Функциональная аннотация геномов, транскриптомов, протеомов и метаболомов: алгоритмы и программы

Геном человека — это строка из трёх миллиардов букв A, T, G и C. Прочитать её теперь можно за день, но сама по себе строка ничего не говорит: где в ней гены, какие белки они кодируют, что эти белки делают в клетке и что происходит, если в гене есть ошибка. Превратить буквы в знание — задача функциональной аннотации. Её выполняют не вручную, а с помощью алгоритмов и программ: ни один человек не прочтёт миллиарды букв, а компьютер за часы сравнит их с данными о сотнях миллионов уже изученных генов и белков.

В этой статье разобрано с самого начала: что такое геном, транскриптом, протеом и метаболом, как их читают, как программы находят в ДНК гены, как по сходству последовательностей предсказывают функцию белка, что такое выравнивание, BLAST, домены и Gene Ontology, как аннотируют РНК, белки и метаболиты, чем отличается работа с геномами бактерий, растений, животных и человека и почему программы приходится всё время ускорять. В кодификаторе ЕГЭ по биологии 2027 года эта тема завершает элемент 4.5: «Разработка алгоритмов и программ для эффективной функциональной аннотации геномов, транскриптомов, протеомов, метаболомов микроорганизмов, растений, животных и человека». Она набрана курсивом — в 2027 году на экзамене не проверяется, но входит в содержание курса. В конце — что из темы пригодится на ЕГЭ, раздел для олимпиад и 13 заданий с разбором.

• Что такое функциональная аннотация
• Слова, которые понадобятся
• Четыре «омики»
• Откуда берутся данные
• Как найти гены в геноме
• Как предсказать функцию гена
• Выравнивание и BLAST
• Домены, семейства и структура
• Gene Ontology: единый словарь функций
• Аннотация транскриптома
• Аннотация протеома
• Аннотация метаболома
• Микроорганизмы, растения, животные и человек
• Почему нужны эффективные алгоритмы
• Ошибки и неизвестные гены
• История
• Удивительные факты
• Что пригодится на ЕГЭ
• Для олимпиад
• Задания с разбором

Что такое функциональная аннотация

Аннотируют не только геномы. Набор всех РНК клетки (транскриптом), всех белков (протеом) и всех малых молекул (метаболом) тоже нужно «расшифровать»: узнать, что это за молекулы и что они делают. Для этого создают алгоритмы — точные последовательности действий для решения задачи — и программы, которые их выполняют. Этим занимается биоинформатика — наука на стыке биологии, информатики и математики.

Слова, которые понадобятся

• Секвенирование — определение последовательности нуклеотидов в ДНК или РНК. Рид — фрагмент, прочитанный прибором за один раз.
• Открытая рамка считывания — участок ДНК от стартового кодона ATG до стоп-кодона (TAA, TAG или TGA), в котором нет других стоп-кодонов.
• Гомологичные гены — гены, происходящие от общего предкового гена. Ортологи — гомологи у разных видов, разошедшиеся при видообразовании (обычно сохраняют функцию). Паралоги — гомологи, возникшие удвоением гена внутри генома (часто приобретают новые функции).
• Выравнивание — расположение двух или нескольких последовательностей одна под другой так, чтобы сходные позиции стояли друг под другом.
• Домен — участок белка, который сворачивается самостоятельно и обычно выполняет свою функцию; один и тот же домен встречается в разных белках.
• База данных — упорядоченное хранилище сведений с возможностью поиска. Главные международные базы — GenBank (последовательности ДНК), UniProt (белки), PDB (структуры белков).

Четыре «омики»

Окончание «-ом» означает «вся совокупность»: геном — все гены, транскриптом — все транскрипты (РНК), протеом — все белки, метаболом — все метаболиты. Науки, изучающие их, называют геномикой, транскриптомикой, протеомикой и метаболомикой, а все вместе — «омиками». Информация в клетке течёт от ДНК через РНК к белкам, а белки-ферменты определяют, какие вещества образуются. Поэтому четыре уровня дополняют друг друга: геном говорит, что клетка может делать, транскриптом и протеом — что она делает сейчас, а метаболом — к чему это привело.

Откуда берутся данные

ДНК и РНК читают секвенаторами. Метод Фредерика Сэнгера (1977) читал фрагменты длиной до тысячи нуклеотидов по одному. Приборы нового поколения читают одновременно миллиарды коротких фрагментов по 100–300 нуклеотидов, а приборы третьего поколения — отдельные молекулы длиной в десятки и сотни тысяч нуклеотидов. Из ридов программы-сборщики складывают геном, находя перекрытия между фрагментами, как собирают пазл. Повторы делают сборку трудной: короткий рид из повтора «подходит» сразу во много мест. Только длинные риды позволили в 2022 году прочитать геном человека полностью, без пробелов, — от теломеры до теломеры (Nurk и соавторы, 2022).

Белки и метаболиты изучают масс-спектрометрией: молекулы ионизируют, разгоняют и определяют отношение массы к заряду; затем ионы дробят и измеряют массы осколков. По этим массам программы определяют, что это за молекула.

Как найти гены в геноме

У бактерий

Гены бактерий идут плотно и почти без промежутков: кодирующие участки занимают около 88 % генома, интронов нет. Ген — это в основном длинная открытая рамка считывания. ДНК можно читать в шести рамках: тремя способами разбить на кодоны каждую из двух цепей. В случайной последовательности стоп-кодон встречается в среднем каждые 21 кодон (3 стоп-кодона из 64), поэтому рамка длиной в сотни кодонов без стопов почти наверняка не случайна — это ген. Программы вроде Glimmer и Prodigal учитывают ещё и предпочтения в выборе кодонов и участок связывания рибосомы перед стартовым кодоном (Delcher и соавторы, 1999; Hyatt и соавторы, 2010). Точность предсказания генов бактерий превышает 95 %.

У эукариот

У эукариот задача намного сложнее. В геноме человека белок кодирует лишь около 1,5 % последовательности; гены разбиты интронами на экзоны, интроны бывают в десятки тысяч нуклеотидов, а половину генома занимают повторы — остатки мобильных элементов (Lander и соавторы, 2001). Программы-предсказатели (GENSCAN, AUGUSTUS) используют вероятностные модели — скрытые марковские модели: они «знают», как обычно выглядят экзон, интрон, граница экзона и интрона (почти всегда интрон начинается с GT и кончается AG), промотор, и находят самое вероятное разбиение последовательности на эти части (Burge, Karlin, 1997; Stanke, Waack, 2003). Предсказания обязательно сверяют с прочитанными РНК: если в транскриптоме есть мРНК, совпадающая с предсказанным геном, ген подтверждён. Сначала программа RepeatMasker находит и «маскирует» повторы, чтобы они не сбивали поиск генов.

Кроме белок-кодирующих генов ищут гены РНК: транспортных (по характерному «клеверному листу»), рибосомных, малых регуляторных РНК.

Как предсказать функцию гена

Опыты, раскрывающие функцию гена, — выключение гена, изучение белка — долгие и дорогие. Их выполнили для небольшой доли генов. Для остальных функцию предсказывают по аналогии: если новый белок похож на белок, функция которого изучена в опыте, то, скорее всего, и функция у них одинакова. Это работает, потому что гомологичные белки, особенно ортологи, обычно сохраняют функцию. Сходство ищут на нескольких уровнях:

1. по всей последовательности — выравниванием с известными белками;
2. по доменам и мотивам — коротким консервативным участкам, характерным для семейств белков;
3. по пространственной структуре — белки с похожей укладкой часто родственны, даже если последовательности разошлись;
4. по «соседям»: у бактерий гены одного метаболического пути часто стоят рядом в одном опероне; гены, которые работают одновременно в разных условиях, часто участвуют в одном процессе.

Выравнивание и BLAST

Чтобы сравнить две последовательности, их выравнивают. Каждому совпадению начисляют баллы, за замены и пропуски — штрафы, и ищут выравнивание с наибольшей суммой. Для белков баллы за замену берут из матриц замен, например BLOSUM62: замена на похожую по свойствам аминокислоту (лейцин на изолейцин) штрафуется слабо, на непохожую — сильно (Henikoff, Henikoff, 1992). Алгоритм Нидлмана — Вунша (1970) находит лучшее выравнивание последовательностей целиком, алгоритм Смита — Уотермана (1981) — лучший сходный участок. Оба основаны на динамическом программировании: таблицу частичных решений заполняют клетка за клеткой, и время работы пропорционально произведению длин последовательностей.

Для поиска по огромной базе это слишком медленно. Программа BLAST (Altschul и соавторы, 1990) сначала ищет короткие совпадающие «слова» и только вокруг них строит выравнивание. Она может пропустить очень слабое сходство, зато работает в сотни раз быстрее. Для каждой находки BLAST сообщает E-значение — сколько столь же хороших совпадений ожидалось бы случайно в базе такого размера. E = 10⁻⁵⁰ означает почти несомненное родство, E = 1 — случайное сходство.

Домены, семейства и структура

Белки состоят из доменов, и по доменам можно предсказать функцию, даже если белок в целом ни на что не похож. В базе Pfam собрано около 20 тысяч семейств доменов, каждое описано профилем — скрытой марковской моделью, которая учитывает, какие аминокислоты допустимы в каждой позиции домена (Mistry и соавторы, 2021). Программа InterProScan проверяет белок сразу по десятку таких баз (Jones и соавторы, 2014).

Структура белка сохраняется в эволюции дольше последовательности. С появлением AlphaFold (Jumper и соавторы, 2021) структуру можно предсказать для любого белка; в базе AlphaFold уже больше 200 млн предсказанных структур (Varadi и соавторы, 2024). Программы вроде Foldseek сравнивают структуры так же быстро, как BLAST — последовательности, и находят дальних родственников, у которых последовательности почти не похожи (van Kempen и соавторы, 2024). О предсказании структуры — в статье «AlphaFold».

Gene Ontology: единый словарь функций

Если один исследователь напишет «участвует в дыхании», а другой — «компонент дыхательной цепи», компьютер не поймёт, что это одно и то же. Поэтому в 2000 году создали Gene Ontology — единый словарь функций генов (Ashburner и соавторы, 2000). В нём три раздела: молекулярная функция (что делает молекула), биологический процесс (в каком процессе участвует) и клеточный компонент (где находится). Термины связаны иерархией: «перенос электронов» — частный случай «окислительно-восстановительной активности».

Кроме того, гены «раскладывают» по метаболическим путям в базе KEGG (Kanehisa, Goto, 2000): аннотировав все гены бактерии, можно увидеть, какие пути у неё есть целиком, а каких не хватает, — и предсказать, на чём она может расти и что производить.

Аннотация транскриптома

Транскриптом читают методом RNA-seq: РНК переписывают в кДНК и секвенируют. Программы-выравниватели (например, STAR) находят место каждого рида в геноме, учитывая, что рид может «перепрыгивать» через интрон (Dobin и соавторы, 2013). Затем:

• определяют, какие участки генома транскрибируются, — так подтверждают и уточняют гены;
• находят варианты альтернативного сплайсинга: у человека большинство генов дают несколько разных мРНК;
• находят некодирующие РНК;
• подсчитывают, сколько ридов приходится на каждый ген, и сравнивают условия: какие гены включаются в опухоли, при стрессе, при действии лекарства. Для этого используют статистические программы, например DESeq2 (Love и соавторы, 2014);
• по спискам изменившихся генов проверяют, какие функции Gene Ontology в них представлены чаще случайного, — так понимают, какие процессы затронуты.

Методы секвенирования отдельных клеток позволяют получить транскриптом каждой клетки и составить «атлас» типов клеток органа.

Аннотация протеома

Белки расщепляют трипсином — ферментом, разрезающим цепь после лизина и аргинина. Получившиеся пептиды разделяют и анализируют в масс-спектрометре. Для каждого пептида получается спектр масс осколков. Программа берёт все белки, предсказанные по геному, «мысленно» режет их трипсином, вычисляет теоретические спектры и ищет, какой лучше совпадает с измеренным (Eng и соавторы, 1994; Cox, Mann, 2008). Так одновременно определяют тысячи белков в образце и их количество.

Протеомика находит то, чего нет в геноме: изменения белков после синтеза — присоединённые фосфатные группы, углеводы, отщеплённые участки. Программы предсказывают и место белка в клетке: например, SignalP находит сигнальный пептид, по которому белок направляется на выход из клетки (Teufel и соавторы, 2022).

Аннотация метаболома

Метаболиты — сахара, аминокислоты, липиды, гормоны, остатки лекарств — гораздо разнообразнее по химическому строению, чем ДНК и белки, и их нельзя «вывести» из генома. Их измеряют масс-спектрометрией и ядерным магнитным резонансом и определяют, сравнивая массы и спектры с библиотеками известных веществ, например с базой метаболитов человека HMDB (Wishart и соавторы, 2022). Это самая трудная из «омик»: в типичном опыте удаётся определить лишь несколько процентов измеренных сигналов, остальное — «тёмная материя» метаболома (da Silva и соавторы, 2015). Помогают сети сходных спектров: если неизвестное вещество даёт спектр, похожий на спектр известного, оно, вероятно, родственно ему (Wang и соавторы, 2016).

Аннотированный геном позволяет построить модель обмена веществ всей клетки: список реакций, которые могут катализировать её ферменты. По такой модели рассчитывают, с какой скоростью клетка может расти на данной среде и как изменить гены, чтобы она производила больше нужного вещества (Orth и соавторы, 2010) — это используется в микробиологическом синтезе.

Микроорганизмы, растения, животные и человек

Для человека особенно важна аннотация вариантов: у каждого из нас несколько миллионов отличий от эталонного генома. Программы определяют, попадает ли вариант в ген, меняет ли аминокислоту, нарушает ли сплайсинг, встречался ли он у больных. Сведения о значении вариантов собраны в базах вроде ClinVar (Landrum и соавторы, 2018), а врачи-генетики оценивают их по единым правилам (Richards и соавторы, 2015). От точности этой аннотации зависит диагноз наследственной болезни.

Список генов человека до сих пор уточняется: в эталонной аннотации GENCODE около 20 тысяч генов, кодирующих белки, и ещё больше генов некодирующих РНК (Frankish и соавторы, 2023).

Почему нужны эффективные алгоритмы

Объём данных растёт быстрее, чем мощность компьютеров: в архиве прочитанных последовательностей уже десятки петабайт данных. Поэтому слово «эффективная» в формулировке темы — не украшение. Биоинформатики:

• заменяют точные алгоритмы эвристическими, как BLAST, жертвуя малой долей чувствительности ради скорости;
• строят индексы: геном заранее упаковывают в структуру, по которой положение любого короткого фрагмента находится почти мгновенно (преобразование Барроуза — Уилера в программе BWA; Li, Durbin, 2009);
• распараллеливают вычисления на тысячи процессоров и графические ускорители;
• применяют машинное обучение: нейросети предсказывают структуру белков, функции генов, места сплайсинга, значение вариантов;
• передают аннотацию от хорошо изученных видов родственным, а не аннотируют каждый геном с нуля.

Ошибки и неизвестные гены

И даже у самых изученных организмов функции многих генов неизвестны. В минимальном синтетическом геноме бактерии из 473 генов функция 149 генов оставалась неизвестной, хотя без них клетка не живёт (Hutchison и соавторы, 2016). В каждом новом геноме бактерии от четверти до трети генов аннотируются как «гипотетические белки».

История

Биоинформатика началась раньше, чем научились читать ДНК: в 1965 году Маргарет Дэйхофф собрала все известные последовательности белков в атлас и создала первые матрицы замен аминокислот. В 1970–1980-х годах появились алгоритмы выравнивания, метод секвенирования Сэнгера и первые базы данных (GenBank — 1982). В 1995 году прочитали первый геном бактерии (Fleischmann и соавторы, 1995), а в 2001 году — черновик генома человека. С секвенированием нового поколения данные стали поступать быстрее, чем их успевали анализировать, и главной задачей стало ускорение программ. В 2020-х годах в аннотацию пришли нейросети.

Удивительные факты

• Генов меньше, чем думали. До прочтения генома человека число генов оценивали в 50–100 тысяч. Оказалось — около 20 тысяч белок-кодирующих генов, не намного больше, чем у нематоды.
• Самый большой геном. У растения вороний глаз японский (Paris japonica) геном около 149 млрд пар нуклеотидов — почти в 50 раз больше человеческого (Pellicer и соавторы, 2010).
• Половина генома — бывшие «прыгающие гены». Около половины генома человека составляют повторы, в основном остатки мобильных элементов (Lander и соавторы, 2001).
• Белки, о которых не знали. Метагеномы океана и почвы содержат миллионы генов, не похожих ни на один известный; многие из них никогда не видели в лаборатории.

Что пригодится на ЕГЭ

В 2027 году элемент об аннотации на экзамене не проверяется (курсив в кодификаторе). Но на нём держатся темы, которые проверяются:

• генетический код и его свойства (триплетность, вырожденность, однозначность, стоп-кодоны) — на них основан поиск генов;
• строение генов прокариот и эукариот (экзоны, интроны, сплайсинг) — объясняет, почему у эукариот искать гены труднее;
• реакции матричного синтеза — от ДНК к РНК и белку (геном → транскриптом → протеом);
• методы биологии: секвенирование, методы молекулярной биологии и биоинформатики, моделирование;
• доказательства эволюции и молекулярные часы — сравнение последовательностей ДНК и белков разных видов.

Для тренировки по генетическому коду и матричному синтезу — тема 2.5 в тренажёре ЕГЭ по биологии; о сравнении последовательностей — статья «Молекулярные часы и кладограммы».

Для олимпиад

Длина случайной открытой рамки

В случайной последовательности с равными частотами нуклеотидов кодон оказывается стоп-кодоном с вероятностью 3/64. Вероятность, что n кодонов подряд не содержат стопа, равна (61/64)ⁿ; средняя длина рамки — 64/3 ≈ 21 кодон. Рамка длиной 100 кодонов возникает случайно с вероятностью (61/64)¹⁰⁰ ≈ 0,008, длиной 300 — около 6 · 10⁻⁷. Поэтому простейший поиск генов бактерий — поиск длинных рамок.

Покрытие при секвенировании

Если геном длиной G прочитан N ридами длины L, среднее покрытие c = NL/G — сколько раз в среднем прочитан каждый нуклеотид. При случайном расположении ридов доля непрочитанных нуклеотидов примерно e^−c (модель Ландера — Уотермана; Lander, Waterman, 1988). При покрытии 3 не прочитано около 5 % генома, при покрытии 30 — практически ничего, но ошибки сборки из-за повторов остаются.

Динамическое программирование

Чтобы найти лучшее выравнивание последовательностей длиной m и n, заполняют таблицу (m + 1) × (n + 1): число в клетке — лучший счёт выравнивания начальных отрезков. Каждая клетка вычисляется из трёх соседних (сверху — пропуск в одной последовательности, слева — в другой, по диагонали — совпадение или замена). Время работы пропорционально m · n; для двух геномов по миллиарду нуклеотидов это 10¹⁸ операций — поэтому и нужны эвристики и индексы.

Задания с разбором

Задания 1–9 — в формате ЕГЭ (с элементами ответа для заданий с развёрнутым ответом), 10–13 — олимпиадные.

Задание 1

Установите соответствие между объектами изучения и науками.

ОБЪЕКТЫ: А) все белки клетки; Б) вся ДНК организма; В) все молекулы РНК клетки; Г) все низкомолекулярные вещества клетки; Д) набор мРНК клеток печени после приёма лекарства; Е) последовательность всех хромосом бактерии.

НАУКИ: 1) геномика; 2) транскриптомика; 3) протеомика; 4) метаболомика.

Задание 2

Выберите три верных утверждения о функциональной аннотации генома.

1. функцию нового гена часто предсказывают по сходству с генами, функция которых изучена в опыте
2. предсказанная по сходству функция всегда точно доказана
3. для сравнения последовательностей используют выравнивание и программы вроде BLAST
4. в геноме человека большая часть ДНК кодирует белки
5. единый словарь функций генов позволяет программам одинаково понимать аннотацию
6. у бактерий гены разделены длинными интронами

Задание 3

Установите последовательность этапов получения аннотированного генома.

1. поиск генов в собранной последовательности
2. секвенирование фрагментов ДНК
3. выделение ДНК из клеток
4. предсказание функций генов
5. сборка генома из прочитанных фрагментов

Задание 4

Почему найти гены в геноме человека намного труднее, чем в геноме бактерии? Приведите не менее трёх причин.

Задание 5

Как по последовательности нового гена предсказывают функцию его белка? Почему такое предсказание не всегда верно?

Задание 6

Зачем изучать транскриптом и протеом, если геном организма уже прочитан?

Задание 7

Найдите три ошибки в приведённом тексте. Укажите номера предложений, в которых сделаны ошибки, исправьте их.

(1) Транскриптом — совокупность всех молекул РНК клетки. (2) Транскриптом одинаков во всех клетках организма. (3) Белки изучают методом масс-спектрометрии. (4) Функция гена, предсказанная по сходству последовательностей, считается доказанной. (5) Около половины генома человека составляют повторы. (6) Гены бактерий содержат много интронов.

Задание 8

Дан фрагмент смысловой цепи ДНК: 5′-ATGGCATTCGGATAGCC-3′. Начиная с первого нуклеотида, определите, сколько аминокислот кодирует открытая рамка считывания и каким кодоном она заканчивается.

Задание 9

Как аннотация метаболома помогает медицине? Приведите два примера.

Задание 10 (олимпиадное)

1) Какова средняя длина открытой рамки (в кодонах) в случайной последовательности с равными частотами нуклеотидов? 2) С какой вероятностью в случайной последовательности встретится рамка без стоп-кодонов длиной не меньше 100 кодонов, если начать с данного кодона? 3) Почему такой критерий плохо работает для генов человека?

Задание 11 (олимпиадное)

Геном кишечной палочки — 4,6 млн пар нуклеотидов. 1) Сколько ридов длиной 150 нуклеотидов нужно для покрытия 30? 2) Какая доля генома останется непрочитанной при покрытии 3? Сколько это нуклеотидов?

Задание 12 (олимпиадное)

Сравните два выравнивания последовательностей ACGTTGCA и ACGTGCA по схеме: совпадение +2, замена −1, пропуск −2.

(а) ACGTTGCA / ACGT-GCA; (б) ACGTTGCA / ACGTGCA-.

Какое выравнивание лучше и почему?

Задание 13 (олимпиадное)

Трипсин разрезает белковую цепь после лизина (K) и аргинина (R), если за ними не следует пролин (P). На какие пептиды он разрежет участок MKWVTFISLLLLFSSAYSRGVFRR? Зачем в протеомике белки режут трипсином перед масс-спектрометрией?

Литература

• ФИПИ. Кодификатор проверяемых требований к результатам освоения основной образовательной программы среднего общего образования и элементов содержания для проведения единого государственного экзамена по биологии, 2027 г.
• Pevsner J. Bioinformatics and Functional Genomics. 3rd ed. Wiley-Blackwell, 2015.
• Lesk A. M. Introduction to Bioinformatics. 5th ed. Oxford University Press, 2019.
• Durbin R., Eddy S. R., Krogh A., Mitchison G. Biological Sequence Analysis: Probabilistic Models of Proteins and Nucleic Acids. Cambridge University Press, 1998.
• Needleman S. B., Wunsch C. D. A general method applicable to the search for similarities in the amino acid sequence of two proteins // Journal of Molecular Biology. 1970. Vol. 48. P. 443–453.
• Smith T. F., Waterman M. S. Identification of common molecular subsequences // Journal of Molecular Biology. 1981. Vol. 147. P. 195–197.
• Altschul S. F., Gish W., Miller W., Myers E. W., Lipman D. J. Basic local alignment search tool // Journal of Molecular Biology. 1990. Vol. 215. P. 403–410.
• Henikoff S., Henikoff J. G. Amino acid substitution matrices from protein blocks // PNAS. 1992. Vol. 89. P. 10915–10919.
• Lander E. S., Waterman M. S. Genomic mapping by fingerprinting random clones: a mathematical analysis // Genomics. 1988. Vol. 2. P. 231–239.
• Fleischmann R. D. et al. Whole-genome random sequencing and assembly of Haemophilus influenzae Rd // Science. 1995. Vol. 269. P. 496–512.
• Burge C., Karlin S. Prediction of complete gene structures in human genomic DNA // Journal of Molecular Biology. 1997. Vol. 268. P. 78–94.
• Delcher A. L., Harmon D., Kasif S., White O., Salzberg S. L. Improved microbial gene identification with GLIMMER // Nucleic Acids Research. 1999. Vol. 27. P. 4636–4641.
• Stanke M., Waack S. Gene prediction with a hidden Markov model and a new intron submodel // Bioinformatics. 2003. Vol. 19, Suppl. 2. P. ii215–ii225.
• Hyatt D. et al. Prodigal: prokaryotic gene recognition and translation initiation site identification // BMC Bioinformatics. 2010. Vol. 11. 119.
• Ashburner M. et al. Gene Ontology: tool for the unification of biology // Nature Genetics. 2000. Vol. 25. P. 25–29.
• Kanehisa M., Goto S. KEGG: Kyoto Encyclopedia of Genes and Genomes // Nucleic Acids Research. 2000. Vol. 28. P. 27–30.
• Lander E. S. et al. Initial sequencing and analysis of the human genome // Nature. 2001. Vol. 409. P. 860–921.
• Mistry J. et al. Pfam: the protein families database in 2021 // Nucleic Acids Research. 2021. Vol. 49. P. D412–D419.
• Jones P. et al. InterProScan 5: genome-scale protein function classification // Bioinformatics. 2014. Vol. 30. P. 1236–1240.
• Jumper J. et al. Highly accurate protein structure prediction with AlphaFold // Nature. 2021. Vol. 596. P. 583–589.
• Varadi M. et al. AlphaFold Protein Structure Database in 2024 // Nucleic Acids Research. 2024. Vol. 52. P. D368–D375.
• van Kempen M. et al. Fast and accurate protein structure search with Foldseek // Nature Biotechnology. 2024. Vol. 42. P. 243–246.
• Dobin A. et al. STAR: ultrafast universal RNA-seq aligner // Bioinformatics. 2013. Vol. 29. P. 15–21.
• Love M. I., Huber W., Anders S. Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2 // Genome Biology. 2014. Vol. 15. 550.
• Eng J. K., McCormack A. L., Yates J. R. An approach to correlate tandem mass spectral data of peptides with amino acid sequences in a protein database // Journal of the American Society for Mass Spectrometry. 1994. Vol. 5. P. 976–989.
• Cox J., Mann M. MaxQuant enables high peptide identification rates, individualized p.p.b.-range mass accuracies and proteome-wide protein quantification // Nature Biotechnology. 2008. Vol. 26. P. 1367–1372.
• Teufel F. et al. SignalP 6.0 predicts all five types of signal peptides using protein language models // Nature Biotechnology. 2022. Vol. 40. P. 1023–1025.
• Wishart D. S. et al. HMDB 5.0: the Human Metabolome Database for 2022 // Nucleic Acids Research. 2022. Vol. 50. P. D622–D631.
• da Silva R. R., Dorrestein P. C., Quinn R. A. Illuminating the dark matter in metabolomics // PNAS. 2015. Vol. 112. P. 12549–12550.
• Wang M. et al. Sharing and community curation of mass spectrometry data with Global Natural Products Social Molecular Networking // Nature Biotechnology. 2016. Vol. 34. P. 828–837.
• Orth J. D., Thiele I., Palsson B. Ø. What is flux balance analysis? // Nature Biotechnology. 2010. Vol. 28. P. 245–248.
• Li H., Durbin R. Fast and accurate short read alignment with Burrows–Wheeler transform // Bioinformatics. 2009. Vol. 25. P. 1754–1760.
• Schnoes A. M., Brown S. D., Dodevski I., Babbitt P. C. Annotation error in public databases: misannotation of molecular function in enzyme superfamilies // PLoS Computational Biology. 2009. Vol. 5. e1000605.
• Hutchison C. A. et al. Design and synthesis of a minimal bacterial genome // Science. 2016. Vol. 351. aad6253.
• Landrum M. J. et al. ClinVar: improving access to variant interpretations and supporting evidence // Nucleic Acids Research. 2018. Vol. 46. P. D1062–D1067.
• Richards S. et al. Standards and guidelines for the interpretation of sequence variants // Genetics in Medicine. 2015. Vol. 17. P. 405–424.
• Frankish A. et al. GENCODE: reference annotation for the human and mouse genomes in 2023 // Nucleic Acids Research. 2023. Vol. 51. P. D942–D949.
• Nurk S. et al. The complete sequence of a human genome // Science. 2022. Vol. 376. P. 44–53.
• Pellicer J., Fay M. F., Leitch I. J. The largest eukaryotic genome of them all? // Botanical Journal of the Linnean Society. 2010. Vol. 164. P. 10–15.