протеомика

Исследование посвящено решению проблемы плато в точности предсказания растворимости рекомбинантных белков в Escherichia coli, вызванной игнорированием протоколов центрифугирования. Авторы указывают, что существующие модели ошибочно воспринимают различия в режимах разделения фракций как шум в данных, а не как важную переменную. В рамках работы был представлен набор данных Aiki-Sol, включающий бенчмарк на 85 000 белков с аннотацией строгости режима, расширение на 147 000 белков и исследовательский пул на 229 000 последовательностей. Использование модели Aiki-Sol на базе ESM-2 (650M параметров), обученной с учетом пяти различных протоколов, позволило повысить средний показатель AUC с 0,69–0,70 до 0,825 на внешних когортах. Ключевым выводом стало то, что прирост точности достигается за счет качественной курации данных и учета условий эксперимента, а не за счет усложнения архитектуры нейросети или использования структурных данных ESMFold. Модель демонстрирует стабильный прирост AUC на 0,10–0,16 даже на выборках, не имеющих пересечений с обучающим набором.

В исследовании представлен инновационный фреймворк на базе машинного обучения, предназначенный для моделирования обнаруживаемости белков на основе данных об экспрессии РНК, атрибутов генов и субклеточной локализации. Авторы проанализировали более 100 000 пар «ген-рак» на основе данных TCGA, TARGET, GTEx и Human Protein Atlas, охватив семь типов опухолей. Результаты показали, что модели, использующие только данные РНК, имеют умеренную точность (ROC-AUC ~0.71), в то время как включение параметров субклеточной локализации значительно повышает точность прогнозирования до ROC-AUC ~0.82. Исследование выявило масштабный разрыв (декаплинг) между уровнями транскриптов и белков: значительное количество генов с высокой экспрессией РНК не обнаруживается на уровне белка. Было установлено, что такие дискордантные гены обогащены в митохондриальных, метаболических и трансляционных регуляторных путях, что указывает на структурированную биологическую природу процесса, а не на случайную вариативность. Работа подчеркивает критическую необходимость учета клеточного контекста и ограничения интерпретации геномных данных исключительно через призму транскриптомики в онкологии.

Представлена ProteoPy — легковесная библиотека на языке Python, предназначенная для количественного анализа протеомики на уровнях белков и пептидов. В основе библиотеки лежит структура данных AnnData, что позволяет эффективно объединять биоинформатические данные с сохранением всей метаинформации в едином объекте. Ключевой особенностью является программная реализация алгоритма COPF, которая позволяет осуществлять вывод групп протеоформ непосредственно из пептидных данных. Это дает возможность исследователям идентифицировать специфическую регуляцию протеоформ и использование различных изоформ. Библиотека спроектирована для упрощения рабочих процессов как для специалистов, так и для пользователей без глубоких знаний в биоинформатике. ProteoPy бесшовно интегрируется с экосистемами scanpy и muon, обеспечивая масштабируемость и воспроизводимость мультиомиксного анализа. Инструмент доступен под лицензией Apache 2.0 на GitHub и включает обучающие ноутбуки для быстрой адаптации.

Представлен новый программный инструмент командной строки Baktfold, предназначенный для сверхчувствительной и независимой от таксономии аннотации белковых последовательностей. Методология основана на преобразовании белковых последовательностей в токены Foldseek 3Di с помощью языковой модели ProstT5, с последующим поиском по четырем комплементарным структурным базам данных через Foldseek. В ходе бенчмаркинга на более чем 300 000 видов прокариот Baktfold показал медианную скорость аннотации бактериальных геномов на уровне 87,8%, что значительно выше показателя Bakta (72,9%). Особую значимость представляет способность инструмента аннотировать оставшиеся гипотетические белки: для бактерий этот показатель составил 50,1%, а для архей — впечатляющие 68,0% (против 35,8% у Prokka). Инструмент полностью совместим с форматами GFF3 и JSON, что обеспечивает бесшовную интеграцию с Bakta и автоматизацию последующего анализа. Разработка реализована на Python 3 и доступна по лицензии MIT для систем MacOS и Linux.

