Разработка методов анализа мультиомиксных данных, полученных при исследовании многокомпонентных биологических образцов с целью идентификации потенциально опасных биологических объектов тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Чудинов Иван Константинович

• Чудинов Иван Константинович
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Чудинов Иван Константинович

Введение

Глава 1. Обзор литературы

1.1 Биологическая безопасность

1.2 Применение омиксных технологий для выявления опасных биологических агентов

1.2.1 Методы геномного анализа

1.2.2 Методы протеомного анализа

1.2.3 Прочие омиксные методы для идентификации потенциально опасных биологических агентов

1.3 Методы анализа омиксных данных

1.3.1 Методы анализа геномных данных

1.3.2 Методы анализа протеомных данных

1.4 Интеграция омиксных данных

1.5 Заключение из литературного обзора

Глава 2. Материалы и методы

2.1 Объекты исследования

2.1.1 Образцы биоматериала животных

2.1.2 Клинические образцы пациентов

2.1.3 Клинические изоляты M. pneumoniae

2.1.4 Образцы растительных смесей

2.2 Методы пробоподготовки

2.2.1 Выделение нуклеиновых кислот

2.2.2 Амплификация и подготовка библиотек

2.2.3 Выделение белка

2.2.4 Трипсинолиз и ВЭЖХ-МС

2.3 Методы анализа геномных данных

2.3.1 Анализ метавиромных данных

2.3.2 Анализ данных секвенирования ампликонов

2.3.3 Анализ данных полногеномного секвенирования

Стр.

2.3.4 Анализ протеомных данных

2.4 Прочие методы

2.4.1 Генерация уникальных пептидов

2.4.2 Подбор праймеров для селективной амплификации

2.4.3 Разработка вычислительных конвейеров и вычислительная инфраструктура

2.4.4 Визуализация результатов

Глава 3. Результаты и обсуждение

3.1 Поиск в отсутствие гипотез

3.1.1 Анализ метавиромных данных

3.1.2 Разработка вычислительного конвейера «VERA»

3.1.3 Оценка вычислительного конвейера «VERA»

3.2 Углубленное изучение образцов при наличии предварительных гипотез

3.2.1 Анализ данных целевых участков

3.2.2 Исследование полных геномов

3.2.3 Протеомное исследование клинических изолятов

3.3 Апробация комбинированного омиксного анализа

3.3.1 Анализ ДНК-баркодов

3.3.2 Генерация базы данных

3.3.3 Результаты протеомного анализа

3.4 Применение омиксного анализа для виромных данных

Заключение

Словарь терминов

Список литературы

Список рисунков

Список таблиц

Приложение А. Описание алгоритма

Стр.

Приложение Б. Нагрузочное тестирование вычислительных

конвейеров

Приложение В. Гель-электрофорез продуктов амплификации

Приложение Г. Таксономическая оценка прочтений продуктов

амплификации

Приложение Д. SDS-PAGE тотального белка

Введение диссертации (часть автореферата) на тему «Разработка методов анализа мультиомиксных данных, полученных при исследовании многокомпонентных биологических образцов с целью идентификации потенциально опасных биологических объектов»

Введение

Эффективность применения стандартных методов анализа (ИФА, ПЦР) для идентификации компонентов в многокомпонентных биологических образцах напрямую зависит от наличия априорных данных об искомых целевых структурах, что делает данные методы несостоятельными при поиске новых или потенциально опасных биологических объектов [1]. Современные методы метагеномного секвенирования, обеспечивая высокую разрешающую способность, зачастую не позволяют однозначно подтвердить присутствие потенциально опасных биологических объектов в образце, особенно если анализируется материал, содержащий деградированные нуклеиновые кислоты (НК) или малое количество НК, что ограничивает их практическое применение. Традиционные микробиологические методы валидации зачастую неприменимы из-за невозможности культивации многих микроорганизмов или требований биологической безопасности. Так как ошибки и артефакты, присущие методам секвенирования, имеют иную природу, чем ограничения масс-спектрометрического анализа, эффективным путем верификации является привлечение методов, нацеленных на независимый класс молекул — белки.

По этой причине, актуальной задачей является разработка подходов, комбинирующих независимые омиксные методы (геномику, протеомику и прочие) для взаимного уточнения (кросс-валидации) результатов и повышения достоверности обнаружения биологического объекта. Также омиксные технологии предоставляют возможность всестороннего анализа сложных образцов, позволяя не только выявлять неизвестные мишени, но и углублять знания об уже известных объектах исследований [2]. Таким образом, именно необходимость взаимной верификации результатов, получаемых при анализе разных типов макромолекул в условиях неопределенности состава образца, определяет структуру и методы данного диссертационного исследования. Разработка и апробация интегрированных омиксных подходов для идентификации опасных биологических объектов представляется актуальной как для фундаментальных исследований, так и для прикладных задач биобезопасности и диагностики.

Целью исследования является разработка и экспериментальная проверка методов интеграции геномных и протеомных данных для достоверной иденти-

фикации потенциально опасных биологических объектов в многокомпонентных образцах.

Для достижения поставленной цели были сформулированы следующие задачи:

1. Провести сравнительный анализ существующих омиксных подходов к идентификации потенциально опасных биологических объектов и выявить их ограничения.

2. Исследовать возможность применения метагеномного и метавиромного анализов как методов, не требующих априорных гипотез о наличии потенциально опасных биологических объектов в образце.

3. Предложить и реализовать протеогеномный подход для ортогональной валидации результатов, полученных методами секвенирования, с использованием масс-спектрометрии.

4. Экспериментально апробировать предложенные методы на образцах различного типа.

Научная новизна:

1. Обоснована необходимость ортогонального подтверждения результатов метагеномного и метавиромного секвенирования с помощью методов, нацеленных на другие классы биомолекул (в частности, белки), с целью верификации присутствия биологических объектов, выявленных методами секвенирования.

2. Предложена и реализована в виде готовых конвейеров методология двух-этапной таксономической фильтрации метавиромных данных, основанная на приоритетном анализе белок-кодирующих последовательностей и позволяющая как повысить достоверность обнаружения вирусных геномов, так и генерировать мишени для их последующей протеомной валидации.

3. Разработаны оригинальные алгоритмы обработки данных таргетной и полногеномной амплификации, позволяющие получать пригодные для анализа последовательности геномов патогенов из биологических образцов без культивации.

