Федеральное государственное бюджетное учреждение науки
ИНСТИТУТ БИОЛОГИИ РАЗВИТИЯ им. Н.К. Кольцова РАН
Koltzov Institute of Developmental Biology of Russian Academy of Sciences

Лаборатория БИОИНФОРМАТИКИ И МОЛЕКУЛЯРНОЙ ГЕНЕТИКИ

Коллектив лаборатории

Сабиров Марат Садекович
Руководитель лаборатории. Кандидат биологических наук, научный сотрудник,
m.sabirov@idbras.ru

Область научных интересов: вычислительная биология, нейроэпигенетика, генные регуляторные сети, регуляторные элементы генома
Гайнуллина Анастасия Наильевна
Кандидат технических наук, научный сотрудник,
gainullina@idbras.ru

Область научных интересов: генетика поведения, анализ сетей, анализ секвенирования одиночных клеток
Соколов Василий Викторович
инженер,
AsyaKolov@gmail.com

Область научных интересов: биоинформатика, эволюция, молекулярная биология, экология
Чикина Евгения Александровна
аспирант, старший лаборант.
chikina.evgeniia@gmail.com

Область научных интересов: транскриптомика одиночных клеток, метаболические сети, алгоритмы кластеризации, межклеточная коммуникация, нейроглиальные взаимодействия
Стариннов Захар Русланович
аспирант, старший лаборант.
zakhar36600@gmail.com

Область научных интересов: траснкриптомика одиночных клеток, GWAS, приоритеризация клеточных типов

Основные направления исследований:

Лаборатория создана в 2022 году в рамках реализации программы Министерства образования и науки РФ № 075-15-2021-1075 «Генетические технологии». Основным направлением исследований, проводимых в лаборатории, является изучение молекулярной и клеточной организации мозга и сенсорных систем в контексте моделей нарушения развития нервной системы, метаболических, эндокринных и психиатрических заболеваний и нейродегенеративных расстройств.

Базовый применяемый экспериментальный подход - секвенирование РНК одиночных клеток (scRNA-seq) интересующего отдела мозга. Ключевым преимуществом данного подхода является возможность изучать активность генов в каждой отдельной клетке в образце, что позволяет получить понимание о генной активности в принципиально ином разрешении. Основным этапом работы является анализ данных секвенирования. В ходе анализа применяется весь широкий арсенал существующих вычислительных методов, которые были разработаны специально для анализа данного типа эксперимента.

Помимо готовых решений, коллектив лаборатории занимается разработкой и оптимизацией алгоритмов и методов, которые позволяют решать задачи транскриптомики одиночных клеток.




Существующие подходы анализа данных секвенирования РНК одиночных клеток
(Khozyainova et al, Biochemistry (Moscow), 2023)


Модели диабета 1-го и 2-го типа

В настоящее время, диабет 1-го и 2-го типа является социально значимым заболеванием и серьезной проблемой: порядка 8.8% взрослого населения во всем мире классифицируются как страдающие диабетом и приводит к ряду тяжелых метаболических нарушений и ожирению (тип 2). Глобальный уровень проблемы бросает вызов общей системе здравоохранения в связи с высоким риском сопутствующих заболеваний. Ранее была показана значительная роль гипоталамуса в регуляции метаболических процессов при диабет-связанных нарушениях, в частности, в контроле веса и стабильной работе эндокринных желез.

В качестве модели диабета используются стрептозотоцин-индуцированная модель диабета 1-го типа (150 мг/кг) и стрептозотоцин-индуцированная модель диабета 2-го типа (30 мг/кг инъекция в неонатальных животных). Объект исследования - клеточные фенотипы и их изменения в гипоталамусе - нейроэндокринном центре мозга.

Анализ данных проводится на результатах секвенирования РНК одиночных клеток (scRNA-seq) из контрольной и экспериментальной групп животных, а также на доступных релевантных данных из опубликованных работ по теме исследования.




Распределение клеточных типов в наборе данных секвенирования одиночных клеток гипоталамуса в условиях диабета I типа при сравнении с контрольными образцами.




Распределение экспрессии генов регулон, наиболее специфичных для образцов диабета I типа. Графики построены в пространстве координат UMAP на основе AUC значений регулонов, где каждая точка обозначает проекцию определенной клетки, а интенсивность цвета меняется от минимальных к максимальным значениям уровней экспрессии. Для каждого регулона график разделен на две части: левая содержит только клетки, относящиеся к образцам диабета I типа, правая содержит только клетки контрольных образцов. Изображения получены в веб-сервисе SCope на основе loom файлов, генерируемых программой SCENIC.

Транскриптомные изменения при обучении страху

Миндалевидное тело относится к лимбической системе мозга и играет важную роль в формировании эмоций, особенно страха, и процессах, связанных с памятью и обучением. Перечисленные функции обусловливают важное значение амигдалы в формировании тревожных расстройств и существенную роль в патогенезе тревожности при ряде расстройств аутистического спектра, ухудшая качество жизни людей, особенно социальную интеграцию детей. Механизмы синаптической пластичности, индуцированные обучением страху, во многом известны и продолжают изучаться, однако в настоящее время нет полной характеристики транскриптома амигдалы на уровне одиночных клеток в моделях обучения страхом. Изучение транскрипционных изменений в ответ на стрессовые воздействия и индукцию страха у животных позволит определить значимые механизмы, свойственные для конкретных клеточных типов.




Распределение клеточных типов в наборе данных секвенирования одиночных клеток миндалевидного тела. График построен в пространстве координат UMAP, где каждая точка является проекцией одиночной клетки, подвергшейся секвенированию.




Распределение экспрессии маркерных генов относительно одиночных клеток. График построен в пространстве координат UMAP, где каждая точка является проекцией одиночной клетки, а интенсивность цвета показывает уровень экспрессии гена в клетке от минимальных значений (серый) до максимальных (синий).

Избранные публикации:

  • Khozyainova A.A., Valyaeva A.A., Arbatsky M.S., Isaev S.V., Iamshchikov P.S., Volchkov E.V., Sabirov M.S., Zainullina V.R., Chechekin V.I., Vorobev R.S., Menyailo M.E., Tyurin-Kuzmin P.A., Denisov E.V.. Complex Analysis of Single-Cell RNA Sequencing Data // Biochemistry (Moscow). 2023. Vol. 88, № 2. P. 231–252
  • Tsitrina AA, Halimani N, Andreichenko IN, Sabirov M, Nesterchuk M, Dashenkova NO, Romanov R, Bulgakova EV, Mikaelyan A, Kotelevtsev Y. 4-Methylumbelliferone Targets Revealed by Public Data Analysis and Liver Transcriptome Sequencing. Int J Mol Sci. 2023 Jan 21;24(3):2129. doi: 10.3390/ijms24032129. PMID: 36768453; PMCID: PMC9917189.
  • Gainullina A, Mogilenko DA, Huang LH, Todorov H, Narang V, Kim KW, Yng LS, Kent A, Jia B, Seddu K, Krchma K, Wu J, Crozat K, Tomasello E, Dress R, See P, Scott C, Gibbings S, Bajpai G, Desai JV, Maier B, This S, Wang P, Aguilar SV, Poupel L, Dussaud S, Zhou TA, Angeli V, Blander JM, Choi K, Dalod M, Dzhagalov I, Gautier EL, Jakubzick C, Lavine K, Lionakis MS, Paidassi H, Sieweke MH, Ginhoux F, Guilliams M, Benoist C, Merad M, Randolph GJ, Sergushichev A, Artyomov MN; ImmGen Consortium. Network analysis of large-scale ImmGen and Tabula Muris datasets highlights metabolic diversity of tissue mononuclear phagocytes. Cell Rep. 2023 Jan 27;42(2):112046. doi: 10.1016/j.celrep.2023.112046. Epub ahead of print. PMID: 36708514.
  • Klepikova A, Nenasheva T, Sheveleva O, Protasova E, Antonov D, Gainullina A, Chikina E, Sakovnich O, Gerasimova T, Nikitina I, Shevalie D, Lyadova I. iPSC-Derived Macrophages: The Differentiation Protocol Affects Cell Immune Characteristics and Differentiation Trajectories. Int J Mol Sci. 2022 Dec 16;23(24):16087. doi: 10.3390/ijms232416087. PMID: 36555728; PMCID: PMC9781144.
  • Dufour CR, Xia H, B'chir W, Perry MC, Kuzmanov U, Gainullina A, Dejgaard K, Scholtes C, Ouellet C, Zuo D, Sanguin-Gendreau V, Guluzian C, Smith HW, Muller WJ, Audet-Walsh E, Sergushichev AA, Emili A, Giguère V. Integrated multi-omics analysis of adverse cardiac remodeling and metabolic inflexibility upon ErbB2 and ERRα deficiency. Commun Biol. 2022 Sep 12;5(1):955. doi: 10.1038/s42003-022-03942-4. PMID: 36097051; PMCID: PMC9467976.
  • Emelianova M, Gainullina A, Poperechnyi N, Loboda A, Artyomov M, Sergushichev A. Shiny GATOM: omics-based identification of regulated metabolic modules in atom transition networks. Nucleic Acids Res. 2022 May 27;50(W1):W690–6. doi: 10.1093/nar/gkac427. Epub ahead of print. PMID: 35639928; PMCID: PMC9252739.


Поделиться ссылкой: