифференциальной экспрессии генов. Тестирование на данных префронтальной коры человека (Visium), исследования повреждений легких при COVID-19 (GeoMx) и атласе почек показало, что метод значительно точнее восстанавливает пространственные паттерны и улучшает оценку логарифмического изменения (log-fold change). Разработка доступна в виде open-source R-пакета, что делает её применимой для биоинформатиков и исследователей в области системной биологии.

В статье представлен PMBB Geno-Pheno Toolkit — специализированный набор модульных конвейеров на базе Nextflow, предназначенный для проведения масштабных ассоциативных анализов в биобанках, связанных с электронными медицинскими картами (EHR). Основная проблема, которую решает инструмент, заключается в фрагментации данных и несовместимости вычислительных инфраструктур различных институтов. В состав набора входит семейство конвейеров SAIGE, поддерживающих полногеномный (GWAS), экзомный (ExWAS) и феномновый (PheWAS) анализы, а также инструменты GWAMA и ExWAS для проведения мета-анализов и репликации результатов между различными биобанками. Все компоненты системы контейнеризированы с использованием Docker и Apptainer, что обеспечивает беспрепятственный запуск рабочих процессов на локальных HPC-кластерах, облачных платформах и в среде All of Us Research Workbench без необходимости изменения кода. Дополнительно инструментарий включает возможности для полигенного скоринга, гармонизации фенотипов и LD-клампинга на базе PLINK. Данная разработка значительно повышает воспроизводимость и масштабируемость биомедицинских исследований, позволяя объединять разрозненные геномные и фенотипические наборы данных.

В исследовании представлен новый метод PhyloRBT (phylogenetic reference bias test), предназначенный для выявления систематической ошибки референсного генома (reference bias), которая возникает при реконструкции локусов на основе данных коротких чтений. Суть метода заключается в многократной реконструкции каждого локуса с использованием различных референсных геномов и последующем измерении филогенетической корреляции между результатами. Авторы протестировали инструмент на сотнях локусов BUSCO, полученных из данных девяти видов эвкалипта с использованием 34 различных референсных геномов. Результаты показали, что более 25% реконструированных локусов имеют значительные признаки ошибки референса. Исключение таких смещенных локусов из процесса построения филогенетического дерева позволило получить топологию вида, которая гораздо лучше соответствует данным предыдущих исследований. Инструмент PhyloRBT представляет ценность для биоинформатиков, позволяя селективно удалять ошибочные данные из филогеномного анализа для повышения точности эволюционных выводов.

Исследование, проведенное Kokoc Group, анализирует восприятие контента, созданного искусственным интеллектом, среди российской аудитории. Согласно полученным данным, визуальные признаки являются наиболее очевидными: 77% респондентов способны идентифицировать ИИ-контент по характерной «стерильной» и излишне идеальной картинке. Однако с аудиоконтентом ситуация иная — 56% опрошенных испытывают трудности с распознаванием синтезированного цифрового голоса. Исследование выявило разрыв в восприятии между визуальными и слуховыми каналами информации, что критически важно для понимания уровня доверия к дипфейкам. Результаты подчеркивают необходимость развития навыков медиаграмотности в вопросах аудиовизуального синтеза. Данные могут быть полезны специалистам по безопасности и разработчикам систем верификации контента.

Исследование выявило критическую проблему в биоинформатическом анализе метагеномных и метатранскриптомных данных: популярные базы данных SSU рРНК (такие как SILVA, GTDB, Eukaryome) содержат значительные примеси последовательностей большой субъединицы (LSU). Это приводит к тому, что риды LSU ошибочно идентифицируются как SSU, что искажает таксономический профиль образцов. В ходе эксперимента на данных метатранскриптома эстуарных отложений было показано, что без очистки баз данных до 50% последовательностей могут быть ошибочно отнесены к ложным доминирующим таксонам. Авторы предлагают два решения: предварительную очистку баз данных или использование тщательно отобранных SSU-специфичных наборов. В рамках работы была представлена обновленная база KSGP 4.0, которая демонстрирует существенное улучшение аннотации архей по сравнению с SILVA, а также умеренные улучшения для бактерий и эукариот. Для автоматизации процесса очистки и аннотации разработан специализированный скрипт total_rnaseq.

Разработанный инструмент MagicLamp представляет собой модульный программный комплекс и веб-сервер, предназначенный для высокоточного поиска и аннотации специализированных микробных функций. В отличие от универсальных инструментов аннотации геномов, MagicLamp использует кураторские коллекции скрытых марковских моделей (HMM), каждая из которых представляет конкретный метаболический процесс. Методология позволяет проводить поиск по неаннотированным сборкам геномов или файлам в формате GenBank, обеспечивая высокую чувствительность и специфичность за счет применения воспроизводимых порогов bit-score для каждой модели. Система автоматически генерирует табличные сводки и интерактивные HTML-отчеты, поддерживающие кросс-геномные и кросс-метагеномные сравнения. Данный инструмент критически важен для биоинформатиков, так как он позволяет выявлять уникальные экологические функции микроорганизмов, которые часто игнорируются стандартными базами данных. Несмотря на то, что основной фокус сделан на биоинформатике и геномике, использование HMM-моделей и алгоритмов машинного обучения для классификации функций ставит проект в категорию инструментов обработки данных, применимых в биомедицинских исследованиях.

В исследовании представлена новая вычислительная модель FusedFCR, предназначенная для анализа данных секвенирования РНК единичных клеток (scRNA-seq) во временных рядах. В отличие от существующих методов, FusedFCR использует регуляризованную модель коэффициента прямой непрерывности, которая позволяет не просто выстраивать псевдовремя, но и точно определять маркерные гены, ответственные за переходы между конкретными стадиями дифференцировки. Методология сочетает Lasso-регуляризацию для отбора генов и штраф слияния (fusion penalty), что позволяет фиксировать как стабильные, так и кратковременные изменения экспрессии. Тестирование на данных дифференцировки бета-клеток поджелудочной железы мыши (7 временных точек) и вневорсинчатых трофобластов человека (4 временные точки) подтвердило высокую точность модели. Результаты показали, что FusedFCR эффективно идентифицирует биологически интерпретируемые гены и пути, соответствующие известным процессам развития, обеспечивая при этом конкурентоспособную точность классификации стадий. Данный инструмент представляет значительную ценность для биоинформатики и системной биологии, позволяя детально картировать молекулярные программы развития клеток.

В статье описывается разработка специализированного программного конвейера BIP (Barcode Inference Pipeline), созданного Центром геномики биоразнообразия (CBG) для обработки данных высокопроизводительного секвенирования. BIP предназначен для автоматизации процесса извлечения целевых ДНК-штрих-кодов из сложных смесей, которые могут содержать артефакты (химеры, ошибки ПЦР) или реальное биологическое разнообразие (паразиты, эндосимбионты). Методология включает в себя многоступенчатую обработку: фильтрацию по качеству и размеру, демультиплексирование, тримминг праймеров, поиск химер, коррекцию ошибок и определение операционных таксономических единиц (OTU). При анализе региона COI система также сопоставляет каждый OTU с известными идентификаторами BIN. В ходе тестирования на массиве из 100 000 образцов BIP продемонстрировал превосходство над существующим пакетом ONTbarcoder в задачах разделения целевых и нецелевых последовательностей. Инструмент поставляется в виде Docker-контейнера, что обеспечивает легкую интеграцию в биоинформатические рабочие процессы для анализа миллионов образцов ежегодно.