4. Предложен и реализован протеогеномный подход, интегрирующий данные геномного и протеомного анализа многокомпонентных биологических образцов для подтверждения обнаружения потенциально опасных биологических объектов.

5. Впервые разработана и экспериментально подтверждена методика ортогонального подтверждения результатов метагеномного секвенирования ДНК-баркодов для сухих растительных смесей, позволяющая выявлять опасные для человека компоненты.

Практическая значимость работы состоит в решении нескольких конкретных задач, связанных с идентификацией потенциально опасных биологических объектов в различных многокомпонентных образцах, с помощью разработанного комплекса омиксных методов. Разработаны и применены методики исследования биологических образцов, содержащих известный патоген (Mycoplasma pneumoniae), представляющих интерес для практического эпидемиологического скрининга. С использованием разработанных подходов обнаружена и подтверждена фальсификация компонентов сухих растительных смесей, что актуально для выявления опасных биологических объектов в продуктах питания. С использованием разработанных методов получено подтверждение присутствия вирусов семейства Coronaviridae в мазках от животных, что значимо для эпидемиологического надзора за зоонозными инфекциями.

Прикладное значение работы подтверждается возможностью применения разработанных подходов для валидации результатов молекулярно-генетического анализа. Разработанные методы и вычислительные конвейеры позволяют верифицировать результаты секвенирования в тех случаях, когда они противоречивы или сомнительны (например, при малом количестве идентифицируемого компонента или деградации материала). Поскольку эффективность подхода продемонстрирована на примере решения конкретных задач (подтверждение фальсификации пищевых продуктов (раздел 3.1), подтверждение коронавирусов у животных (раздел 3.3)), предложенный протеогеномный подход может быть интегрирован в схемы скрининга биологических образцов для повышения надёжности диагностики и эффективности эпидемиологического мониторинга.

Методология и методы исследования. В работе использован широкий спектр экспериментальных и вычислительных методов. К экспериментальным методам относятся: секвенирование по Сэнгеру, высокопроизводительное се-квенирование (NGS), секвенирование третьего поколения (TGS), а также панорамная восходящая масс-спектрометрия. Вычислительный анализ проводился с применением современных биоинформатических методик, включая геномный, метагеномный, метавиромный и протеомный анализ. Для обработки данных использовались как общедоступные программные пакеты, так и оригинальные

скрипты и конвейеры, реализованные на языках Python для обработки данных и Nextflow для программирования потоков данных.

Основные положения, выносимые на защиту:

1. Разработан вычислительный конвейер для метавиромного анализа, основанный на двухэтапной таксономической фильтрации, который позволяет эффективно анализировать метавиромные данные и выбирать мишени для последующей экспериментальной проверки методами протеомики.

2. Разработан вычислительный конвейер для анализа данных таргетного секвенирования, позволяющий эффективно обрабатывать и интерпретировать результаты амплификации специфических геномных участков микроорганизмов.

3. Разработана и апробирована стратегия, сочетающая методы селективной и неселективной амплификации геномной ДНК для накопления информации о целевом патогене (M. pneumoniae).

4. Протеогеномный подход, интегрирующий данные секвенирования и масс-спектрометрии, может обеспечивать подтверждение присутствия биологического объекта в многокомпонентном образце, повышая достоверность результата.

Достоверность полученных результатов обеспечивается согласованностью результатов современных экспериментальных и вычислительных методов геномного и протеомного анализа, использованных в работе. Все анализируемые образцы проходили контроль условий хранения, транспортировки, маркировки и учета метаданных. Экспериментальные работы проводились на модельных образцах до начала проведения основных экспериментов, исследования образцов проводились в технических повторностях для оценки воспроизводимости результатов, с использованием отрицательных контролей.

Обсуждение результатов проведено с учетом современных исследований, опубликованных в области молекулярной биологии, вычислительной биологии, омиксных исследований и вирусологии. Научные положения и выводы, изложенные в диссертации, обоснованы и подтверждены фактическим материалом. Результаты находятся в соответствии с результатами, полученными другими авторами.

Апробация работы проведена в формате докладов промежуточных и основных результатов работы на: II Российском конгрессе по медицинской микробиологии и инфектологии (Москва, 2024); I международной научно-практической

конференции «Инновационные биотехнологии для охраны окружающей среды: от теории к практике» (Минск, 2024); 66-ой Всероссийской научной конференции МФТИ (Москва, 2024); Международном Конгрессе «VIII Съезд Вавиловско-го общества генетиков и селекционеров, посвященный 300-летию российской науки и высшей школы» (Саратов, 2024); Четырнадцатой международной муль-тиконференции «Биоинформатика регуляции и структуры геномов / системная биология» (Новосибирск, 2024); VI Международной конференции ПОСТГЕ-Н0М'2024: Российско-китайский конгресс в области наук о жизни (Москва,

2024); V Международной научно-практической конференции по вопросам противодействия инфекционным заболеваниям (Санкт-Петербург, 2024); 11th Wuhan International Symposium on Modern Virology & Viruses 2025 Conference (Ухань,

2025).

Личный вклад соискателя заключается в планировании и постановке экспериментов; выделении нуклеиновых кислот и белков; разработке и реализации вычислительных конвейеров и методов биоинформатического анализа; интерпретации полученных данных; подготовке научных публикаций по результатам работы.

Публикации. Основные результаты по теме диссертации изложены в 14 печатных изданиях, 8 из которых изданы в публикациях, 6 — в сборниках конференций.

Объем и структура работы. Диссертация состоит из введения, 3 глав, заключения и 5 приложений. Полный объём диссертации составляет 149 страниц, включая 18 рисунков и 3 таблицы. Список литературы содержит 250 наименований.

Глава 1. Обзор литературы 1.1 Биологическая безопасность

Биологическая безопасность — это комплекс мер, направленных на предотвращение возникновения и распространения биологических угроз, которые могут нанести вред здоровью и благополучию человека, а также вред животным, растениям и окружающей среде. В соответствии с Федеральным законом от 30 декабря 2020 года Ш92-ФЗ, биологическая безопасность определяется как состояние защищенности населения и окружающей среды от воздействия опасных биологических факторов, включая патогены, токсины и генетически модифицированные организмы (ГМО), а также прочих биологических агентов, способных вызывать ухудшение состояния, заболевания или нарушать экологическое равновесие [3].

В 2026 году биологическая безопасность в Российской Федерации регулируется рядом нормативно-правовых актов [4].

1. Федеральный закон от 30.03.1999 Ш2-ФЗ «О санитарно- эпидемиологическом благополучии населения», который устанавливает требования к предотвращению распространения инфекционных заболеваний [5].

2. Федеральный закон от 30.12.2020 Ш92-ФЗ «О биологической безопасности», который определяет основные принципы и меры по обеспечению биологической безопасности [3].

3. Указом Президента Российской Федерации от 02.07.2021 N400 «О Стратегии национальной безопасности Российской Федерации» [6].

Федеральный закон от 30.12.2020 Ш92-ФЗ «О биологической безопасности» определяет понятие биологической угрозы (опасности) как наличие потенциально опасных биологических объектов, а также наличие внутренних и внешних опасных биологических факторов, способных привести к возникновению и (или) распространению заболеваний с развитием эпидемий, эпизоотий, массовых отравлений, превышению допустимого уровня биологического риска. Тем же Федеральным законом определяется перечень патогенных биологических агентов (патогенов), который включает микроорганизмы, вирусы, белковоподоб-ные частицы, яды биологического происхождения и иные биологические агенты, в том числе созданные в результате генетических манипуляций, применения

технологий синтетической биологии и другой направленной деятельности, способные вызывать патологический процесс в организме человека, животного или в растениях, а также биологические материалы, в которых могут содержаться перечисленные патогены [3].

Развитие генетических и молекулярных методов за последние 30 лет обеспечило высокопроизводительное культивирование, модифицирование и применение микроорганизмов в научной и клинической областях, а также в производственной и пищевой отраслях. Известны прецеденты применения биологических организмов в террористических актах, расследование и предотвращение которых прямым образом связано не только с уровнем научно-технического развития и приборно-материального обеспечения исследовательских организаций, но и регламентацией и развитием подходов для решения задач подобного класса [7]. Установление контроля за распространением заведомо опасных и потенциально опасных микроорганизмов уже появлялось в мировой практике. В частности, для предотвращения бесконтрольного распространения и использования патогенов, а также уменьшения последствий широкомасштабного выброса биологических агентов, Министерство внутренней безопасности США создало программу «BюWatch» для мониторинга воздуха во многих городских центрах страны на предмет наличия аэрозольных патогенов [8]. В рамках этой программы были разработаны системы, направленные на обеспечение раннего (по сравнению с классическими методами) автоматизированного обнаружения. Большинство разработанных на момент 2003-2007 годов технологий биодетекции, которые могли быть использованы для наблюдения за биологическими угрозами, были направлены на обнаружение нуклеиновых кислот или белков патогенов с помощью обычных лабораторных методов и методик, таких как микроскопия, ПЦР, культивирование и подсчет колоний, а также иммунологические методы [9—14].

С момента внедрения первых программ мониторинга биологических угроз принципиальные методы детекции претерпели множество изменений, но целевые объекты детекции — нуклеиновые кислоты и белки — не изменились. В 2022 году был опубликован обзор методов детекции патогенов, сводящий современные методы детекции к основным двум категориям [1].

1. Традиционные методы

- Метод множественного культивирования, подразумевающий культивирование исследуемого образца в различных условиях

и определение таксономической принадлежности по реакции аналита на культуральную среду.

- Методы мембранного фильтра, предполагающие выращивание колоний аналита на поверхности мембраны, пропускающей питательную среду

- Микроскопия — морфологическое определение таксономической принадлежности с использованием специфических красителей для повышения точности метода

2. Продвинутые методы.

- Иммунологические методы обнаружения основаны на реакции комплекса антиген-антитело, такие как иммуноферментный анализ и иммуномагнитный анализ.

- В методах на основе нуклеиновых кислот используются подходы многовариантных ПЦР реакций, включая ПЦР в реальном времени и мультиплексную ПЦР, секвенирование по Сэнгеру и высокопроизводительное секвенирование ДНК-баркодов, высокопроизводительное секвенирование тотальной ДНК и (или) РНК, микрочипы.

- Энзиматические методы направлены на выявление конкретных ферментов, участвующих в основном метаболическом пути микробов. Обнаружение обычно основано на изменении цвета или флуоресценции в ферментативной реакции.

- Биосенсоры — аналитические устройства, в которых распознающий элемент соединен с преобразователем и процессором сигналов. Устройство генерирует считываемые и количественно измеряемые сигналы, соответствующие физико-биохимическим характеристикам целевого аналита/образца.

Значительная часть методов, используемых в настоящее время для обнаружения биологических угроз, основана на предварительном знании об искомом патогене или биологическом агенте. В работе Parida et al. постулируется следующее утверждение: «обнаружение — это неспецифическое проявление повышенной концентрации микроорганизмов в определенной среде, в то время как идентификация — это определение вида обнаруженного микроорганизма» [2]. Важным подходом для предотвращения и ликвидации биологических угроз является своевременный мониторинг и раннее обнаружение биологических агентов, а также

детальное изучение уже известных опасных биологических агентов с целью расширения доступных знаний, необходимых для создания прицельных методов детекции и контроля распространения патогена. Разработка и внедрение систем эпидемиологического надзора предусматривает использование современных технологий, включая омиксные технологии, для идентификации и характеризации патогенов. ИФА и ПЦР являются детерминированными технологиями, которые «привязаны» к заведомо определенным агентам, в то время как омиксные технологии позволяют проводить более широкий спектр исследований.

Одним из важных направлений в обеспечении биологической безопасности является контроль продуктов питания. В то время как значительная часть работ этой области направлена на идентификацию инфекционных агентов (например, Salmonella sp., Listeria sp., Escherichia sp.), актуальной задачей является идентификация непатогенных биологических агентов, таких как аллергены или иные компоненты, способные вызывать отравления или иные последствия для здоровья [15]. Преднамеренная или непреднамеренная фальсификация состава продуктов питания требует динамичного развития методов анализа пищевых продуктов, часто представляющих собой сложные для исследования образцы ввиду термической или иной производственной обработки [16—18]. Таким образом, контроль за продуктами питания наравне с эпидемиологическим мониторингом необходим для обеспечения биологической безопасности, и в значительной степени зависим от развития продвинутых методов идентификации потенциально опасных биологических агентов.