Исследователи представили ECLIPSE (ESKAPE Connectome Linkage and Inference for Proteome Sequence Exploration) — инновационную вычислительную платформу на основе сетевого анализа для поиска новых мишеней антибиотикорезистентности. Метод интегрирует протеомы патогенных бактерий в глобальную сеть сходства последовательностей Protein Universe Atlas, позволяя выявлять «темный протеом» — группы неаннотированных белков, не имеющих известных гомологов. В ходе тестирования на панпротеоме из 3 460 657 последовательностей (635 штаммов Pseudomonas aeruginosa) система обнаружила 120 985 белков (4%), находящихся в полностью «темных» компонентах. Для приоритизации целей была разработана многомерная система оценки DPPS (Dark Proteome Prioritisation Score), учитывающая функциональную неизвестность, таксономическую специфичность и консервативность. Валидация одного из приоритетных кандидатов выявила новый бета-бочонковый фолд семейства DUF1302, не имеющий структурных аналогов в PDB, который локализован рядом с регулятором типа LuxR. Данный подход позволяет эффективно выделять эволюционно консервативные и структурно определенные белки, которые могут стать ключевыми мишенями для разработки новых противомикробных препаратов.

В исследовании представлена SSPSPredictor — инновационная мультимодальная модель глубокого обучения, предназначенная для идентификации фазово-разделяющихся белков (PSP), которые лежат в основе формирования безмембранных органелл в клетках. Методология модели базируется на слиянии двух подходов: использовании языковой модели белков ESM-2 для анализа аминокислотных последовательностей и графовой нейронной сети GVP для извлечения структурных признаков. В отличие от существующих инструментов, SSPSPredictor демонстрирует сбалансированную точность в определении эндогенных PSP, прогнозировании склонности к жидкостно-жидкостному фазовому разделению (LLPS) и локализации ключевых доменов, ответственных за этот процесс. Анализ человеческого протеома с помощью данной модели показал, что доля внутренне неупорядоченных белков (IDP), подверженных LLPS, значительно превышает аналогичный показатель для белков с четко выраженной структурой. Особую клиническую значимость представляет обнаружение связи между патогенными мутациями и повышенной склонностью к фазовому разделению, особенно в неупорядоченных регионах белков. Это открывает новые возможности для понимания механизмов заболеваний на аминокислотном уровне с помощью ИИ.

В исследовании проводится сравнительный анализ эффективности трех систем ИИ-агентов (Codex с навыками Claude Scientific Skills, Biomni Lab и DeerFlow 2) при выполнении сложных биоинформатических задач. Основная задача заключалась в поиске и классификации белков, связанных с кальцификацией кокколитофорид, в базе данных UniProt по шести различным механистическим категориям. Результаты показали, что система Codex продемонстрировала наилучший баланс между чувствительностью и специфичностью: 92,4% найденных ею белков имели высокую релевантность, а средний коэффициент сходства Жаккара составил 0,982, что говорит о высокой стабильности. В то же время Biomni Lab выдала самый большой объем данных (8 752 белка), но 69,5% из них оказались малорелевантными из-за чрезмерного расширения поиска на общие семейства белков. DeerFlow 2 показала высокую полноту охвата, но с существенным снижением точности (43,8% низкорелевантных результатов). Исследование делает важный вывод: для биоинформатики качество ИИ-агента определяется не объемом выдачи, а точностью генерации запросов, способностью к декомпозиции промптов и стабильностью результатов при повторных запусках.

Исследование посвящено разработке инновационной платформы MAPPER (Mode of Action Prediction via Proteomics-Enhanced Representation) для ускоренного определения механизмов действия (MoA) антибиотиков. В условиях растущей резистентности к существующим препаратам, авторы предложили масштабируемый фреймворк, использующий мультимодальные данные для анализа ответов бактерий Escherichia coli. Методология включает интеграцию протеомных профилей, химических дескрипторов структур, динамики роста и ингибирующих концентраций более чем 50 различных антибиотиков. Разработанная модель MAPPER успешно классифицирует препараты по девяти различным механистическим классам и обладает способностью выявлять соединения с потенциально новыми, ранее не изученными механизмами действия. Тестирование показало высокую устойчивость системы при переносе знаний (transfer learning) между различными платформами масс-спектрометрии и внешними наборами данных. Данная технология представляет значительную ценность для фармацевтической разработки, позволяя эффективно приоритизировать новые антибактериальные кандидаты с уникальными механизмами воздействия.

В исследовании представлен OmniCleave — инновационный фреймворк на основе геометрического графового обучения, предназначенный для точного моделирования специфичности взаимодействия протеаз и их субстратов. В отличие от существующих методов, опирающихся на последовательности или локальные мотивы, OmniCleave использует мультимасштабные структурные графы и топологию взаимосвязей протеаз для учета пространственного контекста. Модель была обучена на обширном наборе данных, включающем 57 278 пар «протеаза-субстрат», полученных из 9 651 субстрата, охватывающих более 100 протеаз шести различных семейств. Результаты тестирования на крупных бенчмарках показали превосходство OmniCleave над существующими подходами и позволили выявить интерпретируемые геометрические детерминанты распознавания субстратов. Практическая значимость работы подтверждена экспериментальной валидацией, в ходе которой были обнаружены три новых субстрата каспазы-3 и 21 сайт расщепления. Данная разработка открывает новые возможности для системного анализа протеазной биологии и разработки таргетных терапевтических средств.

В исследовании представлен CASPA (Context-Aware Single-Cell Proteomics Analysis) — инновационный автоматизированный конвейер для анализа данных протеомики единичных клеток (SCP), полученных с помощью масс-спектрометрии. Авторы решают критические проблемы отрасли: отсутствие стандартизации, наличие фонового загрязнения белками и субъективность ручной аннотации типов клеток. Методология включает адаптивный контроль качества, итеративную коррекцию батч-эффектов на основе энтропии и уникальный механизм аннотации с использованием больших языковых моделей (LLM). Для устранения типичных ошибок LLM (таких как неверная интерпретация состояний клеток) была разработана трехэтапная архитектура промптов, сочетающая общие биологические принципы с ограничениями, специфичными для конкретного набора данных. Тестирование на данных мозга человека, глиобластомы и опухолей кожи показало высокую точность, сопоставимую с результатами сортировки клеток методом FACS и подтвержденную иммуногистохимией. CASPA обеспечивает воспроизводимый рабочий процесс с количественной оценкой уверенности в аннотациях, что делает его ценным инструментом для высокопроизводительных протеомных лабораторий.

Исследователи представили ProMaya — инновационную иерархическую многомасштабную архитектуру на базе Graph-transformer, предназначенную для идентификации белок-белковых взаимодействий (PPI). В отличие от существующих методов, ProMaya интегрирует комплексные данные: 3D-атомную геометрию, распределение электронной плотности, структуру и неупорядоченность остатков, а также сигнатуры поверхностной плотности массы и эмбеддинги из больших языковых моделей белков. В ходе масштабного тестирования на данных девяти различных видов и 47 ГБ экспериментально подтвержденных данных, система продемонстрировала среднюю точность выше 95%. Это на 12% превосходит показатели современных аналогов (SOTA). Особая значимость работы заключается в высокой интерпретируемости модели, которая использует атомную и языковую информацию для повышения точности поиска взаимодействий в любых биологических видах. Разработка ProMaya позволяет значительно сократить расходы на дорогостоящие лабораторные эксперименты за счет высокоточного компьютерного моделирования. Система доступна бесплатно для научного сообщества.

Исследование представляет новый подход к генерации декой-баз данных в протеомике с использованием языковых моделей белков (PLM) для оценки ложных открытий при идентификации пептидов. Авторы сравнивают PLM-декои с классическими методами (реверс и перемешивание) через три уровня контроля качества: сепарабельность на уровне последовательности, спектральные диагностические метрики и полные конвейеры масс-спектрометрии. Результаты показывают, что PLM-декои сложнее для нейросетей, работающих только с последовательностью, что указывает на меньшее количество артефактов на уровне последовательности. Однако спектральный анализ выявил, что короткие пептиды занимают особенно перенаселённое пространство целевой-декоя и подвержены локальным коллизиям при всех генераторах. В полных поисковых конвейерах обратные декои остаются сильным базовым уровнем, а текущие PLM-генераторы не обеспечивают явного общего преимущества. Исследователи рассматривают PLM-декои не как универсальную замену, а как настраиваемые инструменты для бенчмаркинга, диагностики, стресс-тестирования и будущей адаптивной оптимизации декой-баз.

Исследование представляет VaLPAS (Variation-Leveraged Phenomic Association Screen) — фреймворк на Python для анализа ассоциаций между паттернами экспрессии генов и белков в мульти-омиксных данных. Методология основана на статистических и машинно-обучающих подходах для выявления функциональных связей между молекулами неизвестной функции и молекулами с установленной функцицией по принципу 'вины по ассоциации'. Инструмент предназначен для заполнения пробелов в функциональной аннотации протеома, используя данные масс-спектрометрии и других экспериментальных методов. Исследователи продемонстрировали эффективность VaLPAS на мульти-омиксном датасете из дрожжей Rhodotorula toruloides, успешно идентифицировав высококонфиденциальные предсказания для подмножества генов и белков с неизвестной функцией. Код проекта открыт и размещён на GitHub под управлением PNNL-Predictive-Phenomics. Хотя исследование фокусируется на фундаментальной биологии и дрожжах, разработанный подход может быть адаптирован для анализа медицинских данных, включая предсказание функций белков-мишеней для лекарственных препаратов. Технология демонстрирует потенциал для интеграции в исследовательские протоколы по расшифровке протеома и функциональной геномики.