биоинформатика

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.

В данном исследовании проводится глубокий анализ интерпретируемости 8 моделей из семейств ESM2 и AMPLIFY, предназначенных для работы с белковыми последовательностями. Авторы провели послойный анализ того, как именно языковые модели (pLM) кодируют биологические знания, протестировав 22 различных концепции человеческого протеома. Результаты показали четкую иерархию: ранние слои лучше всего улавливают базовые физико-химические свойства и линейные мотивы, последующие слои отвечают за вторичную структуру, а средние слои — за семантику на уровне доменов. Применение методов интервенции, вдохновленных молекулярной биологией, подтвердило способность эмбеддингов различать активные и неактивные фосфомиметические мутанты. Важным открытием стало то, что объем обучающих данных и вычислительные ресурсы оказывают более значительное влияние на линейное появление биологических концепций, чем простое увеличение количества параметров модели. Работа дает ценные рекомендации для создания более надежных и биологически обоснованных моделей для дизайна белков и предсказания их функций.

Исследование посвящено критическому анализу точности современных предикторов патогенности миссенс-вариантов (таких как AlphaMissense), которые часто ошибочно интерпретируют онкогенные мутации. Авторы протестировали 49 инструментов на базе 768 генов из Cancer Gene Census, используя данные из CIViC, COSMIC и ClinVar. Результаты показали, что 86% инструментов (42 из 49) систематически занижают значимость вариантов gain-of-function (GOF) по сравнению с опухолевыми супрессорами. Это связано с тем, что драйверные мутации часто локализуются в зонах с низкой консервативностью и высокой доступностью растворителю, что не учитывается текущими моделями. В работе предложен метод OncoCal — ансамбль моделей, который повышает показатель AUROC с 0.87 до 0.93 и успешно идентифицирует такие драйверы, как JAK2 V617F. Исследователи предоставляют открытую карту калибровки для каждого гена, что позволяет адаптировать существующие ИИ-инструменты для точной клинической интерпретации соматических мутаций в онкологии.

В данном исследовании анализируется статистическая надежность методов реконструкции филогенетических деревьев, использующих минимизацию количества исправлений ошибок («флипов») для соответствия модели совершенной филогении. Авторы доказывают, что при наличии любых положительных уровней ошибок такие целевые функции являются статистически непоследовательными: в среднем дерево с минимальной стоимостью исправлений не обязательно совпадает с истинной топологией. Проблема заключается в систематическом смещении, когда определенные топологии деревьев способны объяснять паттерны мутаций с меньшим количеством ошибок, чем произошло на самом деле. В ходе симуляций, откалиброванных по данным секвенирования единичных клеток (single-cell sequencing), было обнаружено, что неверное дерево выбирается в существенной части случаев, превышая 50% в определенных условиях. Установлено, что при типичных для секвенирования уровнях ошибок предпочтение отдается деревьям с более глубокой и несбалансированной топологией. Результаты подчеркивают, что данная ошибка не является теоретическим исключением, а представляет собой широко распространенную проблему при интерпретации эволюционных данных.

В статье представлен Hobrac — новый автоматизированный рабочий процесс, предназначенный для решения критических проблем при сравнении целых геномов и изучении их эволюции. Основная задача инструмента заключается в преодолении двух главных барьеров: сложности выбора подходящего референсного генома и трудности интерпретации хромосомной синтенности на основе зашумленных нуклеотидных выравниваний. Методология Hobrac сочетает автоматический подбор референсных последовательностей с использованием генного подхода, дополняя нуклеотидные выравнивания консервативными ортологами BUSCO. Это позволяет значительно повысить точность структурного сравнения геномов. Инструмент генерирует высококачественные визуализации, включая точечные диаграммы (dotplots), ленточные диаграммы (ribbon-plots) и интерактивные карты синтенности, пригодные для научных публикаций. Hobrac доступен бесплатно в открытом доступе на GitHub и представляет значительный интерес для биоинформатиков, занимающихся геномной сборкой и эволюционным анализом.

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 MGM2 — инновационная мультимодальная базовая модель (foundation model), предназначенная для глубокого анализа микробиомов. Модель была предварительно обучена на колоссальном массиве данных, включающем 1 821 291 образец из MicrobeAtlas и 225 067 операционных таксономических единиц (OTU). Методология MGM2 сочетает в себе эмбеддинги микробных последовательностей (на базе NTv3) с обусловленным анализом численности и семантическим выравниванием сообществ. Результаты тестирования показали превосходство MGM2 над моделью DeepPhylo: показатель macro-AUROC увеличился на 0,06–0,21 на различных уровнях иерархии MGnify, особенно при работе с редкими таксонами. В задачах прогнозирования ответа на фекальную трансплантацию микробиоты модель MGM2-XLarge достигла ROC AUC 0,79 и снизила расстояние Брея-Кертиса на 15% относительно исходного состояния реципиента. Кроме того, модель продемонстрировала эффективность в прогнозировании трендов на уровне ASV в 24 очистных сооружениях. Использование разреженных автоэнкодеров позволило интерпретировать состояния модели через словарь из 4 096 признаков, охватывающих таксономию, экологический контекст и техническую вариативность.

В статье представлен fastCDS — высокопроизводительный инструментарий на языке C++, предназначенный для быстрого сопоставления областей белков с геномными координатами на основе GTF-аннотаций. Основная проблема существующих методов заключается в низкой масштабируемости при проведении полнопротеомного анализа, в то время как fastCDS обеспечивает скорость работы на два-три порядка выше конкурентов. Инструмент предоставляет интерфейсы командной строки и Python, позволяя за считанные секунды сопоставить все домены Pfam человека с их геномным расположением. Авторы использовали полученный атлас для исследования того, как архитектура экзонов варьируется в зависимости от функций доменов. Данная разработка критически важна для интерпретации клинических вариантов в контексте экзонов и изучения структуры экзонов. Инструментарий доступен по лицензии MIT и может быть легко интегрирован в биоинформатические конвейеры через pip или mamba.

В исследовании представлен scLEMBAS — инновационная нейросетевая модель типа «gray-box», предназначенная для моделирования активности сигнальных путей на уровне единичных клеток. В отличие от чисто предсказательных моделей, scLEMBAS интегрирует априорные знания о сетях белок-белковых взаимодействий в архитектуру рекуррентной нейронной сети, где обучаемые веса ребер соответствуют силе сигнальных взаимодействий. Модель использует состязательный подход (adversarial approach) для генерации контрфактуальных сценариев, позволяя предсказать, как изменится активность транскрипционных факторов клетки при смене контекста или типа воздействия. Тестирование на двух наборах данных scRNA-seq показало высокую точность предсказания комбинаций возмущений и контекстов, выходящих за рамки обучающей выборки (out-of-distribution). Важным достижением является биологическая интерпретируемость: модель способна самостоятельно «отсеивать» ложные взаимодействия и идентифицировать белки, специфичные для конкретных типов клеток. Это открывает новые возможности для количественного анализа того, как клеточный контекст и внешние стимулы перестраивают сигнальные сети.

Исследование представляет MetaClaw — инновационный агентный фреймворк на базе больших языковых моделей (LLM), предназначенный для автоматизации сложных биоинформатических рабочих процессов. В отличие от существующих решений, MetaClaw обеспечивает полную воспроизводимость и аудируемость за счет разделения анализа на детерминированный поток FlowHub и настраиваемые контейнеры OpenClaw, объединенные единым реестром YAML-конвейеров. В ходе тестирования на 94 образцах из четырех опубликованных исследований система продемонстрировала высокую точность: восстановление 3/3 признаков рассеянного склероза (RRMS), 5/5 групп маркеров вечной мерзлоты и 3/5 маркеров колоректального рака (CRC). Бенчмаркинг показал, что использование целостной архитектуры реестра сокращает время выполнения задач на 32%, уменьшает количество вызовов инструментов на 37% и снижает затраты на токены на 47%. Система гарантирует безопасность данных, так как контейнеры для последующего анализа работают без доступа к сети. MetaClaw успешно решает проблему воспроизводимости выводов в мультиомных исследованиях, обеспечивая устойчивость к возмущениям и измеримую эффективность ресурсов.

Представлена GatorPrism — инновационная архитектура на основе смеси экспертов (Mixture-of-Experts), использующая самообучение и коалиционные графы для интеграции пространственных мультиомиксных данных. Методология системы позволяет разделять общий консенсус между различными омиксными слоями и специфические сигналы каждой модальности, адаптируя их вклад в зависимости от конкретной локации в ткани. В рамках модели совместный эксперт кодирует консенсусный граф на основе пересечений, а частные эксперты фиксируют уникальные пространственно-молекулярные структуры, при этом маршрутизатор на основе прототипов назначает веса для каждой точки ткани. В ходе тестирования на восьми наборах данных GatorPrism продемонстрировала превосходство над девятью конкурирующими методами по девяти метрикам кластеризации. Исследование на тканях миндалевидного железа человека подтвердило точность выделения доменов через соответствие маркерам RNA и ADT, а анализ эмбрионального мозга мыши выявил анатомически локализованные состояния, подтвержденные данными транскриптомики и доступности хроматина. Данная разработка обеспечивает высокую интерпретируемость и точность при изучении того, как молекулярные сигналы организуют структуру тканей.

В исследовании представлен новый биоинформатический инструмент EXCAVATE-HT, предназначенный для высокопроизводительного поиска мишеней для аллель-специфичного редактирования генома с помощью системы CRISPR/Cas. Основная инновация заключается в возможности таргетирования распространенных однонуклеотидных полиморфизмов (SNP), что позволяет охватить значительно большее количество пациентов по сравнению с подходом, ориентированным на редкие мутации. Алгоритм анализирует популяционные данные вариантов, позволяя пользователям задавать интересующие локусы, тип Cas-белка и частоту SNP для генерации аннотированных списков направляющих РНК (gRNA). Инструмент также способен проектировать библиотеки пар gRNA для осуществления эксцизии (вырезания) участков ДНК. В ходе тестирования на гене CRX (Cone-Rod Homeobox), ответственном за наследственные заболевания зрения, EXCAVATE-HT продемонстрировал способность проектировать стратегии, которые потенциально могут помочь более чем 30-кратному количеству пациентов по сравнению с таргетированием одной конкретной мутации. Данная разработка имеет критическое значение для развития персонализированной геномной терапии и масштабирования методов генного редактирования.

В исследовании представлен MeioBIOME — новый модульный биоинформатический конвейер на базе Snakemake, предназначенный для одновременного анализа геномов мейофауны (микроскопических многоклеточных) и их микробиомов. Традиционные методы анализа часто не позволяют точно определить таксономию бактерий или разделять геномы хозяина и микробов, в то время как MeioBIOME решает задачу двойного анализа: восстановления однокопийных генов (SCG) хозяина для филогенетической идентификации и сборки метагеномно-собранных геномов (MAG) симбионтов. Авторы протестировали инструмент на публичных наборах данных и продемонстрировали, что интеграция современных алгоритмов биннинга позволяет генерировать большее количество MAG, чем стандартный конвейер DOE Joint Genome Institute. Данный инструмент критически важен для изучения филосимбиоза и биогеохимических циклов, обеспечивая высокую точность разделения генетического материала хозяина и его микробиотического сообщества. Метод позволяет преодолеть ограничения методов метабаркодинга 16S rRNA, предоставляя более высокое разрешение на уровне штаммов.

В исследовании применяется метод QTY-кода (замена гидрофобных аминокислот на полярные глутамин, треонин и тирозин) для создания водорастворимых аналогов ключевых мембранных белков вируса Эпштейна — Барр (BILF1, LMP1 и LMP2). Ученые использовали инструменты AlphaFold3, ColabFold и Boltz-2 для предсказания структур, что позволило подтвердить сохранение нативной конформации при значительной модификации последовательности. Результаты показали, что несмотря на замену 54,15%–61,59% аминокислот в трансмембранных доменах, значения RMSD остались крайне низкими (от 0,217 до 1,202 Å), а изменения молекулярной массы составили всего 0,7–1,2 кДа. Разработанные QTY-аналоги обладают существенно сниженной гидрофобностью и склонностью к агрегации, что позволяет проводить исследования без использования детергентов. Данный метод открывает новые возможности для биохимической характеризации белков EBV, которые ранее были труднодоступны из-за их гидрофобности, и может ускорить разработку терапевтических стратегий против связанных с вирусом злокачественных новообразований.

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.

Исследование посвящено решению проблемы прогнозирования различий в экспрессии генов между индивидами на основе их геномных последовательностей. Авторы предложили использовать метод деконволюции данных bulk RNA-seq (массового секвенирования РНК) с помощью инструмента BayesPrism и референсных профилей single-nucleus RNA-seq для создания масштабируемых мишеней, специфичных для конкретных типов клеток. В ходе работы были проанализированы данные GTEx v8 для шести тканей, что позволило получить контексты для 83 комбинаций тканей и типов клеток. Результаты показали высокую корреляцию между деконволюированной экспрессией и псевдо-bulk данными одиночных ядер (медианный коэффициент корреляции Пирсона составил от 0,53 до 0,73). Сравнительный анализ моделей (Enformer, Borzoi и базовых генотип-фичерных моделей) продемонстрировал, что подходы на основе последовательностей превосходят базовые методы: для случайных наборов генов корреляция составила 0,122–0,142 против 0,081–0,086 у базовых моделей. Исследование подтверждает, что использование предобученных репрезентаций (frozen representations) является вычислительно эффективным и конкурентоспособным методом для моделирования связи между последовательностью и экспрессией генов.

В статье представлена pyfraglib — комплексная программная платформа, предназначенная для глубокого анализа фрагментомики внеклеточной ДНК (cfDNA), включая профили длины фрагментов, показатели защиты (WPS) и мотивы концов фрагментов. Разработчики объединили в одном пакете инструменты для извлечения данных из коротких и длинных чтений секвенирования, статистическое моделирование (с использованием гауссовых смесей и NMF-декомпозиции) и модуль для in silico симуляций. В ходе тестирования на двух симулированных когортах по 20 образцов платформа успешно восстановила заданные различия в характеристиках фрагментов. Практическая значимость подтверждена на наборе из 89 образцов при лимфоме центральной нервной системы (CNSL): авторы разработали комбинированный фрагментомический показатель, объединяющий NMF-сигнатуры и мотивы концов фрагментов. Применение этого показателя на плазме пациентов позволило выявить группу высокого риска с худшей выживаемостью без прогрессирования заболевания (log-rank p=0.0205). Платформа доступна через Python API, интерфейс командной строки и конвейер Nextflow, что делает её мощным инструментом для биомедицинских исследований.

В статье представлен CNVeil — инновационный биоинформатический фреймворк, предназначенный для решения критической проблемы при анализе данных секвенирования единичных клеток (scDNA-seq): перехода от оценки общего числа копий генов к гаплотип-специфичному профилированию. Методология CNVeil включает использование иерархической кластеризации, оценки плоидности с учетом субклонов и алгоритма максимизации ожидания (EM) для анализа гетерозиготных SNP, что позволяет восстанавливать ориентацию гаплотипов через динамическое программирование. В ходе масштабного бенчмаркинга, охватившего 20 симулированных и реальных наборов данных (включая технологии 10x Chromium и ACT), CNVeil превзошел 12 существующих методов по точности сегментации и идентификации субклонов. При тестировании на когорте мультиомных данных рака молочной железы (wellDR-seq) инструмент успешно выявил субклональную диверсификацию, которая оставалась невидимой при использовании стандартных методов анализа общего числа копий. Исследование демонстрирует, что связывание аллель-специфичного числа копий с транскрипционной вариативностью позволяет глубже понять эволюцию опухоли. Данная разработка закрывает методологический пробел в изучении геномной гетерогенности и предоставляет масштабируемый инструмент для прецизионной онкологии.

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.