Программа «Санитарный щит» Российской Федерации представляет собой комплексную систему мониторинга биологической опасности, созданную для обеспечения «проактивной модели защиты здоровья человека от инфекционных угроз», а ПЦР-диагностика и NGS составляют важные компоненты системы быстрого реагирования на инфекционные угрозы внутри страны [4]. Пандемия COVID-19 продемонстрировала, что ПЦР и ИФА не всегда могут быть эффективными против новых вариантов вируса, в то время как секвенирование позволило обеспечить оперативное отслеживание эпидемиологической ситуации [19—21]. Для своевременного обнаружения быстроменяющихся или неизвестных патогенов необходимо создание универсальных и адаптивных систем обнаружения биологических угроз, подкрепленных не только геномными, но и иными омикс-ными методами [22].

Комплексные системы мониторинга биологической опасности реализованы не только на государственном, но и международном уровне. Например, проект «Global Virome Project» направлен на раннее обнаружение потенциально опасных вирусов путем их идентификации в дикой природе, так как более 70% возникающих инфекционных заболеваний являются зоонозными [23; 24]. Превентивный эпиднадзор позволяет выявлять риски распространения инфекции на ранних стадиях и принимать целенаправленные меры по прерыванию цепочки передачи инфекции до того, как она достигнет людей. В одной из работ (Jonas и Seifman, 2019) подчеркивается, что зоонозные патогены в непропорционально большой степени поражают регионы с низким уровнем дохода и высоким биоразнообразием, где взаимодействие человека и диких животных усиливается из-за вырубки лесов и расширения сельского хозяйства. Результаты превентивного мониторинга могут быть использованы для своевременного распределении ресурсов и смягчения кризисов в области здравоохранения. В частности, согласно приведенным оценкам затрат на поддержание проекта, отнесенным к стоимости предотвращения распространения вспышки нового вируса, затраты на поисково-скрининговые работы пренебрежительно малы [25].

В работе Kambouris et al. детально прорабатывается вопрос методов исследования, которые необходимы к применению при исследовании биологических образцов, для выявления угроз, обусловленных естественными, случайными и преднамеренными событиями, включая возникновение новых патогенов, искусственно созданных микроорганизмов и акты биотерроризма. Согласно этой работе, традиционные методы могут быть несостоятельными для эффективного обнаружения новых или искусственно сконструированных патогенов. Для решения этого предлагается проведение двух типов исследования — широкий скрининг, направленный на первичное обнаружение биологических угроз, и углубленный анализ находок, направленный на обнаружение характерных биомаркеров, используемых для создания прицельных методов традиционных подходов. Омиксные технологии, успех применения которых не зависит от присутствия определенного набора биомаркеров, рассматриваются как основные методы для проведения подобных исследований [22].

Таким образом, разработка методов применения омиксных технологий для обнаружения и характеризации потенциально опасных биологических агентов имеет важное значение для академических и прикладных исследований во всех областях биологической безопасности. Методы омиксных исследований не

только обеспечивают оперативное реагирование на биологические угрозы, но способствуют накоплению и систематизации знаний, которые необходимы для создания более дешевых, но менее гибких, традиционных методов обнаружения. По этой причине, комплексная омиксная характеристика многокомпонентных биологических образцов с целью идентификации потенциально опасных биологических объектов представляет собой важный шаг к разработке инновационных подходов в области биологической безопасности и охраны здоровья населения.

1.2 Применение омиксных технологий для выявления опасных

биологических агентов

Омиксные технологии представляют собой набор методов, позволяющих изучать биологические объекты и системы на различных уровнях организации: от генома и транскриптома до протеома и метаболома, а также их взаимного отношения. Омиксные технологии играют ключевую роль в идентификации опасных биологических агентов, таких как патогенные микроорганизмы, токсины и генетически модифицированные организмы. В данном разделе рассматриваются основные омиксные подходы, их применение и перспективы в области мониторинга и контроля для обеспечения биологической безопасности.

1.2.1 Методы геномного анализа

Широкое внедрение методов секвенирования в практику эпидемиологического контроля и диагностики обусловлено не столько их абсолютной точностью, сколько достигнутым балансом между стоимостью, производительностью и информативностью. Это позволило рассматривать геномный анализ как рутинный, экономически оправданный инструмент идентификации патогенных микроорганизмов и вирусов. На сегодняшний день для решения задач обнаружения опасных биологических агентов применяются два основных подхода — секвенирование тотальных нуклеиновых кислот и целевое секвенирование участков генома, представляющих интерес для исследования.

Секвенирование тотальных НК представляет собой метод геномного анализа (рис. 1.1)., описывающий рассматриваемую пробу как единое целое и предполагающий детализированное описание пробы методами биоинформатиче-ского анализа. Секвенирование тотальных НК представляет один из методов для реконструкции и анализа полных геномов микроорганизмов или сложных мета-геномных и метавиромных сообществ.

Основное преимущество метода секвенирования тотальных НК состоит в возможности проведения анализа без выдвижения предварительных гипотез о составе образца. В случае исследования бактериальных культур метагеномные методы позволяют независимо от культивирования образца провести анализ НК и выявить как известные, так и новые микроорганизмы, а данные метагеномных исследований позволяют не только получить полные или почти полные геномы патогенов из образцов, но и обеспечить исследователей информацией для прогнозирования фенотипов, устойчивости к антибиотикам и выявления факторов вирулентности. Секвенирование тотальных НК оказалось особенно полезным для выявления бактериальных патогенов непосредственно из клинических образцов или образцов среды. Применение тотального секвенирования НК позволило выявить гены резистентности к одному из наиболее часто применяющихся антибиотиков для лечения бактериальных инфекций с множественной лекарственной устойчивостью в образцах различного происхождения, включая образцы сточных вод и образцы стула [26; 27]. Также секвенирование тотальных НК используется для описания микробиома продуктов питания и выявления пищевых патогенов [28]. Несмотря на очевидные преимущества, секвенирование тотальных НК имеет и ограничения: высокая стоимость, высокие требования к глубине секвени-рования, сложность сборки геномов из-за присутствия повторяющихся участков и контаминаций, необходимость вычислительной инфраструктуры для обработки больших объёмов данных.

