Актуальность

Атеросклероз – хроническое воспалительное заболевание сосудов, в основе которого лежит дисфункция макрофагов под действием окисленных липопротеинов низкой плотности (oxLDL).

Цель/задачи

Выявить регуляторные элементы (энхансеры, промоторы, мотивы транскрипционных факторов), участвующие в перепрограммировании экспрессии генов в макрофагах, обработанных различными формами модифицированных ЛПНП.

План

Провести анализ и интеграцию данных ChIP-seq, ATAC-seq и RNA-seq, чтобы построить карту регуляторных взаимодействий и выделить ключевые факторы, управляющие воспалительным ответом.

Данные

ChIPseq и ATACseq
RNAseq: неопубликованные данные

Модераторы

Бородко Дарья Дмитриевна (м.н.с., лаборатория молекулярно-генетического моделирования инфламейджинга, НИИ общей патологии и патофизиологии, Москва)

Актуальность

Некоторые белки выполняют несколько независимых функций (moonlighting). Мутации в таких белках могут приводить к различной и не перекрывающейся клинической картине между мутациями. Например, для двух симптоматически неперекрывающихся синдромов ILFS2 и SOPH при патогенных вариантах в гене NBAS. Для NBAS экспериментально обнаружено: участие в ретроградном транспорте Golgi→ER и локализованный на ЭПР пути nonsense-mediated decay (NMD): NBAS рекрутирует UPF1 к мембране ЭПР и совместно регулирует стабильность ЭПР-ассоциированных мРНК.

Цель/задачи

• Получить надёжную ER-NMD сигнатуру (из siNBAS/siUPF1 RNA-seq) и оценить её экспрессию в разных типах тканей по GTEx/HPA.
• Выделить тканеспецифичные сетевые модули вокруг NBAS, объясняющие вовлечение органа.
• Ранжировать типы клеток печени по уязвимости к сигнатуре и найти клеточно-специфичные модули, которые ее «несут». 

План

Провести анализ RNA-seq после siNBAS/siUPF1 и и выделить ключевые звенья возможного патогенеза при патогенных вариантах в гене NBAS.

Данные

• Пертурбация (RNA-seq, GEO):
  • GSE152435 — total RNA-seq (siNBAS / siUPF1 / контроль)
  • GSE152436 — фракции (мембрана/цитозоль; siNBAS / siUPF1 / siUPF2 / контроль)
• Экспрессия по тканям: GTEx (TPM), Human Protein Atlas (RNA).
• Сети: STRING (PPI), HumanBase (функциональные сети по тканям), TissueNet v3 (тканевые PPI).
• Фенотипы: HPO, OMIM/Orphanet (для ассоциации с клиникой).
  (опционально) 
• Single-cell: один атлас печени человека (CELLxGENE или другой авторитетный источник). (Опционально: один атлас сетчатки.)
• (Бонус, варианты): небольшой список клинических вариантов NBAS из ClinVar/литературы.

Модераторы

Жожиков Леонид Русланович (н.с., лаборатория «Молекулярная медицина и генетика человека», МИ Северо-Восточный федеральный университет им. М. К. Аммосова, Якутск)
Торопов Артем Леонидович (м.н.с., лаборатория биологии единичных клеток, НИИ молекулярной и клеточной медицины МИ РУДН, Москва)

Актуальность

Амилоидные свойства белков связаны с потерей нативной структуры белка и образованием кросс-бета структуры, что в ряде случаев приводят к развитию патологий. Так, переход Amyloid beta (Homo sapiens amyloid beta (A4) precursor protein, mRNA(cDNA clone IMA) из нативной (растворимой) формы в амилоидную (полимерную) напрямую связан с развитием болезни Альцгеймера. Причем известно, что у пептида Amyloid beta имеется несколько вариантов амилоидных структур.
Кроме того, такие свойства амилоидогенности показаны и для других белков, которые при этом не имеют ничего общего с белком APP как биофизически, так и структурно. Например, в нашей работе было показано, что рибосомные белки eS2, eS6, eL36, eL27 также имеют амилоидоподобную природу.

Цель/задачи

• Какие участки перечисленных рибосомных белков приводят к появлению амилоидогенного потенциала?
• Можно ли предсказать, какие аминокислотные замены в исследуемых нами рибосомных белках будут приводить к потери их амилоидных свойств?
• Каков может быть механизм потери амилоидных свойств?

План

1. Собрать последовательности (Aβ, eS2/eS6/eL27/eL36) и известные варианты;
2. Прогнать лёгкие sequence-based предикторы амилоидогенности/агрегации (FoldAmyloid, AGGRESCAN, AGGRESCAN4D, Waltz, PASTA 2.0, PATH, AmylPred2, AMYPred-FRL, etc.) и неупорядоченности,
3. Свести полученные результаты в консенсусный мета-скор с простыми правилами (заряды, гидропатия, про/гли-замены).
4. Сделать in silico точечное мутационное сканирование в “горячих” сегментах и вывести ранжированный список мутаций, гасящих амилоидность. “Горячие” сегменты - участки последовательности белка с наибольшим амилоидогенным потенциалом, определяемым конкретными скорами амилоидогенности каждого инструмента (разнятся в принципах между инструментами).
5. Выполнить статистический анализ значимости эффекта мутации (например, z-score, t-test, permutation test).
6. Визуализация полученных результатов в виде тепловой карты мутаций с отображением мета-скора амилоидогенности. А также графиков для отражения результатов статистического анализа: ящиков с усами (boxplots), logos белковых последовательностей.
7. Наложить найденные участки и мутации на AlphaFold/ESMFold модели, чтобы оценить возможное влияние на фолдинг и доменную структуру (Опционально)

Данные

Неопубликованные данные, последовательность белка APP и соответствующая последовательность кДНК (GenBank ID: BC004369.1).

Модераторы

Птюшкина Марина Валентиновна (старший научный сотрудник Лаборатории амилоидов Санкт-Петербургского Университета), Суханова Ксения Владимировна (биоинформатик, сотрудник Лаборатории амилоидов Санкт-Петербургского Университета)

Актуальность

Выделение генных модулей на основе диф экспрессии в образцах детских лимфом позволяет выявить ключевые молекулярные механизмы в развитии данного типа новообразований. Помимо этого, выделение ключевых регуляторных элементов и построение генных регуляторных сетей позволит выявить новые потенциальные мишени для генной терапии

Цель/задачи

Выявить функциональные генные модули, которые характеризуют транскрипционный ландшафт лимфом на single-cell уровне и имеют потенциальную клинико-биологическую значимость (биомаркеры, регуляторные сети, лиганд-рецепторные взаимодействия).

План

• Контроль качества, предобработка (фильтрация, нормализация, интеграция) и аннотация клеточных типов различных подтипов лимфом.
• Выделение co-expression-модулей, специфических локальные паттернов экспрессии и их функциональная интерпретация (hdWGCNA, Hotspot, GSEA).
• Построение генных регуляторных сетей (GRN) для обнаружения ключевых транскрипционных факторов (регулонов) (SCENIC/CellOracle).
• Связать модули с клиническими/фенотипическими переменными (подтип лимфом, ответ на терапию, выживаемость).

Данные

scRNA-seq - неопубликованные данные

Модераторы

Иконников Александр Владимирович (м.н.с., лаборатория биологии единичных клеток, НИИ молекулярной и клеточной медицины МИ РУДН, Москва).

Актуальность

Тотальный (bulk) RNA-seq остаётся основным массовым методом изучения транскриптома тканей мозга, однако интерпретация данных осложняется тем, что образцы представляют собой смесь клеточных популяций. Мозг отличается особенно высоким клеточным разнообразием и даже небольшие изменения в соотношении нейронов, астроцитов и микроглии способны маскировать или искажать сигнал дифференциальной экспрессии. Деконволюция позволит выяснить вклад различных типов клеток на основе эталонных scRNA-seq сигнатур. В проекте будут проанализированы RNA-seq данные гиппокампа и амигдалы крыс двух линий, различающихся по врождённой возбудимости нервной системы. Эти линии представляют собой уникальную модель уязвимости и устойчивости к стрессу: одни животные более склонны к развитию стресс-индуцированных изменений, другие демонстрируют устойчивость. Такая модель позволяет приблизиться к пониманию механизмов, лежащих в основе постстрессорных психопатологий (например, тревожных и депрессивных расстройств). Деконволюция данных RNA-seq позволит понять, как стресс и врождённые индивидуальные особенности определяют функции ключевых клеточных популяций мозга, и связать на клеточном уровне молекулярные сдвиги в гиппокампе и миндалине с поведенческими проявлениями уязвимости\устойчивости к хроническому стрессу.

Цель/задачи

Реконструировать клеточный состав и выявить клеточно-специфические изменения экспрессии в гиппокампе и амигдале крыс с контрастной возбудимостью нервной системы в норме и после стресса.

План

• Подобрать эталонные scRNA-seq данные для мозга грызунов и выполнить деконволюцию клеточных типов в данных тотального RNA-seq.
• Сравнить состав клеточных типов и профиль генной экспрессии между структурами мозга (миндалина vs гиппокамп), линиями крыс (контрольные группы – норма), и в ответ на стресс (контроль vs стресс в каждой линии).
• Связать дифференциально экспрессируемые гены с отдельными клеточными типами. Идентифицировать сигнальные пути и сети характерные для отдельных клеточных типов, связанные со стресс-ответом и возбудимостью.

Данные

Bulk RNA-seq гиппокампа и амигдалы крыс LT и HT (контроль, стресс).
Общедоступные данные scRNA-seq для мозга крысы.

Модераторы

Шалагинова Ирина Геннадьевна (к.б.н., ведущий научный сотрудник Института физиологии им. И. П. Павлова (СПб), доцент Балтийского федерального университета им. И. Канта (Калининград)
Ямщиков Павел Сергеевич (руководитель центра системной биоинформатики Томского НИМЦ).

Актуальность

Несмотря на приемлемое качество данных, после обработки имеющимся пайплайном, видим большое количество артефактов, фреймшифт-вариантов, особенно в гомополимерных регионах и участках со сложной последовательностью, что в норме не наблюдается при анализе постнатальных и пренатальных образцов.

Цель/задачи

Разработка пайплайна для анализа данных WES/WGS эмбрионов, который с максимальной точностью отфильтровывает артефактные варианты, сохраняя при этом клинически значимые реальные мутации. При выявлении наиболее вероятных причин ошибок - составление рекомендаций к пробоподготовке.

План

• Провести сравнительный анализ "эмбриональных" и "постнатальных" данных, секвенированных на одной платформе и обработанных одним пайплайном.
• Выявить паттерны, характерные для артефактных вариантов.
• Разработать и имплементировать многоуровневую систему фильтрации.
• Валидировать и оценить эффективность.
• Подготовить рекомендации для пробоподготовки.

Данные

WES и WGS эмбрионов человека - неопубликованные данные.

Модераторы

Удалова Василиса Юрьевна (врач-генетик, руководитель направления NGS компании Геномед)
Воробьев Ростислав Сергеевич (м.н.с. лаборатории биологии опухолевой прогрессии НИИ онкологии Томского НИМЦ)