En collaboration avec la Conférence internationale sur la recherche en biologie moléculaire computationnelle (RECOMB), Recherche sur le génome publie une collection de 20 méthodes informatiques et leurs applications en génomique, y compris le séquençage spatial, unicellulaire et à lecture longue. Il s'agit notamment d'innovations algorithmiques dans l'analyse des variations génomiques, les algorithmes préservant la confidentialité, les propriétés structurelles de l'ADN, la génomique du cancer, les études transcriptomiques, les réseaux de régulation génique, l'apprentissage des représentations biomoléculaires et l'analyse des données métagénomiques. Plusieurs de ces études sont mises en évidence ci-dessous.
PRIMeR (Sens et al. 2024) est une méthode qui exploite les informations génétiques pour apprendre les prédicteurs de risque de maladie dans les cohortes, contournant ainsi le besoin d'études longitudinales traditionnelles. Grâce à une formation sur les facteurs de risque et les données génétiques d'une cohorte saine, ainsi qu'aux résultats d'études d'association pangénomiques (GWAS), PRiMeR peut évaluer le risque pour les nouveaux patients. Cette méthode a été validée sur des simulations de diabète de type 2 et d'apparition des maladies d'Alzheimer et de Parkinson. Cette méthode pourrait faciliter des stratégies préventives plus opportunes et ciblées.
Dans une autre étude, Hong et al. (2024) ont développé SF-Relate, un algorithme fédéré pratique et sécurisé pour identifier les parents génétiques dans des ensembles de données génomiques distribués. Grâce à de nouvelles stratégies de hachage et de regroupement, SF-Relate distingue les proches des non-parents et estime en toute sécurité la parenté à l'aide de données cryptées. Cette méthode permet d'exclure les parents proches qui peuvent introduire des biais dans les résultats de l'étude tout en assurant la protection de la vie privée.
L’ADN extrachromosomique circulaire (ecDNA) est une forme d’amplification oncogène présente dans tous les types de cancer et est associée à de mauvais résultats chez les patients. Les ADNec pilotent la formation, l’évolution et la résistance aux médicaments des tumeurs en modulant le nombre de copies des oncogènes et en recâblant les réseaux de régulation des gènes. Deux méthodes CoRAL (Zue et al. 2024) et Decoil (Giurgiu et al. 2024) résolvent la structure de l'ecDNA à l'aide de données de séquençage à lecture longue, profilant le paysage et l'évolution des amplifications focales dans les tumeurs.
Une autre méthode, DIISCO (Park et al. 2024), caractérise la dynamique temporelle des interactions cellule-cellule dans des systèmes biologiques complexes à l'aide de données de séquençage d'ARN unicellulaire, élucidant ainsi les mécanismes sous-jacents aux processus biologiques normaux et à la progression de la maladie. Cette méthode a été démontrée sur des données simulées et expérimentales d’interaction lymphome-immunité et a révélé des interactions immunitaires d’un sous-type de lymphocytes T cytotoxiques qui se développent avec la thérapie. Cette méthode peut guider la conception de traitements améliorés pour favoriser les états cellulaires et la diaphonie cruciale pour la réponse thérapeutique.
Schrod et coll. (2024) présentent SpaCeNet, une méthode d'analyse des modèles de corrélation dans les données de transcriptomique spatiale, facilitant la reconstruction des réseaux d'interaction intracellulaires et intercellulaires avec une résolution spatiale unicellulaire. SpaCeNet a été validé sur plusieurs ensembles de données, notamment le cortex visuel de souris, les organoïdes de souris et le Drosophile blastoderme révélant des informations sur l'organisation spatiale des populations cellulaires capturant des modèles complexes d'interactions liées à la croissance, au développement et à la maladie cellulaires.
Enfin, l’ADN répétitif pose des défis importants en termes d’assemblage précis et efficace du génome et d’alignement des séquences. Cela est particulièrement vrai pour les données métagénomiques, où la dynamique du génome telle que le transfert horizontal de gènes, la duplication de gènes et la perte/gain de gènes compliquent l’assemblage précis du génome des communautés microbiennes. La détection des répétitions est une première étape cruciale pour surmonter ces défis. Azizpour et al. (2024) présente GraSSRep, une nouvelle approche qui détecte et classe les séquences d'ADN en catégories répétitives et non répétitives dans les données métagénomiques.
Des méthodes informatiques supplémentaires qui font progresser les études sur la variation génomique, la structure du génome, la génomique du cancer, la transcriptomique, la régulation des gènes, la préservation de la confidentialité des données et l'analyse des données métagénomiques sont également incluses dans ce numéro spécial.
