Исследователи разработали BIGraph-ST — новый метод на основе графовых нейронных сетей для идентификации функциональных доменов в пространственной транскриптомике. Метод интегрирует два типа данных:_scores активности биологических путей и признаки гистологических изображений, что позволяет преодолеть шум и разреженность данных экспрессии генов. BIGraph-ST представляет сходство между модальностями через аффинные графы и распространяет пространственную топологию для захвата связности высшего порядка в тканевом микроокружении. Экспериментальные результаты показали робастную производительность и значительные улучшения на множестве бенчмарк-датасетов, особенно на образцах раковых тканей. Ключевое преимущество метода — биологически интерпретируемые представления доменов на уровне путей, что даёт исследователям инструмент для получения биологических инсайтов о сложных тканевых архитектурах. Исходный код будет опубликован после принятия статьи. Данная работа напрямую применяет методы машинного обучения для анализа медицинских данных в онкологии и патологической анатомии.
В статье рассматривается проблема оценки достоверности предсказанных структур биомолекулярных комплексов с использованием современных ИИ-моделей AlphaFold 3 и Boltz-2. Авторы указывают на ограничения существующего метрического показателя ipTM (interface predicted Template Modeling score), который вычисляется на основе матрицы предсказанных выровненных ошибок (PAE) и не учитывает направленность взаимодействия между разными типами молекул. Для решения этой проблемы предлагается новый метод ipSAE (interaction predicted Score from Aligned Errors), который вводит явные правила для выбора компонентов, задающих систему координат, оцениваемых токенов и параметра масштабирования d0. Методология предполагает выравнивание по более сложной молекуле (например, белку) и оценку более простой (лиганда или иона) с фиксированным параметром d0=2 Ангстрема. В бенчмарке на 102 комплексах «белок-лиганд» новый подход показал значительно более широкий диапазон оценок достоверности по сравнению с нативным ipTM. На независимом наборе из 82 комплексов пороговые значения ipSAE 0.5 для AlphaFold 3 и 0.8 для Boltz-2 обеспечили сбалансированную точность классификации правильных размещений лигандов на уровне 0.938 и 0.862 соответственно (при пороге RMSD 5 Ангстрем). Результаты также подтверждены на комплексах белок-ДНК и предварительных тестах белок-РНК. Исследование устанавливает универсальную рамку для интерпретации уверенности предсказаний в различных классах биомолекулярных взаимодействий и предоставляет открытый код реализации на GitHub.
В данном исследовании применяется подход вычислительного перепрофилирования лекарств для поиска новых терапевтических возможностей среди уже одобренных FDA препаратов, нацеленных на циклин-зависимую киназу 2 (CDK2) — ключевой регулятор клеточного цикла, часто ассоциируемый с онкологическими заболеваниями. Методология включает молекулярный докинг с использованием кристаллической структуры человеческого CDK2 (PDB ID: 3PY0), за которым следует анализ взаимодействий белка и лиганда с помощью инструмента PLIP. Для оценки свойств, связанных с лекарственной формой, и фармакокинетики применялась база данных Swiss ADME, а прогноз токсичности осуществлялся с помощью ProTox. Критерии отбора базировались на балансе аффинности связывания, профилей взаимодействий, лекарственной подобности, фармакокинетики и токсичности. В результате наиболее сбалансированный вычислительный профиль продемонстрировал препарат Картеолол, который был выбран в качестве основного кандидата для дальнейшего изучения. Авторы подчеркивают необходимость проведения экспериментальных исследований для подтверждения прямого связывания и ингибирующей активности Картеолола против CDK2. Это исследование иллюстрирует эффективность ИИ и методов машинного обучения в ускорении разработки новых показаний для существующих препаратов, снижая затраты и время на доклинические этапы.
В статье представлен метод DUET — алгоритм на основе искусственного интеллекта для предсказания сайтов связывания РНК с малыми молекулами, использующий только информацию о последовательности без необходимости экспериментальных структурных данных. Архитектура модели объединяет реляционную графовую башню с двумя сверточными последовательными башнями, построенными на основе замороженных языковых моделей РНК, что позволяет эффективно извлекать биологические паттерны. Авторы уделили особое внимание строгости валидации, удалив 98 из 388 записей в обучающей и валидационной выборках, имеющих 80% идентичности с каноническими тестовыми цепями, чтобы избежать утечки данных. Результаты показали, что DUET достиг средней MCC (средней точности) 0.240 +/- 0.013, что статистически значимо превосходит предыдущий метод CoBRA-M3 (0.192 +/- 0.031) с приростом Delta = +0.047 (p = 0.0073). Модель также продемонстрировала параллельные улучшения по метрикам AUC и AUPRC, а на внешних наборах данных результаты DUET (0.246 MCC) оказались статистически неотличимыми от метода GRASSP (0.243 MCC). Исследование подтвердило, что реальная трехмерная топология улучшает MCC на +0.037 по сравнению с перемешанными ребрами и на +0.042 по сравнению с предсказанной вторичной структурой. Увеличение размера обучающей выборки с 80 до 290 записей привело к значительному росту производительности модели на +0.135 MCC. Работа подчеркивает критическую необходимость раздельного контроля за перекрытием тестовых данных и внутренней избыточностью обучающих выборок при оценке ИИ-моделей в биоинформатике.
В статье представлен метод RAMP (Rank-preserving Alignment of Multi-platform Proteomics) — новая неконтролируемая вычислительная рамка для выравнивания данных протеомики, полученных с различных платформ, таких как цитометрия, секвенирование и пространственная визуализация. В отличие от существующих методов, ориентированных на РНК, которые приоритизируют общие эмбеддинги, RAMP выравнивает общие белковые маркеры без необходимости предварительной аннотации типов клеток, используя специфические для образца якоря и монотонные преобразования. Ключевым преимуществом подхода является сохранение порядка экспрессии маркеров внутри образца, что предотвращает опасные ошибки интерпретации, такие как обратное изменение рангов экспрессии, которые могут привести к неверной идентификации клеточных популяций. Метод был протестирован на семи задачах интеграции, показав наилучший баланс между коррекцией батчей и сохранением типов клеток, а также улучшил качество входных данных для линейных моделей, k-NN и небольших нейросетей в задачах кросс-платформенной аннотации и предсказания отсутствующих маркеров. Практическая значимость RAMP продемонстрирована на нескольких клинических примерах: в костном мозге метод позволил импутировать пропавший канал CD19 в данных CODEX, восстановив пространственное распределение В-клеток; в меланоме перенос пространственной информации выявил связь пролиферирующих CD8 Т-клеток с выживаемостью; в раке легких предсказанные состояния HLA-ABC ассоциировались с худшим безрецидивным выживанием; в раке головы и шеи анализировались ниши фибробластов и макрофагов. Результаты подтверждают ценность гармонизированных входных данных для предиктивного обучения и обосновывают использование RAMP в качестве предварительной обработки для протеомических фундаментальных моделей.
В статье представлен SCITRAM (Single-Cell Integrated TRAnscription regulation Modeler) — вычислительный инструмент на базе искусственного интеллекта, предназначенный для анализа данных одноядерной трансксриптомики. В отличие от традиционных методов, сводящихся к простой стратификации клеток по экспрессии генов, SCITRAM реконструирует первичные сети генной регуляции и моделирует транскрипционные каскады, активируемые ключевыми транскрипционными факторами. Методология включает два основных этапа: построение графа регуляторных взаимодействий и последующее in-silico моделирование эффектов активации выявленных факторов. Производительность платформы была валидирована на трех сложных биологических моделях: истощение Т-клеток при терапии солидных опухолей, линейная стратификация при панкреатической эндокриногенезе и формирование нервной ткани в моделях церебральных органоидов. Результаты показывают, что SCITRAM эффективно идентифицирует мастер-регуляторы клеточной гетерогенности без необходимости использования командной строки, предоставляя пользователям удобный графический интерфейс. Это решение устраняет барьеры для биоинформатического анализа, позволяя исследователям изучать сложные регуляторные программы в контексте развития заболеваний и тканевого морфогенеза. Инструмент представляет значительный интерес для персонализированной медицины и фундаментальных биомедицинских исследований, ускоряя переход от сырых данных к биологическим гипотезам.
В статье представлен новый вычислительный конвейер, использующий топологический анализ данных (TDA) для интеграции мультиомных данных и оценки значимости генов в развитии заболеваний. Авторы применяют метод гармонической персистентной гомологии (HPH), который позволяет учитывать сложные графовые взаимодействия в биологических системах, обеспечивая при этом интерпретируемость результатов и устойчивость к шуму в данных. Для снижения вычислительной нагрузки и объединения различных омик-слоев (метилирование и экспрессия генов) используется инструмент iNETgrate, что расширяет применимость HPH с уровня отдельных пациентов на молекулярные данные. Валидация метода проведена на известном наборе данных TCGA по раку молочной железы, где результаты конвейера сравнивались с установленными биомаркерами. Разработанный подход демонстрирует высокую эффективность в ранжировании генов по их релевантности заболеванию, предлагая надежный инструмент для биоинформатического анализа. Методология подчеркивает важность устойчивости к возмущениям входных данных, что критично для работы с зашумленными омик-данными. Полученные результаты открывают новые возможности для персонализированной медицины и поиска новых терапевтических мишеней.
Статья представляет BloClaw — рабочую станцию для научных исследований с искусственным интеллектом (AI4S), предназначенную для аудируемой вычислительной биологии. Основной принцип системы: научный агент должен знать, что он может делать, показывать, как он это сделал, и указывать, что осталось непроверенным. Каждая функциональная возможность описывает состояние выполнения, ограничения входных данных, зависимости, ожидаемые результаты и научные ограничения. Запросы на естественном языке преобразуются в структурированные задачи, проверяются на соответствие реестру возможностей, выполняются с помощью научных инструментов и записываются в журнал Living Lab Notebook с отслеживанием происхождения данных. Система обнаруживает недопустимые входные данные, сбои вызовов инструментов, отсутствующие зависимости и тайм-ауты, направляя их на исправление, повторную попытку или эскалацию. Реализованный и протестированный функционал включает скрининг молекулярных свойств и правил на основе RDKit, анализ структуры белков, проверку поз докинга, 3D-визуализацию и структурированную отчетность. Демонстрация на структуре осимертиниба из PubChem и артефакте докинга 6LU7 показала детерминированные дескрипторы (молекулярная масса 499.619 Да, cLogP 4.5098, TPSA 87.55 Ų) и 2387 записей атомов белка, 309 остатков и девять записей поз. Авторы подчеркивают, что это демонстрация рабочего процесса, а не исследование эффективности или сродства. Также описана предлагаемая конструктивная модель с минимизацией априорных предположений, где целевая функция компилируется в физические, химические и системные ограничения, а наблюдения используются для калибровки и фальсификации. Описан протокол оценки, сравнивающий BloClaw со стандартным однопроцессным агентом и фиксированными скриптами по полноте задач, научной корректности, успешности восстановления, полноте происхождения, воспроизводимости, времени рецензирования, задержке и стоимости. Система позиционируется как уровень исполнения и подотчетности для ИИ-ассистированных исследований, дополняющий экспертный анализ и экспериментальную валидацию.
Исследователи разработали CHASM — вычислительный метод для обнаружения хромосомных копийных альтераций (CNA) из данных одноклеточной хроматиновой доступности (scATAC-seq). Метод оценивает фон CNA-null для каждой клетки, обеспечивая индивидуализированное ожидание хромосомной доступности, что критически важно в не-неопластических тканях. Валидация проведена через in silico spike-in эксперименты, кросс-модальные сравнения с одноклеточными ДНК и РНК данными, включая контрасты нестабильности генома (дефицит p53, потеря Y-хромосомы). Применённый к 99 образцам человеческой почки, CHASM выявил обогащение мозаичных хромосомных альтераций (mCA) в ассоциированных с повреждением клеточных состояниях (VCAM1-высокие клетки проксимальных канальцев). Метод обнаружил возраст-ассоциированное появление mCA в релевантных для рака геномных регионах, включая_gain и потерю хромосомы 3, gain хромосомы 7 в нормальных популяциях клеток. Клетки с mCA демонстрируют активацию регуляторных программ ответа на повреждение и сниженную эпителиальную идентичность, а повышенная нагрузка mCA в специфических эпителиальных популяциях ассоциирована с увеличенной иммунной и стромальной инфильтрацией. CHASM раскрывает паттерны нестабильности генома при старении внутри типов клеток и implicирует mCA в ранних, пред-болезненных клеточных состояниях.
Исследователи представили PLMView — новую вычислительную платформу на основе языковых моделей белков (PLM) для классификации функций белков с высокой точностью. Метод работает без размеченных данных, специфичного обучения для семейств белков или дообучения PLM, позиционируя последовательности в совместном функциональном пространстве через сравнение с якорными последовательностями. Платформа демонстрирует высокую вычислительную эффективность: классификация примерно 10 000 последовательностей с 1 000 якорей выполняется менее чем за 40 минут, что более чем в 10 раз быстрее реконструкции сетей сходства последовательностей (SSN) на данных такого масштаба. PLMView превосходит методы пулинговых эмбеддингов и SSN по биологической согласованности функционального разрешения, особенно в сложных случаях. Применения метода включают анализ тиоредоксинов, визуальных опсинов и холод-шок белков диатомовых водорослей из проекта Tara Oceans, демонстрируя переход от интерпретируемых детерминант на уровне остатков в изученных семействах к крупномасштабному экологическому открытию функций. Метод выявляет остатки, вероятно определяющие функциональную специфичность, связывая молекулярную специализацию с экологическим распределением и транскрипционной активностью в глобальном океане.
Исследование посвящено компьютерному дизайну пептида для таргетного воздействия на иммунную контрольную точку Tim-3–galectin9, что имеет значение для иммунотерапии онкологических заболеваний. Работа опубликована в журнале npj Digital Medicine, специализирующемся на цифровых технологиях в медицине. Методология предполагает использование вычислительных подходов для многокритериальной оптимизации пептидной структуры с целью достижения специфичности связывания и терапевтической эффективности. Tim-3 и galectin9 представляют собой перспективные мишени для преодоления иммунного ускользания опухолей. Однако предоставленный фрагмент содержит только библиографические метаданные без доступа к полному тексту статьи, поэтому детали алгоритмов оптимизации, конкретные результаты экспериментов и количественные показатели эффективности недоступны для анализа. Для полноценной оценки вклада ИИ-методов в данное исследование необходим доступ к разделам методики и результатов публикации.
Исследователи разработали новый метод глубокого обучения для молекулярной динамики, который позволяет проводить симуляции на значительно более длительных временных масштабах по сравнению с существующими подходами. Ключевое достижение метода — преодоление традиционного фемтосекундного ограничения при сохранении точности предсказания физических свойств молекул. Технология опубликована в журнале Nature Machine Intelligence 5 августа 2026 года. Метод использует нейросетевое прогнозирование траекторий молекулярного движения, что открывает возможности для более эффективного моделирования биомолекулярных процессов. Данное исследование имеет потенциальное значение для фармацевтической разработки и дизайна лекарств, где молекулярная динамика применяется для изучения взаимодействий белков и лигандов. Однако статья не содержит конкретных количественных результатов или данных о клинических применениях, что ограничивает прямую оценку медицинской релевантности.
Исследователи представили MAXWELL (Matrix-wise Landscape Learning) — новый метод пост-обучения для калибровки вероятностных выходов языковых моделей белков с целью прогнозирования влияния мутаций на стабильность белков. Метод позволяет генерировать мутационные ландшафты, количественно оценивающие эффекты отдельных аминокислотных замен на стабильность белка, что критически важно для белковой инженерии и разработки терапевтических препаратов. При применении к модели ProteinMPNN MAXWELL продемонстрировал результаты уровня state-of-the-art, превзойдя ThermoMPNN и другие представительные методы на курированном бенчмарке экспериментально измеренных изменений стабильности. Экспериментальная валидация включала дизайн десяти точечных мутаций в дегалогеназе DhaA, из которых семь (70%) увеличили термическую стабильность белка. Наибольшее улучшение показала мутация G171W с измеренным значением ΔT 4.91°C. Эти результаты подтверждают MAXWELL как практическую стратегию для дизайна стабилизирующих мутаций с потенциальным применением в разработке ферментных терапевтических препаратов и биотехнологии.
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.
Исследователи разработали инновационную вычислительную систему на основе искусственного интеллекта для идентификации лекарственных мишеней среди малоизученных «тёмных киназ» — белков, которые могут стать ключом к лечению сложных заболеваний, включая рак и нейродегенеративные расстройства. Методология объединяет BERT-эмбеддинги белков и путей, двухступенчатый трансформер, гетерогенный графовый трансформер (HGT), а также генеративно-состязательную сеть WGAN-GP для создания негативных примеров обучения. Модель обучена на классификаторах XGBoost и lightGBM с интерпретацией результатов через SHAP-анализ для объяснимости. Система достигла выдающихся метрик: точность 98,16%, F1-мера 98,16%, специфичность 98,52%, AUROC 99,78%, AUPRC 99,82%, корректно классифицировав 97,48% тестовых данных. В результате предсказано 62 225 ассоциаций путей для тёмных киназ, проанализирована функциональная схожесть 96 белков и выявлено 9 ключевых признаков. Особое внимание уделено киназам, связанным с синдромом поликистозных яичников (СПКЯ), для которых проведён докинг-анализ с известными препаратами. Работа демонстрирует практическую применимость ИИ для ускорения открытия лекарств и функциональной аннотации белков.
Исследователи разработали интегрированный экспериментальный и вычислительный конвейер для аннотации клеток на уровне белков с применением масс-спектрометрии единичных клеток (SCP). Методология включала изоляцию T-клеток, B-клеток, моноцитов и NK-клеток методом негативной селекции для создания высокоточного референса, параллельно несортированные PBMC обрабатывались на системе cellenONE с детекцией label-free DIA на масс-спектрометре Orbitrap Astral Zoom. Авторы систематически бенчмаркили методы нормализации, импутации и кластеризации для оценки их влияния на разделение типов клеток. Ненаблюдаемый анализ разрешил функциональные субпопуляции внутри каждой линии, а вероятностный SCP-классификатор, обученный на этих аннотациях, идентифицировал соответствующие типы клеток и состояния в несортированной фракции PBMC. Работа предоставляет аналитически бенчмаркированный SCP-воркфлоу с готовым к использованию белковым референсом для присвоения иммунных клеток. Вычислительные методы включают машинное обучение для классификации клеточных типов, что имеет значение для иммунологических исследований и персонализированной медицины.
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.
Исследователи разработали PhyloFM — фреймворк на основе flow-matching (машинное обучение), который интегрирует разнородные данные lineage-tracing с одноклеточной РНК-секвенацией и пространственной транскриптомикой для реконструкции непрерывной динамики клеточных судеб. Метод обучает поле скоростей и изменения относительной численности клеток на топологически регуляризованной латентной геометрии, предсказывая транспорт популяций, вероятности будущих судеб, время коммитмента и динамику экспрессии генов. PhyloFM протестирован на пяти бенчмарках: эмбриогенез C. elegans, гемопоэз LARRY, развитие вентрального среднего мозга pandaCREST, регенерация сердца у данио-рерио и пространственные опухоли eTracer. На данных C. elegans метод улучшил транспорт популяций на 17,3% и снизил ошибку динамики на 16,3% относительно state-of-the-art базлайнов, с уменьшением ошибки транспорта на 26,6% относительно lineage-aware контроля. На бенчмарке пространственных опухолей eTracer точность судьбы клонов увеличилась на 70,4% относительно лучшего пространственного базлайна, а 67% сопоставленных генов-репортёров показали корреляцию Пирсона r > 0,6. Результаты демонстрируют, что записи клеточного происхождения могут служить биологическими ограничениями для реконструкции интерпретируемой молекулярной динамики из одноклеточных снимков, что имеет значение для онкологии, регенеративной медицины и изучения развития тканей.
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.