Список литературы диссертационного исследования кандидат наук Чудинов Иван Константинович, 2026 год

Список литературы

1. Emerging bioanalytical devices and platforms for rapid detection of pathogens in environmental samples / L. Ngashangva, B. A. Hemdan, M. A. El-Liethy, V. Bachu, S. D. Minteer [и др.] // Micromachines. — 2022. — Т. 13, № 7. — С. 1083.

2. Parida, M. Advance detection technologies for select biothreat agents / M. Parida, P. K. Dash, J. Shukla // Handbook on biological warfare preparedness. — Elsevier, 2020. — С. 83—102.

3. Федеральный закон от 30 декабря 2020 г. N 492-ФЗ "О биологической безопасности в Российской Федерации". — 2020.

4. Рудаков, Н. В. Федеральный проект «Санитарный щит страны— безопасность для здоровья (предупреждение, выявление, реагирование)»— важнейший этап реализации стратегии национальной безопасности Российской Федерации / Н. В. Рудаков, Н. А. Пеньевская // Национальные приоритеты России. — 2024. — Т. 53, № 2. — С. 47—59.

5. Федеральный закон от 30 марта 1999 г. N 52-ФЗ "О санитарно-эпидемиологическом благополучии населения". —1999.

6. Указ Президента РФ от 02 июля 2021 г. N 400 «О Стратегии национальной безопасности Российской Федерации». — 2021.

7. Leonard, B. Amerithrax Investigative Summary / B. Leonard. — DIANE Publishing, 2011.

8. BioWatch and public health surveillance: Evaluating systems for the early detection of biological threats: Abbreviated version / N. R. Council,

B. on Life Sciences, B. on Chemical Sciences, B. on Health Sciences Policy,

C. on Effectiveness of National Biosurveillance Systems, [et al.]. — National Academies Press, 2011.

9. Monis, P. T. Nucleic acid amplification-based techniques for pathogen detection and identification / P. T. Monis, S. Giglio // Infection, Genetics and Evolution. — 2006. — Т. 6, № 1. — С. 2—12.

10. Nucleic acid approaches for detection and identification of biological warfare and infectious disease agents / D. Ivnitski, D. J. O'Neil, A. Gattuso, R. Schlicht, M. Calidonna [и др.] // Biotechniques. — 2003. — Т. 35, № 4. — С. 862—869.

11. Fischer, N. O. Heightened sense for sensing: recent advances in pathogen immunoassay sensing platforms / N. O. Fischer, T. M. Tarasow, J. B.-H. Tok // Analyst. — 2007. — Т. 132, № 3. — С. 187—191.

12. Nonantibody-based recognition: alternative molecules for detection of pathogens / M. M. Ngundi, N. V. Kulagina, G. P. Anderson, C. R. Taitt // Expert review of proteomics. — 2006. — Т. 3, № 5. — С. 511—524.

13. Lazcka, O. Pathogen detection: A perspective of traditional methods and biosensors / O. Lazcka, F. J. Del Campo, F. X. Munoz // Biosensors and bioelectronics. — 2007. — Т. 22, № 7. — С. 1205—1217.

14. Environmental monitoring for biological threat agents using the autonomous pathogen detection system with multiplexed polymerase chain reaction / J. F. Regan, A. J. Makarewicz, B. J. Hindson, T. R. Metz, D. M. Gutierrez [и др.] // Analytical Chemistry. — 2008. — Т. 80, № 19. — С. 7422—7429.

15. Johnson, R. Food fraud and economically motivated adulteration of food and food ingredients / R. Johnson. — 2014.

16. Development of a hazard classification scheme for substances used in the fraudulent adulteration of foods / K. Everstine, E. Abt, D. McColl, B. Popping, S. Morrison-Rowe [и др.] // Journal of food protection. — 2018. — Т. 81, № 1. — С. 31-36.

17. Advances in mass spectrometry for food authenticity testing: an omics perspective / T. Cajka, M. Showalter, K. Riddellova, O. Fiehn // Advances in food authenticity testing. — Elsevier, 2016. — С. 171—200.

18. Foodborne pathogens in the omics era / K. C. d. O. Vieira, H. R. A. d. Silva, I. P. M. Rocha, E. Barboza, L. K. W. Eller // Critical Reviews in Food Science and Nutrition. — 2022. — Т. 62, № 24. — С. 6726—6741.

19. Мониторинг распространения вариантов SARS-CoV-2 (Coronaviridae: Coronavirinae: Betacoronavirus; Sarbecovirus) на территории Московского региона с помощью таргетного высокопроизводительного секвенирова-ния / Н. Борисова, И. Котов, А. Колесников, В. Каптелова, А. Сперанская [и др.] // Вопросы вирусологии. — 2021. — Т. 66, № 4. — С. 269—278.

20. Genomic surveillance to combat COVID-19: challenges and opportunities / J. D. Robishaw, S. M. Alter, J. J. Solano, R. D. Shih, D. L. DeMets [h gp.] // The Lancet Microbe. — 2021. — T. 2, № 9. — e481—e484.

21. New RT-PCR assay for the detection of current and future SARS-CoV-2 variants / A. Marchini, M. Petrillo, A. Parrish, G. Buttinger, S. Tavazzi [h gp.] // Viruses. — 2023. — T. 15, № 1. — C. 206.

22. Rebooting bioresilience: a multi-OMICS approach to tackle global catastrophic biological risks and next-generation biothreats / M. E. Kambouris, Y. Manoussopoulos, M. Kantzanou, A. Velegraki, G. Gaitanis [h gp.] // Omics: a journal of integrative biology. — 2018. — T. 22, № 1. — C. 35—51.

23. The global virome project / D. Carroll, P. Daszak, N. D. Wolfe, G. F. Gao, C. M. Morel [h gp.] // Science. — 2018. — T. 359, № 6378. — C. 872—874.

24. The characterization of complete genome of MERS-related coronavirus from bat (Pipistrellus nathusii) from Moscow region, prediction and analysis their Spike glycoprotein with DPP4 receptors of the different mammalian species / A. Speranskaya, A. Samoilov, E. Korneenko, K. Khabudaev, I. Artyushin [h gp.] // Bioinformatics of Genome Regulation and Structure/Systems Biology (BGRS/SB-2022). — 2022. — C. 892—892.

25. Jonas, O. Do we need a global virome project? / O. Jonas, R. Seifman // The Lancet Global Health. — 2019. — T. 7, № 10. — e1314—e1316.

26. Shotgun metagenomic analysis reveals the emergence of plasmid-encoded mcr-5.1 gene in hospital wastewater in Bangladesh / A. S. Khan, S. Afrin, F. Ahmed, S. R. Rahman // Journal of Global Antimicrobial Resistance. — 2024. — T. 39. — C. 22—26.

27. Detection of mobile colistin resistance genes mcr-9.1 and mcr-10.1 in Enterobacter asburiae from Ecuadorian children / S. G. Cifuentes, J. Graham, G. Trueba, P. A. Cadenas // Microbiology Resource Announcements. — 2024. — T. 13, № 9. — e00313—24.

28. Shotgun metagenomic sequencing reveals the influence of artisanal dairy environments on the microbiomes, quality, and safety of Idiazabal, a raw ewe milk PDO cheese / G. Santamarina-Garcia, M. Yap, F. Crispie, G. Amores, C. Lordan [h gp.] // Microbiome. — 2024. — T. 12, № 1. — C. 262.

29. Genomic epidemiology of the Escherichia coli 0104: H4 outbreaks in Europe, 2011 / Y. H. Grad, M. Lipsitch, M. Feldgarden, H. M. Arachchi, G. C. Cerqueira [h gp.] // Proceedings of the national academy of sciences. — 2012. — T. 109, № 8. — C. 3065—3070.

30. Schmeisser, C. Metagenomics, biotechnology with non-culturable microbes / C. Schmeisser, H. Steele, W. R. Streit // Applied microbiology and biotechnology. — 2007. — T. 75. — C. 955—962.

31. Whole-genome sequences of Chlamydia trachomatis directly from clinical samples without culture / H. M. Seth-Smith, S. R. Harris, R. J. Skilton, F. M. Radebe, D. Golparian [h gp.] // Genome research. — 2013. — T. 23, № 5. — C. 855—866.

32. Leichty, A. R. Selective whole genome amplification for resequencing target microbial species from complex natural samples / A. R. Leichty, D. Brisson // Genetics. — 2014. — T. 198, № 2. — C. 473-481.

33. Selective whole-genome amplification reveals population genetics of Leishmania braziliensis directly from patient skin biopsies / O. A. Pilling, J. L. Reis-Cunha, C. A. Grace, A. S. Berry, M. W. Mitchell [h gp.] // PLoS Pathogens. — 2023. — T. 19, № 3. — e1011230.

34. swga: A primer design toolkit for selective whole genome amplification / E. L. Clarke, S. A. Sundararaman, S. N. Seifert, F. D. Bushman, B. H. Hahn [h gp.] // Bioinformatics. — 2017. — T. 33, № 14. — C. 2071—2077.

35. A fast machine-learning-guided primer design pipeline for selective whole genome amplification / J. A. Dwivedi-Yu, Z. J. Oppler, M. W. Mitchell, Y. S. Song, D. Brisson // PLoS Computational Biology. — 2023. — T. 19, № 4. — e1010137.

36. Genetic characterization of Betacoronavirus lineage C viruses in bats reveals marked sequence divergence in the spike protein of pipistrellus bat coronavirus HKU5 in Japanese pipistrelle: implications for the origin of the novel Middle East respiratory syndrome coronavirus / S. K. Lau, K. S. Li, A. K. Tsang, C. S. Lam, S. Ahmed [h gp.] // Journal of virology. — 2013. — T. 87, № 15. — C. 8638-8650.

37. Moratelli, R. Bats and zoonotic viruses: can we confidently link bats with emerging deadly viruses? / R. Moratelli, C. H. Calisher // Memórias do Instituto Oswaldo Cruz. — 2015. — Vol. 110, no. 1. — P. 1—22.

38. Identification and genetic characterization of MERS-related coronavirus isolated from Nathusius' pipistrelle (Pipistrellus nathusii) near Zvenigorod (Moscow region, Russia) / A. S. Speranskaya, I. V. Artiushin, A. E. Samoilov,

E. V. Korneenko, K. V. Khabudaev [h gp.] // International Journal of Environmental Research and Public Health. — 2023. — T. 20, № 4. — C. 3702.

39. A Novel Mastadenovirus from Nyctalus noctula Which Represents a Distinct Evolutionary Branch of Viruses from Bats in Europe / A. S. Speranskaya, A. V. Dorokhin, E. V. Korneenko, I. K. Chudinov, A. E. Samoilov, [et al.] // Viruses. — 2024. — Vol. 16, no. 8. — P. 1207.

40. A pneumonia outbreak associated with a new coronavirus of probable bat origin / P. Zhou, X.-L. Yang, X.-G. Wang, B. Hu, L. Zhang, [et al.] // nature. — 2020. — Vol. 579, no. 7798. — P. 270—273.

41. Laminger, F. Bats and other reservoir hosts of Filoviridae. Danger of epidemic on the African continent?-A deductive literature analysis / F. Laminger, A. Prinz // Wiener klinische Wochenschrift. — 2010. — T. 122. — C. 19—30.

42. Alphacoronaviruses from bats captured in European Russia in 2015 and 2021 are closely related to those of Northern Europe / E. V. Korneenko, A. E. Samoilov, I. K. Chudinov, I. O. Butenko, I. V. Sonets, [et al.] // Frontiers in Ecology and Evolution. — 2024. — Vol. 12. — P. 1324605.

43. Novel coronaviruses and mammarenaviruses of hedgehogs from Russia including the comparison of viral communities of hibernating and active specimens / A. V. Lukina-Gronskaya, I. K. Chudinov, E. V. Korneenko, S. D. Mashkova, T. A. Semashko, [et al.] // Frontiers in Veterinary Science. — 2024. — Vol. 11. — P. 1486635.

44. Detection of African swine fever virus-like sequences in ponds in the Mississippi Delta through metagenomic sequencing / X.-F. Wan, J. L. Barnett,

F. Cunningham, S. Chen, G. Yang [h gp.] // Virus Genes. — 2013. — T. 46. — C. 441—446.

45. Metagenomics for pathogen detection in public health / R. R. Miller, V. Montoya, J. L. Gardy, D. M. Patrick, P. Tang // Genome medicine. — 2013. — T. 5. —

C. 1—14.

46. Biological identifications through DNA barcodes / P. D. Hebert, A. Cywinska, S. L. Ball, J. R. DeWaard // Proceedings of the Royal Society of London. Series B: Biological Sciences. — 2003. — T. 270, № 1512. — C. 313—321.

