Разработан симулятор реалистичных омиксных данных

По данным Роспотребнадзора, в 2023 году в Москве был отмечен рост заболеваемости пневмонией, вызванной Mycoplasmoides pneumoniae. Показатель заболеваемости составил 48,75 на 100 000 населения, что в 12,8 раза выше, чем в 2022 году. Чаще всего болели дети. Изучение молекулярно-генетических особенностей и эволюции этих патогенных микроорганизмов в настоящее время особенно актуально. Однако для этого нужны полногеномные последовательности M. pneumoniae, а их количество крайне ограничено. Данные о геномах изолятов M. pneumoniae, циркулирующих на территории России, в открытых источниках до недавнего времени отсутствовали. Специалисты из ФГБУ ЦСП ФМБА России и коллабораторы получили полногеномные последовательности изолятов M. pneumoniae, актуальных для России, аннотировали их и изучили молекулярно-генетические характеристики.

Клинический материал был получен от педиатрических пациентов, поступивших в инфекционное отделение ГБУЗ «ДГКБ №9 им. Г.Н. Сперанского ДЗМ». Для трех образцов удалось получить культуры патогена, для двух — чистые культуры M. pneumoniae. Одна из культур содержала небольшое количество микоплазмы другого вида — M. salivarium, комменсала полости рта. Для каждого из трех образцов была получена полная последовательность кольцевых геномов M. pneumoniae. Теперь они доступны в базе данных NCBI GenBank. Авторы построили филогенетическое дерево с использованием геномных данных M. pneumoniae из открытых источников.

В геномах всех трех изолятов авторы выявили факторы вирулентности, типичные для M. pneumoniae: ген mgpA адгезина P1 подтипа 1, а также адгезинов p40/p90, p200, ген p30/p32, ген мембранного белка p65; гены внутренних компонент органеллы прикрепления hmw, hmw2, hmw3; и ген CARDS токсина MPN372. У одного изолята имелась редкая аминокислотная замена адгезина P1 179E>K, которая встречается лишь в пяти известных изолятах. У двух других изолятов была обнаружена замена 1239Q>E, не описанная ранее и приводящая к изменению заряда функциональной группы. В статье также детально описана методика культивирования M. pneumoniae.

Последняя версия алгоритма для предсказания структуры белков и их комплексов AlphaFold3, в отличие от RoseTTAFold и AlphaFold2, до сих пор не находилась в открытом доступе. После публикации статьи, в которой была представлена новая версия, в мае 2024 года, исследователи могли вводить последовательности белков и интересующих лигандов на сервере. Это решение компании Google DeepMind вызвало критику, так как оно ограничивает возможности по проверке и воспроизведению результатов. Кроме того, сервер не позволял моделировать взаимодействия с потенциальными лекарствами.

Компания заявляла, что это обеспечило правильный баланс между доступом для исследований и защитой коммерческих интересов (Isomorphic Labs, дочерняя компания DeepMind, использует AlphaFold3 для разработки лекарств). Однако затем представители компании объявили, что планируют в течение шести месяцев выпустить модель со свободным доступом для академического использования.

Теперь ученые могут загрузить программный код AlphaFold3, чтобы работать с ним в некоммерческих целях, объявила Google DeepMind 11 ноября. «Мы очень рады будем увидеть, что люди сделают с ним», — говорит Джон Джампер, который возглавляет команду AlphaFold в DeepMind и вместе с генеральным директором Демисом Хассабисом получил половину Нобелевской премии по химии 2024 года.

За последние месяцы несколько компаний из США и Китая представили инструменты с открытым исходным кодом на основе AlphaFold3 для прогнозирования структуры белков, комментирует Nature.

Агрегаты α-синуклеина накапливаются в мозге при многих нейродегенеративных заболеваниях. Анализ их структуры с помощью криоэлектронной микроскопии выявил электронно-плотную небелковую сердцевину протофиламентов. Авторы статьи в PLoS Biology смоделировали молекулярную динамику формирования фибрилл α-синуклеина в присутствии полифосфата и пришли к выводу, что именно полифосфат может быть неизвестным электронно-плотным веществом в середине филаментов.

Исследователи опирались на предыдущие работы, в которых было показано, что полифосфат — консервативный полианион — ускоряет формирование α-синуклеиновых фибрилл. Эксперименты по докингу показали, что полифосфат связывается с богатым лизином участком белка и тем самым нейтрализует отталкивание между положительно заряженными остатками лизина. Из-за этого изменяется конформация и стабильность филамента, что, в свою очередь, стимулирует образование фибрилл.

Лауреатами Нобелевской премии по физике 2024 года стали Джон Хопфилд и Джеффри Хинтон, которым присудили награду «за основополагающие открытия и изобретения, обеспечивающие машинное обучение с помощью искусственных нейронных сетей». Джон Хопфилд — создатель ассоциативной нейронной сети, способной хранить и восстанавливать паттерны в данных. На основе такой сети (иначе ее называют сетью Хопфилда) Джеффри Хинтон, правнук Джорджа Буля, изобрел способ автономно находить заданные признаки в данных — это позволяет, например, выявлять конкретные элементы на изображении.

Изначально вдохновленные структурой мозга, искусственные нейронные сети находят все более широкое применение в самых разных сферах исследований и разработок, в том числе в биологии и медицине. К примеру, распознавание образов важно для диагностики, а глубокое обучение, основанное на разработке Хинтона, используют для разработок препаратов и предсказания структуры макромолекул.

Изучение контроля моторики животных традиционно опирается на связь между активностью нейронов в соответствующих областях мозга, таких как моторная кора и базальные ганглии, с наблюдаемыми особенностями движений. Однако такая стратегия не учитывает само формирование движений и потому не позволяет установить, как управление моторикой реализуется в нейронных цепях. В качестве альтернативы авторы статьи в Nature предложили рассмотреть мозг и тело как единую систему и создали «виртуальную крысу» — компьютерную симуляцию, в которой нейронная сеть управляет биомеханически реалистичной моделью крысы.

Ученые измерили траектории движения всего тела у свободно перемещающихся крыс, а затем научили «мозг» виртуального животного преобразовывать их в двигательные команды, необходимые для их выполнения — такое преобразование называется обратной динамикой. Для реализации обратной динамической модели исследователи применили глубокое обучение с подкреплением (система получила название MIMIC, от motor imitation and control), и нейронная сеть затем использовалась для управления биомеханической моделью крысы, имитируя движения реальных животных. Это позволило напрямую сравнить нейронную активность свободно двигающихся крыс с активацией моделей обратной динамики, реализующих те же самые действия.

Разработанный подход применили для интерпретации нейронной активности в дорсолатеральном стриатуме и моторной коре крыс — двух иерархически различных структурах, участвующих в контроле моторики млекопитающих. Оказалось, что паттерны работы нейронов при тех или иных движениях лучше предсказывались по активности сети виртуальной крысы, чем по любым характеристикам перемещений реального животного. Авторы заключают, что моделирование виртуальных животных может стать эффективным инструментом для дальнейшего анализа того, как нейронные цепи контролируют моторные функции.