геномика

Исследователи представили GEOAgent — инновационную автономную систему, предназначенную для решения проблемы гетерогенности данных в базе Gene Expression Omnibus (GEO). Фреймворк объединяет семантическое управление и автоматизированный конвейер bioStream на базе Nextflow для интеллектуального поиска и стандартизации обработки данных. В рамках разработки метаданные 181 760 секвенирующих серий и 84 756 записей PubMed были систематизированы в реляционной базе данных и семантическом индексе, что позволяет осуществлять поиск датасетов с помощью запросов на естественном языке. Система автоматически определяет модальности анализов, разрешает зависимости в дизайне экспериментов и стандартизирует именование образцов, минимизируя ручную работу кураторов. В ходе экспертных тестов GEOAgent продемонстрировал точность поиска (precision) на уровне 96%, а также 100% точность в классификации типов анализов и определении взаимосвязей между образцами. Технология позволяет автоматически генерировать манифесты для запуска контейнеризированных рабочих процессов как для bulk, так и для single-cell омиксных данных, что значительно ускоряет биоинформатический анализ.

Исследователи представили CREP (Cis-Regulatory Element Predictor) — специализированную модель глубокого обучения, созданную путем тонкой настройки архитектуры Enformer для идентификации цис-регуляторных элементов (CRE), таких как энхансеры, промоторы и изоляторы. В отличие от стандартных моделей, предсказывающих непрерывные эпигеномные сигналы, CREP напрямую классифицирует типы регуляторных элементов на основе последовательности ДНК, используя аннотации REgulamentary для различных типов клеток человека. В ходе экспериментов было доказано, что включение данных по множеству клеточных линий критически важно для точности: например, модель успешно обнаружила вариант SNP Vanuatu, создающий новый эритроидный регуляторный элемент, только при наличии эритроидных данных в обучающей выборке. Анализ ошибок показал, что размытые границы между энхансерами и промоторами отражают их функциональную непрерывность, а не просто ошибки классификации. Данная разработка предоставляет мощный инструмент для функциональной интерпретации некодирующих генетических вариаций, что имеет решающее значение для понимания механизмов развития заболеваний, связанных с мутациями в некодирующих областях генома.

В исследовании представлен KDM — новый унифицированный фреймворк для регуляторной геномики, который решает проблему разрыва между интерпретируемыми, но жесткими матрицами весов позиций (PWM) и высокопроизводительными, но непрозрачными моделями машинного обучения. Авторы предложили представлять как мотивы, так и последовательности в виде распределений вероятностей над общим словарем k-меров с использованием преобразования Хеллингера. Это позволяет использовать единый коэффициент Бхаттачарьи для скоринга, сравнения мотивов и предсказания связывания. В рамках системы реализованы четыре инструмента: KDMMap для анализа позиционного обогащения, KDMMatch для поиска мотивов, KDMFind для их обнаружения методом матричной факторизации и KDM-LRLM для предсказания связывания. Тестирование на 1324 экспериментах ChIP-seq и 161 эксперименте eCLIP показало высокую точность: KDMMap совпадает с CentriMo в 84% случаев для транскрипционных факторов. Модель KDM-LRLM при предсказании связывания на 2475 экспериментах сравнялась или превзошла 8 моделей глубокого обучения и 3 k-мерных метода. Исследование подчеркивает, что доминирование глубокого обучения обусловлено масштабом данных, а не только архитектурой нейросетей.

Исследователи представили GLOF (Gain and Loss Of Function) — первый масштабный и экспертно проверенный набор данных, предназначенный для обучения и тестирования моделей ИИ в задачах классификации функциональных эффектов миссенс-вариантов. Датасет включает 112 399 миссенс-вариантов, охватывающих 2 809 человеческих генов, которые были классифицированы как LOF (потеря функции), GOF (приобретение функции) или нейтральные. Классификацию проводили сертифицированные клинические генетики в соответствии с международными рекомендациями ACMG. Для формирования выборки использовались данные ClinVar, аннотированные на основе функциональных исследований, а нейтральные варианты были отобраны из gnomAD v3.1 с последующей валидацией по версии v4.1. Особую ценность представляет наличие 97 генов с двунаправленными механизмами (содержащих как LOF, так и GOF варианты), что позволяет моделям машинного обучения более точно различать типы патогенности. Данный ресурс критически важен для разработки предиктивных алгоритмов в геномике, способных предсказывать механизмы заболеваний и помогать в выборе стратегий таргетной терапии.

В исследовании представлен новый графовый фреймворк MutationNetwork, предназначенный для решения критической задачи в онкогеномике: отличия функциональных драйверных мутаций от нейтральных пассажирских мутаций. В отличие от традиционных методов, ориентированных на линейный поиск, предложенный метод учитывает трехмерную регуляторную структуру генома, интегрируя локальные перекрытия с дальними внутрихромосомными взаимодействиями. Авторы использовали уникальную схему положительной и отрицательной индексации для представления геномных интервалов в виде узлов, что позволило достичь константного времени поиска сложных взаимосвязей. Методология была протестирована на наборе данных из 560 полногеномных последовательностей рака молочной железы, включая подтипы TNBC (трижды негативный рак) и Luminal A. Результаты показали, что полученные эмбеддинги мутаций позволяют эффективно кластеризовать образцы согласно их биологическим подтипам. Данный подход масштабируем и может быть использован для стратификации пациентов с раком и приоритизации потенциальных некодирующих драйверных мутаций на основе их влияния на сетевую структуру генома.

В статье представлен новый биоинформатический инструмент MosaicTR, предназначенный для точного количественного анализа соматической нестабильности тандемных повторов. Исследование решает критическую проблему текущих методов, таких как ограничения длины прочтений и артефакты ПЦР-статтера (stutter), характерные для коротких прочтений (short-read sequencing). Методология MosaicTR базируется на использовании данных секвенирования длинными прочтениями с гаплотипической маркировкой, что позволяет анализировать нестабильность на уровне конкретных локусов. Авторы внедрили метрику, взвешенную по мотивам единиц (motif-unit-weighted metric), которая эффективно снижает уровень шума секвенирования, специфичного для платформ PacBio HiFi и Oxford Nanopore. Инструмент поддерживает режимы парного сравнения, что позволяет эффективно выявлять изменения нестабильности как между различными тканями, так и в динамике (лонгитюдные исследования). Практическая значимость работы заключается в возможности использования MosaicTR как высокоточного биомаркера дефицита системы репарации ошибочно спаренных оснований (mismatch repair deficiency) в онкологии, а также для изучения прогрессирования заболеваний, вызванных экспансией повторов.

Исследователи представили G-VEP — инновационный фреймворк для аннотации вариантов, использующий графические процессоры (GPU) для преодоления вычислительных ограничений при полногеномном секвенировании (WGS). Основная проблема текущих методов заключается в том, что плагины Variant Effect Predictor (VEP) ограничены скоростью ввода-вывода, что составляет более 70% времени работы конвейера. Разработанное решение базируется на кастомном ядре CUDA, которое заменяет последовательный поиск по базам данных массивно-параллельным бинарным поиском по предварительно вычисленным индексам. Тестирование показало впечатляющие результаты: время работы плагинов сократилось с 72 до 4 минут (ускорение в 17 раз), а общее время аннотации — со 100 до 33 минут (ускорение в 3 раза). Важно, что G-VEP обеспечивает полную идентичность результатов стандартному VEP, сохраняя точность обнаружения патогенных вариантов на 75 клинических образцах WGS. Инструмент требует всего 8,8 ГБ видеопамяти, что позволяет использовать его на потребительских GPU с 16 ГБ памяти, и доступен как через веб-интерфейс, так и в виде открытого исходного кода.

В исследовании представлен ChiMER — новый графовый вычислительный фреймворк, разработанный для обнаружения химерных энхансерных РНК (eRNAs), которые сливаются с белок-кодирующими генами. Традиционные инструменты часто пропускают такие события из-за низкого уровня экспрессии eRNA или классифицируют их как артефакты картирования. Методология ChiMER использует информацию о контактах хроматина для построения графов сплайсинга, добавляя ребра между энхансерами и экзонами, что позволяет находить транскрипционные пути через графовое выравнивание. Тестирование на реальных данных РНК-секвенирования раковых клеточных линий показало, что ChiMER обладает более высокой чувствительностью по сравнению с линейными методами при сохранении низкого уровня ложноположительных результатов. Исследование выявило множество химерных транскриптов, связанных с супер-энхансерами, и установило их связь с активными регуляторными средами и сигналами R-петель. Это указывает на то, что гибридные структуры РНК-ДНК могут играть ключевую роль в процессах транскрипционного соединения на больших расстояниях, что открывает новые пути для понимания механизмов развития рака.

Исследование представляет Isopedia — новую расширяемую структуру данных, предназначенную для аннотации изоформ РНК без привязки к существующим референсным геномам. Авторы решают проблему гипертрофированной «новизны» транскриптов, которая в RNA-Seq исследованиях часто достигает 20-70% из-за неполноты текущих аннотаций. Методология Isopedia переходит от зависимости от референса к аннотации, взвешенной по фактическим доказательствам, что позволяет отличить биологически активные изоформы от стохастического шума. В ходе тестирования на наборе данных HG002 система позволила снизить показатель кажущейся новизны изоформ в 26 раз, обеспечив уровень аннотации более 95% даже для низкокопийных изоформ. Масштабный каталог включает 1007 наборов данных секвенирования длинных чтений (long-read) из 37 различных биологических контекстов. Данный фреймворк критически важен для клинических исследований РНК, позволяя более точно изучать сложные локусы, такие как псевдогены и слияния генов. Проект Isopedia является открытым и доступен для использования в научных и медицинских целях через GitHub.

Исследователи представили CBIcall — универсальный фреймворк, предназначенный для стандартизации процессов поиска генетических вариантов (variant calling) в данных секвенирования следующего поколения (NGS). Проблема несогласованности результатов при использовании различных программных сред в федеративных исследованиях решается через единый конфигурационный файл YAML, который управляет всем циклом: от сырых FASTQ-файлов до готовых VCF-результатов. Система поддерживает выполнение через бэкенды Bash и Snakemake, обеспечивая совместимость версий инструментов, сборок генома и режимов анализа. В рамках проекта EU HEREDITARY платформа была успешно протестирована на 1 111 образцах, включая полноэкзомное секвенирование (WES) и анализ митохондриальной ДНК (mtDNA). CBIcall гарантирует воспроизводимость результатов за счет строгого контроля параметров и записи структурированного провинанса (истории выполнения) для каждого запуска. Инструмент является открытым (GPLv3) и готов к внедрению в высокопроизводительные вычислительные системы (HPC) медицинских и исследовательских центров.

В исследовании представлена новая модификация структуры данных skiplist, адаптированная для работы с динамическими графами Burrows-Wheeler (GBWT), что критически важно для эффективного анализа пангеномов. Авторы разработали две вариации двусвязных списков (skiplists) поверх BWT с использованием сжатия длин серий (run-length compression), что позволяет выполнять операции rank, access и insert за время O(log N). Данная технология применяется для поиска путей в графе синхмеров, построенном на основе закрытых синхмеров Эдгара, что эквивалентно разреженному графу де Брюйна. Практическая эффективность метода подтверждена тестами: построение без потерь GBWT-представления для 92 полных геномов человека (общим объемом 280 Гб, включая центромеры и повторы) заняло всего 52 минуты при использовании одного потока, при этом размер структуры составил 5,8 Гб. Система позволяет находить максимально точные совпадения (MEMs) произвольной длины со скоростью около 1 Гб за 10 секунд на один поток. Разработчики представили открытый исходный код в пакете syng (rskip.[ch]), что делает инструмент доступным для биоинформатического сообщества.

В статье представлен MOAflow — модернизированный биоинформатический конвейер, разработанный для анализа данных MOA-seq (MNase-defined cistrome-Occupancy). Исследователи перепроектировали существующий процесс обработки данных, внедрив систему управления рабочими процессами Nextflow и технологии контейнеризации. Основной упор был сделан на модульность и масштабируемость, что позволяет эффективно обрабатывать массивы геномных данных, генерируемых современными технологиями секвенирования. Использование Docker и Nextflow обеспечивает высокую переносимость и воспроизводимость результатов в гетерогенных вычислительных средах. Бенчмаркинг на данных оригинального исследования показал, что выходы MOAflow практически идентичны результатам предыдущих методов, но при этом значительно упрощена настройка и снижена вычислительная сложность. Данная разработка демонстрирует, как современные системы управления рабочими процессами (WMS) могут оптимизировать биоинформатический анализ, снижая операционные затраты и время обработки.

В исследовании представлен scSAGA (Single-Cell Sampled Gromov-Wasserstein Alignment) — инновационный метод для интеграции мультимодальных данных scRNA-seq и scATAC-seq. Основная проблема существующих подходов заключается в квадратичной сложности памяти и времени выполнения, что ограничивает их применение данными объемом в несколько тысяч клеток. Разработчики предложили решение, сочетающее разреженную геометрию kNN-графов, оптимизацию Громова-Вассерштейна с выборочным сэмплированием и безматричный метод совместного вложения. В ходе тестирования на различных организмах (от человека до Arabidopsis) scSAGA продемонстрировал превосходство над такими методами, как Seurat, LIGER, SCOT и Pamona, обеспечивая более точное сопоставление типов клеток. Ключевым достижением является способность алгоритма масштабироваться до интеграции более одного миллиона клеток с почти линейным ростом вычислительных затрат. Метод обеспечивает высокую точность кластеризации, что критически важно для идентификации клеточных типов в крупномасштабных атласах.

В статье рассматривается инновационный подход к поиску новых методов лечения хронических заболеваний и фиброза печени с использованием платформы Co-Scientist. Генетик из Стэнфордского университета применяет специализированные инструменты искусственного интеллекта для процесса репозиционирования лекарственных средств (drug repurposing). Методология заключается в использовании ИИ для анализа существующих препаратов с целью выявления их потенциальной эффективности против специфических патологий печени. Данный подход позволяет значительно сократить время и стоимость разработки новых терапевтических стратегий. Использование Co-Scientist помогает ученым находить скрытые связи между молекулярными мишенями и лекарственными соединениями, что критически важно для борьбы с прогрессирующим фиброзом. Результаты исследования открывают новые возможности для персонализированной медицины и ускоренного внедрения эффективных протоколов лечения в клиническую практику.

В статье представлен DistPCA — первый распределенный фреймворк для проведения метода главных компонент (PCA) в геномике на тера-масштабных наборах данных. Авторы решают проблему нехватки оперативной памяти, которая делает традиционные методы анализа популяционной структуры невозможными при работе с современными геномными данными. В отличие от существующих подходов, ориентированных только на оптимизацию вычислений, DistPCA оптимизирует весь конвейер, включая ввод-вывод данных и предобработку. Фреймворк реализован на C++ с использованием MPI и поддерживает многоуровневый параллелизм: мультипроцессорность, многопоточность, SIMD-векторизацию и перекрытие вычислений с передачей данных. Экспериментальное тестирование на реальных и синтетических данных показало впечатляющую производительность: ускорение до 58.2x и сокращение времени выполнения более чем на 98%. При этом сохраняется высокая точность извлеченных главных компонент и параллельная эффективность на уровне выше 82%.

В статье представлен CANCAN (Copy number integrative ANalysis in CANcer) — универсальный вычислительный фреймворк, предназначенный для высокоточного анализа аллель-специфического числа копий и соматических вариантов в онкологии. Методология CANCAN объединяет инновационные стратегии нормализации и сегментации данных, что позволяет интегрированно анализировать данные секвенирования независимо от используемой платформы. Инструмент обеспечивает расчет ключевых параметров опухоли: чистоты (purity), плоидности (ploidy), субклональности и множественности мутаций с предоставлением статистических оценок достоверности. Бенчмаркинг на наборах данных TCGA и IMPRESS-Norway (WGS, WES и таргетное секвенирование) подтвердил высокую точность метода, особенно на таргетных данных, и его способность работать при сниженном покрытии секвенирования. CANCAN предоставляет детальную визуализацию геномного контекста клинически значимых биомаркеров, что критически важно для диагностической интерпретации. Разработка представляет собой воспроизводимый и интерпретируемый подход, решающий актуальные задачи клинической геномики рака.

Исследование посвящено изучению механизмов эволюции вируса гриппа через анализ более чем 100 000 геномных последовательностей. Авторы построили масштабные филогенетические деревья для оценки нейтральных скоростей мутаций, обнаружив, что эти скорости варьируются почти в 100 раз в зависимости от типа нуклеотидной замены (например, A-to-C или A-to-G). В работе проведено сравнение паттернов мутаций у гриппа, SARS-CoV-2 и ВИЧ, что позволило выявить как общие закономерности, так и специфические различия. Исследователи оценили эффекты приспособленности для ~33 000 несинонимичных и ~8 000 синонимичных мутаций во всех белках вируса. Полученный массив данных позволяет сопоставить последовательность генома и биологическую приспособленность вируса в естественной среде, включая регионы с функциональными ограничениями. Результаты работы предоставляют глубокое понимание того, как мутации и естественный отбор формируют эволюцию вируса на уровне конкретных сайтов, что критически важно для прогнозирования новых штаммов.

Представлен VX — инновационное программное обеспечение для визуализации данных высокопроизводительного секвенирования, разработанное на языке D с использованием GTK3 и OpenGL. Ключевой особенностью VX является его архитектура, ориентированная на взаимодействие с современными ИИ-агентами и большими языковыми моделями (LLM). В отличие от традиционных браузеров генома, VX предоставляет встроенный HTTP API и сервер протокола Model Context Protocol (MCP), объединяющий 39 инструментов для управления данными, навигации и запуска анализа. Программа поддерживает унифицированный интерфейс для геномных и транскриптомных данных, включая специфические форматы рибосомного профилирования и прямого секвенирования РНК. Интегрированная аналитическая среда включает более 50 функций, таких как поиск пиков, количественный анализ, анализ вариантов и статистика выравнивания. VX позволяет ИИ-агентам не просто анализировать текст, но и управлять визуальным состоянием браузера, что устраняет текущий барьер между биоинформатическими алгоритмами и графическими интерфейсами.

В исследовании представлен HiCP2GAN — инновационный фреймворк, использующий генеративно-состязательные сети (GAN) для повышения разрешения карт хроматиновых взаимодействий (Hi-C). Основная проблема Hi-C заключается в высокой стоимости получения данных высокого разрешения, что приводит к разреженности карт и затрудняет анализ регуляции генов. Авторы предложили архитектуру «plug-and-play», где в качестве дискриминатора используется предобученная фундаментальная модель на базе Vision Transformer, обученная на колоссальном массиве из 118 миллионов патчей Hi-C различных видов и типов клеток. В отличие от традиционных методов, требующих обучения дискриминатора с нуля, HiCP2GAN использует биологически значимые градиенты от предобученной модели, что обеспечивает стабильность обучения и лучшую обобщающую способность. Методология включает адаптацию энкодера фундаментальной модели в качестве основы дискриминатора с тонкой настройкой (finetuning) только первых слоев при заморозке глубоких слоев трансформера. Эксперименты на линиях клеток человека подтвердили, что HiCP2GAN превосходит стандартные генераторы и классические GAN-модели по качеству восстановления структуры хроматина. Фреймворк является универсальным (generator-agnostic), что позволяет интегрировать его с любыми существующими архитектурами генерации данных Hi-C.