47. Pragmatic applications and universality of DNA barcoding for substantial organisms at species level: a review to explore a way forward / S. Ahmed, M. Ibrahim, C. Nantasenamat, M. F. Nisar, A. A. Malik [h gp.] // BioMed Research International. — 2022. — T. 2022, № 1. — C. 1846485.

48. DNA barcoding, an effective tool for species identification: a review / S. Antil, J. S. Abraham, S. Sripoorna, S. Maurya, J. Dagar [h gp.] // Molecular biology reports. — 2023. — T. 50, № 1. — C. 761—775.

49. Rani, V. DNA Barcoding Markers: A Comprehensive Review and Taxonomic Classification Across Species / V. Rani, C. Chauhan, R. Sengar // Computational Biology and Chemistry. — 2025. — C. 108872.

50. Structure, function and diversity of the healthy human microbiome // nature. — 2012. — T. 486, № 7402. — C. 207—214.

51. American gut: an open platform for citizen science microbiome research /

D. McDonald, E. Hyde, J. W. Debelius, J. T. Morton, A. Gonzalez [h gp.] // Msystems. — 2018. — T. 3, № 3. — C. 10—1128.

52. Highly comparable metabarcoding results from MGI-Tech and Illumina sequencing platforms / S. Anslan, V. Mikryukov, K. Armolaitis, J. Ankuda,

D. Lazdina [h gp.] // PeerJ. — 2021. — T. 9. — e12254.

53. Comparative analysis of full-length 16s ribosomal RNA genome sequencing in human fecal samples using primer sets with different degrees of degeneracy / C. Waechter, L. Fehse, M. Welzel, D. Heider, L. Babalija [h gp.] // Frontiers in Genetics. — 2023. — T. 14. — C. 1213829.

54. Proteogenomic investigation of plant constituents in herbal beverages / I. K. Chudinov, A. A. Krinitsina, D. A. Petukhova, A. V. Lukina-Gronskaya,

E. V. Korneenko, [et al.] // npj Science of Food. — 2026.

55. PLANiTS: a curated sequence reference dataset for plant ITS DNA metabarcoding / E. Banchi, C. G. Ametrano, S. Greco, D. Stankovic, L. Muggia [h gp.] // Database. — 2020. — T. 2020. — baz155.

56. Valdivia-Granda, W. A. Bioinformatics for biodefense: challenges and opportunities / W. A. Valdivia-Granda // Biosecurity and bioterrorism: biodefense strategy, practice, and science. — 2010. — T. 8, № 1. — C. 69—77.

57. Comparative analysis of shotgun metagenomics and 16S rDNA sequencing of gut microbiota in migratory seagulls / F. Liao, Y. Xia, W. Gu, X. Fu, B. Yuan // PeerJ. — 2023. — T. 11. — e16394.

58. Optimization of proteomic sample preparation procedures for comprehensive protein characterization of pathogenic systems / H. M. Mottaz-Brewer,

A. D. Norbeck, J. N. Adkins, N. P. Manes, C. Ansong [h gp.] // Journal of biomolecular techniques: JBT. — 2008. — T. 19, № 5. — C. 285.

59. Protein analysis by shotgun/bottom-up proteomics / Y. Zhang, B. R. Fonslow,

B. Shan, M.-C. Baek, J. R. Yates III // Chemical reviews. — 2013. — T. 113, № 4. — C. 2343—2394.

60. Identification of pathogenic bacteria from public libraries via proteomics analysis / R. H. Jung, M. Kim, B. Bhatt, J. M. Choi, J. H. Roh // International Journal of Environmental Research and Public Health. — 2019. — T. 16, № 6. —

C. 912.

61. Isolation and characterization of actinobacteria from Algerian Sahara soils with antimicrobial activities / H. Mohamed, B. Miloud, F. Zohra, J. M. Garcia-Arenzana, A. Veloso [h gp.] // International journal of molecular and cellular medicine. — 2017. — T. 6, № 2. — C. 109.

62. Application of MALDI-TOF MS for the identification of food borne bacteria / M. Pavlovic, I. Huber, R. Konrad, U. Busch // The open microbiology journal. — 2013. — T. 7. — C. 135.

63. Mermelekas, G. SRM/MRM targeted proteomics as a tool for biomarker validation and absolute quantification in human urine / G. Mermelekas, A. Vlahou, J. Zoidakis // Expert review of molecular diagnostics. — 2015. — T. 15, № 11. — C. 1441—1454.

64. High-sensitivity MALDI-TOF MS quantification of anthrax lethal toxin for diagnostics and evaluation of medical countermeasures / A. E. Boyer, M. Gallegos-Candela, C. P. Quinn, A. R. Woolfitt, J. O. Brumlow [h gp.] // Analytical and bioanalytical chemistry. — 2015. — T. 407. — C. 2847—2858.

65. A two-stage multiplex method for quantitative analysis of botulinum neurotoxins type A, B, E, and F by MALDI-TOF mass spectrometry / D. Wang, J. Baudys, J. Krilich, T. J. Smith, J. R. Barr [h gp.] // Analytical chemistry. — 2014. — T. 86, № 21. — C. 10847—10854.

66. Alam, S. I. Multiplex detection of protein toxins using MALDI-TOF-TOF tandem mass spectrometry: application in unambiguous toxin detection from bioaerosol / S. I. Alam, B. Kumar, D. V. Kamboj // Analytical chemistry. — 2012. — T. 84, № 23. — C. 10500—10507.

67. Mass-spectrometric detection of SARS-CoV-2 virus in scrapings of the epithelium of the nasopharynx of infected patients via nucleocapsid N protein / E. N. Nikolaev, M. I. Indeykina, A. G. Brzhozovskiy, A. E. Bugrova, A. S. Kononikhin [h gp.] // Journal of proteome research. — 2020. — T. 19, № 11. — C. 4393—4397.

68. Targeted proteomics as a tool to detect SARS-CoV-2 proteins in clinical specimens / K. Bezstarosti, M. M. Lamers, W. A. Doff, P. C. Wever, K. T. Thai [h gp.] // PLoS One. — 2021. — T. 16, № 11. - e0259165.

69. Identification of SARS-CoV-2 proteins from nasopharyngeal swabs probed by multiple reaction monitoring Tandem Mass Spectrometry / G. Pinto, A. Illiano, V. Ferrucci, F. Quarantelli, C. Fontanarosa [h gp.] // ACS omega. — 2021. — T. 6, № 50. — C. 34945—34953.

70. Shotgun metaproteomics of the human distal gut microbiota / N. C. Verberkmoes, A. L. Russell, M. Shah, A. Godzik, M. Rosenquist [h gp.] // The ISME journal. — 2009. — T. 3, № 2. — C. 179—189.

71. Strain-resolved community proteomics reveals recombining genomes of acidophilic bacteria / I. Lo, V. J. Denef, N. C. VerBerkmoes, M. B. Shah, D. Goltsman [h gp.] // Nature. — 2007. — T. 446, № 7135. — C. 537—541.

72. Physiological proteomics of the uncultured endosymbiont of Riftia pachyptila / S. Markert, C. Arndt, H. Felbeck, D. Becher, S. M. Sievert [h gp.] // Science. — 2007. — T. 315, № 5809. — C. 247—250.

73. Procedures for large-scale metabolic profiling of serum and plasma using gas chromatography and liquid chromatography coupled to mass spectrometry / W. B. Dunn, D. Broadhurst, P. Begley, E. Zelena, S. Francis-McIntyre, [et al.] // Nature protocols. — 2011. — Vol. 6, no. 7. — P. 1060—1083.

74. Nicholson, J. K. 'Metabonomics': understanding the metabolic responses of living systems to pathophysiological stimuli via multivariate statistical analysis of biological NMR spectroscopic data / J. K. Nicholson, J. C. Lindon, E. Holmes // Xenobiotica. — 1999. — Vol. 29, no. 11. — P. 1181—1189.

75. Metabolomics, pathway regulation, and pathway discovery / G.-F. Zhang, S. Sad-hukhan, G. P. Tochtrop, H. Brunengraber // Journal of biological chemistry. — 2011. — Vol. 286, no. 27. — P. 23631—23635.

76. Tuberculosis is associated with sputum metabolome variations, irrespective of patient sex or HIV status: an untargeted GCxGC-TOFMS study / D. Beukes, M. Van Reenen, D. T. Loots, I. Du Preez // Metabolomics. — 2023. — Vol. 19, no. 6. — P. 55.

77. Yu, Y. Biomarker discovery for tuberculosis using metabolomics / Y. Yu, X.-X. Jiang, J.-C. Li // Frontiers in molecular biosciences. — 2023. — Vol. 10. — P. 1099654.

78. Nguyen, C. T. Global metabolomic analysis of a mammalian host infected with Bacillus anthracis / C. T. Nguyen, V. Shetty, A. W. Maresso // Infection and immunity. — 2015. — Vol. 83, no. 12. — P. 4811-4825.

79. Metabolomics of Mycobacterium tuberculosis / M. Nandakumar, G. A. Prosser, L. P. S. de Carvalho, K. Rhee // Mycobacteria Protocols. — 2015. — P. 105—115.

80. Mapping and quantifying mammalian transcriptomes by RNA-Seq / A. Mor-tazavi, B. A. Williams, K. McCue, L. Schaeffer, B. Wold // Nature methods. — 2008. — Vol. 5, no. 7. — P. 621—628.

81. Wang, Z. RNA-Seq: a revolutionary tool for transcriptomics / Z. Wang, M. Gerstein, M. Snyder // Nature reviews genetics. — 2009. — Vol. 10, no. 1. — P. 57—63.

82. A survey of best practices for RNA-seq data analysis / A. Conesa, P. Madrigal, S. Tarazona, D. Gomez-Cabrero, A. Cervera, [et al.] // Genome biology. — 2016. — Vol. 17. — P. 1—19.

83. NMR spectroscopy for metabolomics research / A.-H. Emwas, R. Roy, R. T. McKay, L. Tenori, E. Saccenti, [et al.] // Metabolites. — 2019. — Vol. 9, no. 7. — P. 123.

84. Köster, J. Snakemake—a scalable bioinformatics workflow engine / J. Köster, S. Rahmann // Bioinformatics. — 2012. — T. 28, № 19. — C. 2520—2522.

85. Nextflow enables reproducible computational workflows / P. Di Tommaso, M. Chatzou, E. W. Floden, P. P. Barja, E. Palumbo [h gp.] // Nature biotechnology. — 2017. — T. 35, № 4. — C. 316—319.

86. Alkan, C. Limitations of next-generation genome sequence assembly / C. Alkan, S. Sajjadian, E. E. Eichler // Nature methods. — 2011. — T. 8, № 1. — C. 61—65.

87. A whole-genome assembly of Drosophila / E. W. Myers, G. G. Sutton, A. L. Delcher, I. M. Dew, D. P. Fasulo [h gp.] // Science. — 2000. — T. 287, № 5461. — C. 2196—2204.

88. Assembling genomes and mini-metagenomes from highly chimeric reads / S. Nurk, A. Bankevich, D. Antipov, A. Gurevich, A. Korobeynikov [h gp.] // Research in Computational Molecular Biology: 17th Annual International Conference, RECOMB 2013, Beijing, China, April 7-10, 2013. Proceedings 17. — Springer. 2013. — C. 158—170.

89. Zerbino, D. R. Velvet: algorithms for de novo short read assembly using de Bruijn graphs / D. R. Zerbino, E. Birney // Genome research. — 2008. — T. 18, № 5. — C. 821—829.

90. ABySS: a parallel assembler for short read sequence data / J. T. Simpson, K. Wong, S. D. Jackman, J. E. Schein, S. J. Jones [h gp.] // Genome research. — 2009. — T. 19, № 6. — C. 1117—1123.

91. Canu: scalable and accurate long-read assembly via adaptive k-mer weighting and repeat separation / S. Koren, B. P. Walenz, K. Berlin, J. R. Miller, N. H. Bergman [h gp.] // Genome research. — 2017. — T. 27, № 5. — C. 722—736.

92. Ruan, J. Fast and accurate long-read assembly with wtdbg2 / J. Ruan, H. Li // Nature methods. — 2020. — T. 17, № 2. — C. 155—158.

93. NextDenovo: an efficient error correction and accurate assembly tool for noisy long reads / J. Hu, