биоинформатика

OpenAntigens — это бесплатная база данных без регистрации, предоставляющая отчёты по дизайну конструктов для 5328 человеческих секретируемых, GPI-якорных, однопроходных и многопроходных белков поверхности клеток. Система интегрирует данные UniProt о топологии, предсказания структуры AlphaFold (pLDDT и PAE), информацию из PDB, домены InterPro и Pfam, ортологи мыши и cynomolgus, контекст паралогов, ассоциации с заболеваниями Open Targets, а также результаты BLAST-поиска. База предлагает 55 305 вариантов конструктов, включая полные регионы дизайна, границы на основе PDB, аннотированные домены, регионы на основе pLDDT/PAE и опции экспрессии мембранных белков, плюс 148 722 хита по сходству последовательностей для оценки кросс-реактивности. Для мишеней с совместимыми моделями AlphaFold интерактивный дизайнер связывает последовательность, структуру и метрики качества, позволяя редактировать границы и экспортировать эквивалентные последовательности видов с предупреждениями о цистеинах и модификациях в реальном времени. Инструмент сокращает необходимость ручной сверки данных из множества ресурсов, объединяя воспроизводимые предложения конструктов, сравнительный контекст и браузерное редактирование в едином рабочем процессе. Это ускоряет разработку антител, рекомбинантных реагентов и вычислительный дизайн байндеров, что критически важно для фармацевтических исследований и открытия новых терапевтических мишеней.

Исследование оценивает два предобученных классификатора на основе глубокого обучения (свёрточная нейросеть и трансформер), обученных на 5,23 млн последовательностей, для таксономической классификации грибов по региону ITS. Авторы провели бенчмаркинг на 5 222 запросах (по одному на род), сравнивая модели с классическими k-mer методами (SINTAX и best-hit alignment). На полноразмерных ITS классификаторы показали результаты 77,9% и 76,5% для известных родов против 92,0% у SINTAX. Однако при переходе на ITS2-ампликон, используемый в экологических исследованиях, точность глубокого обучения катастрофически упала до 28,3% и 18,5% (потеря 49,6 и 58,0 процентных пунктов), тогда как k-mer методы потеряли лишь 3,5-3,7 пункта. Аблационное исследование выявило причину: модели считывают таксономическую информацию преимущественно из фланкирующих областей, а не из самого штрих-кода ITS2. При подмене ITS2 между последовательностями разных типов модели возвращали таксонию донора в 34,4% (свёрточная) и 63,7% (трансформер) случаев. Кроме того, на ITS2 вероятностные выходы моделей перестают различать известные и новые роды (AUROC 0,541 и 0,503 против 0,866 у выравнивания). Работа демонстрирует критическое ограничение глубокого обучения для метабаркодинга и рекомендует указывать регион ампликона при оценке точности таких моделей.

Статья представляет исследование применения LLM-агентов для написания и поддержки кода в научных вычислениях, с особым фокусом на науки о жизни, включая высокопроизводительное секвенирование и молекулярное профилирование. Авторы проанализировали 8 кейс-стади использования кодирующих агентов для задач разного масштаба — от лёгкой поддержки до полной переписывания научных библиотек с оптимизацией производительности. Исследование мотивировано системными проблемами экосистемы научных вычислений: техническим долгом и хронической нехваткой инженерных ресурсов для поддержки специализированных инструментов. Результаты показывают значительный потенциал агентного ИИ для ускорения научных исследований и повышения надёжности критических вычислительных систем в биомедицинской сфере. Однако выявлены нерешённые вопросы ответственности и владения проектами, созданными с помощью автономных ИИ-агентов. Авторы рекомендуют сотрудничество с существующими мейнтейнерами научных библиотек при внедрении таких решений. Работа носит разведывательный характер и документирует ранний практический опыт применения автономных ИИ-систем в научной разработке программного обеспечения.

Автономная некоммерческая организация высшего образования «Центральный университет», созданная в 2023 году по инициативе Т-Банка при поддержке 60 компаний-партнеров, запустила новую магистерскую программу «ИИ в биотехе». Программа реализуется совместно с Инженерной школой и факультетом биоинженерии и биоинформатики МГУ им. М.В. Ломоносова, выступающим академическим партнёром. Обучение нацелено на подготовку специалистов по применению искусственного интеллекта и машинного обучения для анализа генетических данных, исследования структуры белков и разработки лекарственных препаратов. В реализации программы участвуют российские биотехнологические компании Biocad и Genotek, которые предоставят студентам возможность работать над реальными проектами и проходить стажировки. Данная инициатива направлена на восполнение кадрового дефицита в области применения ИИ в биотехнологиях и фармацевтике, что косвенно влияет на развитие медицинской отрасли через подготовку квалифицированных специалистов для разработки новых лекарств и генетических исследований.

Исследование оценивает пять методов вывода локальной родословной (local ancestry inference), включая две вероятностные базовые модели, RFMix, FLARE и свёрточную нейронную сеть с дилатацией, на данных с различной генетической дивергенцией (FST от 0.0022 до 0.243). Выявлено три ключевых результата: во-первых, существует порог осуществимости — при FST=0.0022 ни один метод не превышает точность 0.575, а для пары CHB/CHS при FST=0.00042 максимум составляет 0.551, что делает невозможным тонкий анализ близкородственных популяций. Во-вторых, точность на уровне отдельных позиций скрывает структурные ошибки: наиболее точный метод генерирует в 78.8 раз больше трактов, чем должно быть, что приводит к оценке времени адмиксации в 61.2 раз древнее реального, однако Viterbi-декодирование устраняет эту проблему без потери точности. В-третьих, превосходство методов на симулированных данных не воспроизводится на реальных данных 1000 Genomes, и основной лимитирующий фактор — не архитектура модели (внимание, state-space слои, предобучение дают прирост не более 0.006), а качество входных данных и размер референсной панели (добавление гаплотипной информации даёт +0.031 на 8 из 8 пар при FST<0.04). Работа имеет значение для генетических исследований заболеваний и персонализированной медицины, поскольку точный вывод родословной критичен для admixture mapping и ancestry-specific association testing.

Исследование посвящено проблеме «осиротевшего» научного программного обеспечения, которое перестаёт поддерживаться после ухода разработчиков, что ведёт к потере ценных вычислительных методов и предметных знаний. Авторы продемонстрировали систематический подход к реинжинирингу заброшенного MATLAB-инструментария NuMorph для анализа изображений световой листовой микроскопии, преобразовав его в рабочий процесс nf-core/lsmquant на платформе Nextflow. Новый пайплайн разработан в соответствии с руководящими принципами сообщества nf-core, что обеспечило соответствие принципам FAIR (Findable, Accessible, Interoperable, Reusable) для исследовательского программного обеспечения. Реинжиниринг сохранил оригинальные научные методы при сопоставимых вычислительных затратах, одновременно улучшив переносимость, воспроизводимость и поддерживаемость кода. Интеграция в экосистему nf-core создала основу для распределённой поддержки через сообщество разработчиков, а модульная архитектура упростила адаптацию workflow к дополнительным наборам данных микроскопии. Работа показывает практическую стратегию восстановления осиротевшего исследовательского ПО и его интеграции в современные переиспользуемые исследовательские экосистемы. Ключевые технологии включают Nextflow для управления рабочими процессами и стандарты сообщества nf-core для обеспечения устойчивости программного обеспечения.

Исследователи разработали автоматизированный программный инструмент для курации данных в геномике, который заменяет ручной труд человека при аннотировании транскриптомных исследований. Система используется для ресурса Gemma — вручную курируемой базы данных, включающей более 23 000 наборов данных человека, мыши и крысы, преимущественно из Gene Expression Omnibus (GEO). Пайплайн сочетает традиционные механические методы и большие языковые модели для создания детальных аннотаций на уровне образцов и экспериментов с привязкой к онтологиям. Бенчмаркинг показал, что производительность системы близка к уровню человеческих кураторов, при этом стоимость снижена в 20 раз, а скорость увеличена минимум в 100 раз. Авторы также представили предварительные методы триажа для выявления ошибок в автоматических курациях с последующей передачей на человеческую проверку. В качестве дополнительных результатов предоставлены бенчмарк-набор из 500 исследований и框架 оценки для дальнейшего развития пайплайна. Данное решение имеет значительный потенциал для интеграции в биоинформатические экосистемы и ускорения медицинских исследований на основе геномных данных.

Исследование демонстрирует применение белковых языковых моделей (pLM) — разновидности ИИ для анализа белковых последовательностей — к метагеномным данным. Авторы показывают, что pLM могут раскрыть функциональный потенциал миллиардов белков из некультивируемых микроорганизмов, когда обучающие данные правильно курированы. Разработана метрика RED (Residue Embedding Diversity) для оценки качества белков, которая работает на порядки дешевле традиционных методов на основе правдоподобия. Обнаружен фундаментальный компромисс между эволюционной калибровкой моделей и структурным моделированием: состав обучающих данных является ключевым фактором, определяющим поведение pLM. Исследователи успешно извлекли разнообразные кандидаты в ферменты из миллиардов метагеномных последовательностей и подтвердили их экспрессию in vivo. Работа имеет значение для открытия новых терапевтических ферментов и понимания микробиома, хотя прямое клиническое применение не демонстрируется.

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 разработали ChemoCalib — новый фреймворк на основе многоблочного метода частичных наименьших квадратов (MB-PLS) для калибровки геномных метаболических моделей (GEMs). Метод интегрирует данные метаболомики, транскриптомики и протеомики, используя их совместную латентную структуру для калибровки границ реакций в моделях, что преодолевает ограничения традиционных подходов (E-Flux, GIMME, iMAT), работающих только с экспрессией генов. На 11 референсных условиях E. coli с данными 13C-MFA из наборов Keio fluxome и Holm 2010 модель iJO1366 с калибровкой ChemoCalib достигла коэффициента корреляции Спирмена ρ = 0,461 в целом (до 0,523 в пентозофосфатном пути) и Пирсона r = 0,49–0,58 для центральных углеродных путей. Статистически значимое улучшение по сравнению с базовыми методами E-Flux2 и SPOT подтверждено (p < 0,05 с поправкой Холма). Алгоритм использует GPR-aware VIP-агрегацию для проекции многоомиксных латентных оценок на границы реакций без эвристического порогования. Инструмент открыт (лицензия MIT), доступен с Docker-поддержкой и включает 5-минутный туториал, что делает его применимым для исследований метаболизма при заболеваниях и разработки лекарств, хотя текущая валидация проведена на бактериальных моделях.

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.

Исследователи представили Boltz2ESI — новую вычислительную платформу на основе фундаментальной модели ИИ для предсказания взаимодействий между ферментами и субстратами. В отличие от традиционных методов докинга, требующих предопределённых активных центров, Boltz2ESI использует端到端ное совместное сворачивание (co-folding), что позволяет естественным образом учитывать пластичность активного сайта и конформационные изменения при связывании лиганда. Модель интегрирует биофизические приоры, глобальный эволюционный контекст и геометрические молекулярные дескрипторы, демонстрируя превосходство над современными последовательностными методами и подходами жёсткого докинга. Валидация показала способность системы точно различать специфичность внутри подсемейств ферментов, что продемонстрировано на примере пути биосинтеза витанолидов. Технология потенциально применима для ускорения открытия биокатализаторов и масштабного определения функций орфанных ферментов в синтетической биологии и фармацевтической разработке. Прямое клиническое применение не заявлено, но метод может способствовать дизайну лекарств и метаболической инженерии.

Исследование представляет оптимизированный алгоритм множественного выравнивания циклических последовательностей (MCSA) для анализа библиотек циклических пептидов в разработке лекарств. Циклические пептиды с циклизацией голова-к-хвосту сочетают высокую аффинность и селективность с метаболической стабильностью, но их анализ требует решения проблемы неизвестной ротации каждой последовательности. Существующие эвристики MCSA были оптимизированы для геномных данных и становятся чрезмерно медленными при работе с сотнями и тысячами коротких пептидных последовательностей. Авторы разработали оптимизации, включая библиотеку пресетов для коротких последовательностей и многопоточный бэкенд с поддержкой SIMD, обеспечивающий почти линейное масштабирование. Метод валидирован на библиотеке из 1000 H2T-циклизованных пептидов длиной 18 аминокислот, нацеленных на онкопротеин MDM2. Оптимизированный MCSA восстанавливает позиционные мотивы связывания MDM2 с той же точностью, что и оригинальная реализация, но работает в 650 раз быстрее. Инструмент открыто доступен и позволяет проводить выравнивание циклических пептидов в масштабах библиотек для де novo дизайна пептидов с использованием генеративных моделей.

Исследователи разработали CPPLocPred — иерархическую платформу машинного обучения для предсказания клеточно-проникающих пептидов (CPP) и их субклеточной локализации, что критически важно для целевой доставки терапевтических грузов в клетки. На первом этапе ML-модели для идентификации CPP достигли AUC 0,953 и MCC 0,7842 на независимом тестовом наборе, демонстрируя производительность на уровне или выше существующих методов. На втором этапе модель предсказания локализации обучалась на экспериментально валидированных CPP: 663 цитоплазматических, 287 ядерных, 57 митохондриальных, 186 эндо-лизосомальных и 328 других. Анализ выявил, что митохондриальные и ядерные CPP богаты положительно заряженными аргинином и лизином, тогда как эндо-лизосомальные предпочитают глицин-, пролин- и цистеин-содержащие мотивы. Лучшую производительность показали модели на основе CatBoost с использованием Distance Distribution of Residues (DDR) и эмбеддингов языковых моделей белков: AUC составил 0,814 (цитоплазма), 0,775 (ядро), 0,970 (митохондрии), 0,782 (эндо-лизосомы) и 0,798 (остальные). Платформа доступна онлайн и предоставляет практический инструмент для рационального дизайна пептидов с заданной локализацией для терапевтических применений.

Исследователи разработали SpaTemGRN — вычислительный метод для анализа пространственно-временной транскриптомики, который позволяет восстанавливать генно-регуляторные сети с разрешением по времени и пространству. Метод использует совместное моделирование наблюдений с нескольких слайдов в разные моменты времени, позволяя поздним пространственным единицам заимствовать статистическую силу у соседних и предшествующих во времени единиц. В модели болезни Альцгеймера у мышей (AppNL-G-F) метод выявил зависящее от региона и возраста усиление регуляторной связи между комплементом и глиальными клетками: ранний широко распределённый сигнатурный профиль комплемента предшествует более поздней пространственно-фокальной связи с астроцитарными и микроглиальными ответами. В развивающемся эмбриональном мозге мыши SpaTemGRN идентифицировал прогрессирующее sharpening и пространственное разделение регуляторных программ по мере регионализации нервной трубки. На симулированных данных метод превзошёл четыре существующих подхода по точности восстановления регуляторных связей и продемонстрировал наиболее стабильную производительность across стадий развития. Исследование представляет собой гибкий гипотез-генерирующий фреймворк для изучения ремоделирования пространственно-локализованных генно-генных зависимостей across биологических стадий, что имеет значение для понимания молекулярных механизмов нейродегенеративных заболеваний.

Исследователи представили vOMIX-MEGA — новый вычислительный фреймворк для анализа вирусных метагеномных данных терабайтного объёма. Основная проблема, которую решает инструмент — ограничения масштабируемости и вычислительных ресурсов при идентификации вирусов в больших наборах данных. vOMIX-MEGA оптимизирует параллелизацию и использование памяти на критических этапах обработки. По результатам бенчмарков на эмпирических данных, пайплайн завершает обработку за 50 минут с потреблением 24 ГБ оперативной памяти, тогда как четыре альтернативных решения требуют от 7 часов (383 ГБ RAM) до 14 дней (32 ГБ RAM). По точности vOMIX-MEGA превосходит существующие аналоги в среднем на 21% на тестовых (mock) данных и на 13% на экспериментальных данных. Инструмент имеет прямое применение в медицинской диагностике для быстрого выявления патогенов, мониторинга вспышек заболеваний и клинического секвенирования. Исходный код доступен в открытом доступе на GitHub.

Исследование оценивает возможность использования встраиваний (embeddings) от четырёх языковых моделей белков (ESM-1b, ESM-2, ProtT5, ProstT5) для оценки попарного структурного сходства белков без выполнения выравнивания последовательностей. Бенчмарк включает 20 445 пар белков PISCES с идентичностью последовательности ≤30%, представляющих «сумеречную зону», где традиционные методы часто не работают. В качестве эталона структурного сходства использован TMmin, полученный через TM-align. Среди метрик сходства (косинусное сходство, евклидово, манхэттенское, RBF-ядро, скалярное произведение) косинусное сходство показало наилучшие результаты для всех четырёх моделей. ProstT5 достиг наивысшей корреляции Спирмена с TMmin, за ним следуют ESM-2, ProtT5 и ESM-1b; все четыре модели превзошли BLASTP. Преимущество встраиваний PLM наиболее выражено для пар белков с наименьшей идентичностью последовательности. ProstT5 также обеспечил лучшую дискриминацию между структурно схожими и несхожими парами белков при оптимальном балансе производительности и вычислительных затрат.

OpenAI опубликовала отчёт о применении ИИ-агентов для разработки научного программного обеспечения в восьми проектах, охватывающих геномику, иммунологию, статистику и секвенирование РНК. В пяти случаях использовался Codex, в трёх — комбинация Codex и Claude Code от Anthropic. Конкретные результаты включают: симулятор чтения ДНК HI.SIM сократил время выполнения на 31% после оптимизации агентом GPT-5.2/5.6; инструмент сборки генома Hifiasm ускорился на 25% на целевых данных и на 15% на человеческих последовательностях; библиотека bayesm-rs на Rust превзошла оригинал на R в 2.3–9.5 раз по скорости; проект MHCflurry мигрировал бэкенд с TensorFlow/Keras на PyTorch с сохранением совместимости весов моделей. Авторы подчёркивают, что агенты эффективны для рутинных задач (оптимизация, портирование, сборка), но экспертное руководство остаётся незаменимым. Исследование демонстрирует потенциал ИИ для решения проблемы технического долга в научном ПО, где академические команды часто не имеют ресурсов для поддержки кода.

Исследователи представили HARMONY — инновационную платформу и фреймворк, предназначенный для решения проблемы разрозненности метаданных в крупнейших метаболомных базах данных, таких как Metabolomics Workbench и MetaboLights. Система использует онтологический подход для гармонизации девяти ключевых узлов данных, включая биологические параметры (вид, источник образца, заболевание) и аналитические характеристики (метод разделения, тип ионизации, масс-анализатор), а также сопоставляет метаболиты с единым стандартом RefMet. Методология включает двухэтапный рабочий процесс: многоисточниковое извлечение данных и последующее онтологическое картирование, которое преобразует специфические термины репозиториев в общие поисковые запросы. Результаты внедрения показали значительный рост эффективности: кросс-репозиторная доступность данных увеличилась с 75,5% до 89,6%. При этом около 91% исследований из Metabolomics Workbench и 85% из MetaboLights достигли высокого уровня гармонизации (минимум шесть из восьми узлов). Платформа, доступная по адресу omicsinharmony.in, использует ML-энкодеры для создания общих представлений метаданных, что позволяет проводить глубокий поиск и сравнение исследований на уровне метаболитов, значительно упрощая повторное использование данных в биомедицинских исследованиях.