Вакансия в биотехе: Junior bioinformatics scientist (NGS)

При диабете необходимо тщательно контролировать уровень глюкозы в крови. Однако это сложная задача — лишь около трети людей с диабетом 2 типа удается поддерживать данный показатель в безопасном диапазоне. Авторы статьи в The Lancet создали модель, предназначенную для подбора оптимальной стратегии лечения.

Модель, исходно обученная на данных ряда клинических испытаний, предсказывает эффективность основных классов противодиабетических препаратов для конкретного пациента, чтобы выбрать среди них оптимальный. Этих классов пять: ингибиторы дипептидилпептидазы-4 (DPP-4), агонисты рецепторов глюкагоноподобного пептида-1 (GLP-1R), ингибиторы натрий-глюкозного котранспортера-2 (SGLT2), сульфонилмочевина и тиазолидиндионы. Предсказание опирается на девять показателей: возраст, пол, давность постановки диагноза (сколько лет пациент уже живет с диабетом), индекс массы тела (ИМТ), исходный уровень гликированного гемоглобина (HbA1c) в крови, содержание липопротеинов высокой плотности, общего холестерина, аланинаминотрансферазы (АЛТ), а также скорость клубочковой фильтрации (eGFR). Все количественные признаки измеряются на момент начала лечения.

Исследователи убедились, что модель достаточно точно предсказывает, как тот или иной класс препаратов снизит уровень гликированного гемоглобина за 12 месяцев лечения. Валидацию проводили на жителях Англии, страдающих диабетом 2 типа. Оказалось, что лекарства, классифицированные моделью как «оптимальные», впоследствии снижали уровень гликированного гемоглобина в крови примерно на 5 ммоль/моль сильнее, чем «неоптимальные». Также ученые пришли к неутешительному выводу: в Великобритании только 18% пациентов с диабетом 2 типа получают наиболее эффективный для них препарат, снижающий уровень глюкозы.

В ноябре 2024 года в Science опубликовали статью о создании геномной генеративной модели  Evo. Этот ИИ способен предсказывать ключевые характеристики той или иной ДНК и генерировать последовательности «с нуля» — как отдельные гены, так и целые геномы. Однако Evo обучали только на прокариотических геномных данных, поэтому генерация также ограничивалась последовательностями, характерными для бактерий и архей. 
Теперь же на сайте некоммерческой исследовательской организации Arc Institute опубликован пресс-релиз, в котором сообщается, что разработчики выпустили новую версию — Evo 2. В отличие от предшественника, Evo 2 обучали на геномах как прокариот, так и эукариот, в том числе многоклеточных. В обучающую выборку вошло более 128 тысяч полных геномов (в том числе геном человека) и метагеномные данные — в общей сложности 9,3 триллиона пар оснований. По словам авторов, это крупнейшая на сегодняшний день ИИ-модель в биологии.
Evo 2 продемонстрировал универсальность и надежность в выявлении характеристик ДНК, влияющих на кодируемый ей белок. Например, среди вариантов гена BRCA1, ассоциированного с раком молочной железы, модель отличала доброкачественные мутации от потенциально патогенных с точностью более 90%. Также Evo 2, как генеративная модель, станет ценным инструментом дизайна генов de novo — для исследовательских целей или лечения, такого как генная терапия. Препринт статьи о разработке Evo 2 доступен на сайте института. 

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.