иммунология

Исследователи разработали MHChron — единую систему прогнозирования связывания пептидов с молекулами MHC класса I и II на основе машинного обучения для оценки иммуногенности. Ключевое достижение — создание одного из самых разнообразных обучающих датасетов на сегодняшний день, охватывающего 214 аллелей MHC класса I и 98 аллелей класса II, с пептидами длиной от 8 до 36 аминокислотных остатков. Авторы обучили два типа моделей: последовательностную и структурно-ориентированную, протестировав их в строгих режимах генерализации с контролем утечки данных. Обе модели превзошли существующие решения state-of-the-art, несмотря на обучение на меньшем объёме данных. Структурная модель не показала систематического преимущества над последовательностной, за исключением экстраполяции на новые кластеры аллелей, что указывает: ключевой фактор успеха — разнообразие датасета и тщательная валидация, а не архитектурная сложность. Последовательностная версия MHChron доступна с воспроизводимой установкой и автоматизированным пайплайном для скрининга целых белков, что делает инструмент практичным для разработки вакцин и иммунотерапии рака.

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.

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 новый интерпретируемый фреймворк на базе глубокого обучения, предназначенный для преодоления барьера при переносе данных о старении между видами (мышь — человек) в исследованиях единичных клеток. Методология объединяет остаточный энкодер (residual encoder), двухфазную доменно-состязательную оптимизацию и атрибуцию на основе стабильности. В тестах на гемопоэтических стволовых клетках (HSC) модель показала исключительную точность: AUROC составил 0,933 для данных scRNA-seq и 0,953 для scATAC-seq. При проверке на внешних данных scRNA-seq CD8+ T-клеток достигнут показатель AUROC 0,941. Использование методов DeepLIFT, Integrated Gradients и Saliency позволило выявить консенсусные гены, демонстрирующие более высокую кросс-видовую консервативность, чем стандартный дифференциальный анализ экспрессии. Практическая значимость подтверждена на когорте пациентов, перенесших COVID-19, где модель связала тяжелое течение болезни с повышенной долей «стареющих» CD8+ клеток у молодых взрослых. Данный инструмент открывает новые возможности для трансляционной стратификации иммунных состояний и поиска консервативных признаков старения.

Исследование посвящено сравнительному анализу эффективности белковых языковых моделей (PLM), таких как семейство ESM2 и ESM-C, в сопоставлении с классическими методами выравнивания последовательностей для идентификации рецепторов B- и T-клеток. Авторы протестировали модели на четырех специализированных базах данных, используя различные представления: от CDR3 до полных вариабельных доменов. Результаты показали, что на уровне CDR3 классические методы (BLOSUM62 и расстояние Левенштейна) превосходят варианты ESM2 на 7–12 процентных пунктов по точности поиска top-1, за исключением модели SCEPTR, учитывающей герминативные V-гены. На уровне полных доменов показатели моделей выравниваются, однако выявлено, что преимущество PLM обусловлено использованием «герминативного короткого пути» (использованием консервативной информации каркаса), а не улучшенным извлечением антиген-специфичных данных. Особое исключение составили сильно мутировавшие антитела ВИЧ-1, где языковые модели показали превосходство над выравниванием. Кроме того, исследование выявило проблему «утечки клонов» при стандартном случайном разделении данных, что искусственно завышает точность на 15–28%. Работа устанавливает необходимость использования клонально-ориентированного бенчмаркинга для оценки ИИ в иммунологии.

В исследовании представлен FloREN — новый метод обучения представлений образцов (sample representation), предназначенный для анализа данных секвенирования РНК единичных клеток (scRNA-seq). В отличие от существующих методов обучения без учителя, FloREN использует контролируемый (supervised) подход, моделируя данные как гетерогенную сеть, объединяющую клетки, гены, регуляторные связи и механизмы межклеточной коммуникации. Использование интерпретируемых графовых трансформеров позволяет не только стратифицировать пациентов по биологическим признакам, но и проводить поиск биомаркеров с высокой точностью. Методология включает в себя создание условных эмбеддингов (condition-aware embeddings) и механизмы внимания, что обеспечивает биологическую интерпретируемость результатов. В ходе тестирования на данных пациентов с иммуноопосредованными воспалительными заболеваниями (IMIDs) фреймворк успешно выявил специфические механизмы функционирования иммунных сетей. Данная разработка имеет высокую значимость для персонализированной медицины и понимания патогенеза сложных воспалительных процессов.

В исследовании представлен инновационный подход к диагностике рассеянного склероза (РС) с использованием передовых методов машинного обучения. Авторы разработали новую декодерную модель эмбеддингов ДНК B-клеточных рецепторов (BCR), которая превосходит существующие специализированные и универсальные белковые языковые модели. В ходе работы был проведен реанализ публичных данных секвенирования РНК, в результате чего было извлечено более 11 миллионов последовательностей тяжелых цепей иммуноглобулина (IGH) из различных тканей. Разработанный классификатор на базе языковой модели способен эффективно отличать репертуары пациентов с РС от контрольных групп, включая здоровых людей, пациентов с инфекционными и другими аутоиммунными заболеваниями. Модель также успешно ранжирует известные миелин-связывающие последовательности IgG, специфичные для РС, по сравнению с контрольными образцами. Данная методология закладывает фундамент для создания высокоточных методов детекции рассеянного склероза на основе анализа BCR в крови, что имеет критическое значение для ранней диагностики и мониторинга заболевания.

В исследовании представлен инновационный подход к разработке вакцины против туберкулеза с использованием методов обратной вакцинологии и компьютерного моделирования. Авторы разработали химерную конструкцию из 823 аминокислотных остатков, которая одновременно нацелена на три ранее не изученных белка вирулентности M. tuberculosis: EccB3, MycP и поликетидсинтазу. Методология включала предсказание B-, CTL- и HTL-эпитопов, их фильтрацию по критериям аллергенности и токсичности, а также интеграцию адъювантов бета-дефензина и PADRE для охвата 90% мирового разнообразия HLA. С помощью AlphaFold и ClusPro 2.0 была проведена структурная оптимизация и докинг против рецепторов TLR1/TLR2, показавший высокую стабильность связывания с энергией -1371.0 ккал/моль. Результаты симуляции иммунного ответа (C-IMMSIM) подтвердили формирование устойчивой иммунной памяти. Данная вычислительно валидированная модель представляет собой перспективного кандидата на вакцину, требующего дальнейших клинических испытаний.

В исследовании представлен AGZArank — новый фреймворк на базе геометрического глубокого обучения, предназначенный для решения критической проблемы приоритизации антител при их компьютерном дизайне. Основная цель метода заключается в эффективном ранжировании библиотек потенциальных связывающих антител для конкретного эпитопа, что позволяет сократить затраты на дорогостоящие экспериментальные проверки. В отличие от существующих подходов, таких как ProteinMPNN или ESM-IF, AGZArank использует синтетическое обучение на основе нормализованных псевдоэнергетических мишеней, извлеченных из структурных данных. В ходе тестирования на бенчмарке из 45 экспериментально подтвержденных интерфейсов антиген-антитело, модель успешно находила истинный связывающий агент в топ-10 кандидатов в 44,4% случаев. Результаты показали превосходную обобщающую способность модели на структурах, полученных после 2021 года, по сравнению с методами PRODIGY и другими современными архитектурами. Исследование доказывает, что для успешного ранжирования критически важны масштаб обучения и соответствие целевой функции задаче поиска, а не только сложность архитектуры нейросети.

Исследователи разработали транскриптомный атлас сепсиса, объединив данные 3 713 образцов из 28 различных наборов данных, включая 2 251 образец непосредственно от пациентов с сепсисом. На основе кластеризации экспрессии иммунных и липидных генов было выявлено четыре уникальных молекулярных подтипа (C1–C4), характеризующихся различными патофизиологическими механизмами. Подтип C1 демонстрирует признаки иммунного истощения и метаболической дисрегуляции, что указывает на потенциальную эффективность кортикостероидов, в то время как подтип C4 характеризуется наиболее высокой смертностью, иммуносупрессией и метаболическим репрограммированием. Анализ коррелировал молекулярные профили с 28-дневной смертностью: подтип C2 показал профили, схожие с выжившими, а C4 — с умершими пациентами. В ходе поиска лекарств для перепрофилирования (drug repurposing) был предложен метиленовый синий для пациентов с подтипом C4. Исследование также объясняет неудачи предыдущих клинических испытаний антивоспалительных моноклональных антител, указывая на их неэффективность для пациентов с антикоррелированными сигнатурами подтипов C1 и C2. Результаты закладывают фундамент для перехода к прецизионной медицине в терапии сепсиса.

В данном исследовании изучается эволюция структурной основы рецепторов TLR2, ответственных за распознавание патогенов и сигналов клеточного стресса. С помощью методов предсказания структуры белков на базе искусственного интеллекта (AI) ученые проанализировали филогенетическую преемственность гидрофобной полости, необходимой для связывания лигандов, таких как Pam2CSK4. Результаты показали, что эта ключевая полость стабильно присутствует у ортологов TLR2 у всех челюстных позвоночных (Gnathostomata), а также у некоторых представителей бесчелюстных (миксины и ланцетники). Проведенный in silico докинг подтвердил, что связывание лигандов грамположительных бактерий является консервативной функцией для различных ветвей TLR2. Исследование также выявило признаки конвергентной эволюции: полости в рецепторах беспозвоночных (iTLRs) развивались независимо от позвоночных, несмотря на структурное сходство. Работа вносит важный вклад в понимание того, как механизмы распознавания патогенов адаптировались в ходе эволюции различных групп животных.

В данной работе исследователи представляют подход к решению критической проблемы воспроизводимости и прозрачности вычислительных анализов в науке. Авторы интегрируют веб-приложение AbSolution, разработанное на базе R Shiny для анализа иммунных рецепторов, с фреймворком ENCORE, предназначенным для структурирования и документирования исследовательских проектов. Предложенная система позволяет реализовать одноэтапный экспорт полного набора данных: от сырых данных до метаданных, включая программную среду, сгенерированный код и подробные HTML-отчеты с результатами и графиками. Важной особенностью является автоматическое сохранение спецификаций операционной системы, аппаратного обеспечения и параметров сессии R, а также заметок исследователя. Эффективность и воспроизводимость предложенного метода были независимо подтверждены инициативой CODECHECK. Данная разработка имеет высокую значимость для биоинформатики и медицинских исследований, где точность интерпретации данных иммунного ответа критически важна.

Биотехнологический стартап cAMPfield Therapeutics из Сан-Диего успешно завершил раунд финансирования серии А, привлекши значительные инвестиции от ведущих институциональных инвесторов. Общий объем привлеченных средств составил 180 миллионов долларов, что подчеркивает высокий интерес рынка к разработке новых лекарственных препаратов. Компания специализируется на создании терапевтических средств для лечения воспалительных и иммунологических заболеваний, используя лицензионные технологии от других разработчиков. Данный раунд позволит cAMPfield ускорить процесс разработки своей платформы и довести ключевые молекулы-кандидаты до этапов клинических испытаний. Несмотря на то, что фокус компании направлен на иммунологию, успех такого масштабного финансирования часто связан с применением передовых вычислительных методов и ИИ для поиска новых мишеней и оптимизации молекул. Проект представляет интерес в контексте развития высокотехнологичного сектора биофармацевтики.

В данном исследовании ученые применили вычислительный пайплайн ab initio для анализа восьми сегментов РНК вируса гриппа А (штамм H3N2), чтобы выявить механизмы регуляции генов хозяина через микроРНК-подобные механизмы. С помощью инструментов VMir и MatureBayes были предсказаны пре-микроРНК и зрелые микроРНК, а последующий анализ через сервер miRDB позволил определить их мишени в геноме человека. Исследователи идентифицировали 10 сегмент-специфичных целевых генов (включая IFNL1, DDX60, SAMHD1, MAVS, IRF4, BIRC2, AGO1, MAP3K1, NOD1, TNFAIP1) и один общий целевой ген (CADM2) для всех сегментов. Анализ генных онтологий показал значительное обогащение путей интерферонового сигналинга, RIG-I-подобных рецепторов, РНК-интерференции и воспалительных реакций. Результаты демонстрируют, что вирус использует микроРНК для модуляции врожденного иммунитета, что открывает новые перспективы для поиска терапевтических мишеней. Работа предоставляет конкретный список генов-кандидатов для дальнейшей экспериментальной валидации в контексте патогенеза гриппа.

В данной работе представлен комплексный вычислительный протокол для анализа динамики состояний Т-клеток, инфильтрирующих опухоли человека, на основе данных секвенирования РНК единичных клеток (scRNA-seq). Методология включает последовательное применение снижения размерности, построения траекторий псевдовремени (pseudotime trajectory inference) и анализа активности регулонов. Ключевой особенностью является интеграция вывода регулонов с реконструкцией сетей транскрипционных факторов (TF-TF networks), что позволяет идентифицировать специфические регуляторные модули, ответственные за переходы между состояниями клеток. Авторы уделяют особое внимание чувствительности параметров и робастности траекторий, обеспечивая согласованность фенотипических и регуляторных данных. Протокол направлен на глубокое понимание механизмов иммунного ответа в опухолевом микроокружении и доступен для воспроизведения через GitHub-репозиторий. Данный подход имеет высокую значимость для разработки таргетной иммунотерапии и понимания механизмов резистентности опухолей.

В статье представлены результаты конкурса IMMREP25, направленного на решение одной из сложнейших задач иммуноинформатики — предсказание связывания Т-клеточных рецепторов (TCR) с пептидами, представленными молекулами MHC (pMHC). В отличие от предыдущих соревнований, фокус был смещен с известных пептидов на «неизвестные» (unseen), для которых отсутствуют экспериментальные данные. В конкурсе приняли участие 126 команд, оценивавших специфичность 1000 TCR к двадцати новым пептидам, ограниченным молекулами HLA-A*02:01 и HLA-B*40:01. Лучшие методы достигли показателя macro-AUC_0.1 равного 0.60, что значительно превосходит уровень случайного угадывания и свидетельствует о прогрессе в области. Анализ показал, что наиболее эффективные подходы интегрируют структурное моделирование, что критически важно для предсказания взаимодействий с новыми мишенями. Результаты бенчмарка подчеркивают необходимость перехода от чисто статистических методов к структурно-ориентированным моделям для развития клинической диагностики и терапии.

В исследовании представлен VASCIF (Variable-domain Antibody-antigen Structural Complex Interface Finder) — инновационный фреймворк для предсказания интерфейсов взаимодействия антител и антигенов на уровне остатков. Модель построена на архитектуре Masked Graph Attention (MGA), которая представляет белковые комплексы в виде графов аминокислотных остатков, позволяя эффективно улавливать сложные нелокальные структурные зависимости. Разработанный метод решает критические проблемы текущих подходов: ограниченность структурных наборов данных и сильный дисбаланс классов. Согласно результатам тестирования на курируемых наборах данных, VASCIF демонстрирует показатели state-of-the-art (лучшие в своем классе) при кросс-валидации. Исследователи отметили, что переопределение интерфейсов с использованием увеличенного порога расстояния между остатками (~10 ангстрем) значительно повышает точность предсказания. Модель обладает высокой интерпретируемостью, восстанавливая биофизически значимые паттерны взаимодействия, что критически важно для ускорения разработки новых терапевтических антител и понимания механизмов иммунного распознавания.

Исследователи представили StriMap — единую платформу на базе глубокого обучения, предназначенную для высокоточного предсказания взаимодействий между Т-клеточными рецепторами (TCR), пептидами и молекулами HLA. В отличие от существующих методов, StriMap интегрирует физико-химические свойства, контекст последовательностей и структурные особенности интерфейсов распознавания, что позволяет моделировать сложные трехсторонние взаимодействия. В ходе тестирования платформа продемонстрировала передовые показатели точности (state-of-the-art) и высокую обобщающую способность. В качестве практического применения была проведена масштабная проверка 13 миллионов пептидов, полученных из 43 241 бактериального белка, в контексте болезни Бехтерева (анкилозирующего спондилоартрита). Исследование выявило молекулярные мимики, которые были экспериментально подтверждены как активаторы Т-клеток, связанных с данным заболеванием. Особую значимость представляет обнаружение пептида, обогащенного у пациентов с воспалительными заболеваниями кишечника (IBD), что указывает на общие микробные триггеры этих патологий. Разработка открывает новые возможности для рационального проектирования иммунотерапии и изучения антигенных драйверов аутоиммунных процессов.

В исследовании представлен MHCXGraph — новый вычислительный метод на основе теории графов, предназначенный для идентификации перекрестной реактивности Т-клеточных рецепторов (TCR) к различным пептидам, представленным молекулами главного комплекса гистосовместимости (MHC). В отличие от традиционных методов, опирающихся только на сходство последовательностей, MHCXGraph интегрирует структурную информацию, позволяя выявлять консервативные иммунологически значимые регионы в структурах pMHC. Разработанный инструмент предлагает три режима работы с настраиваемыми параметрами и интуитивно понятным интерфейсом, обеспечивая полную интерпретируемость результатов. Авторы протестировали систему на трех сценариях: для классических молекул MHC класса I, MHC класса II и несвязанных аллелей HLA, подтвердив способность алгоритма улавливать структурные детерминанты, невидимые при обычном секвенировании. Высокая масштабируемость и точность метода делают его перспективным для интеграции в биоинформатические конвейеры, особенно при разработке вакцин на основе Т-клеток и проектировании новых pMHC-энгеров (engagers).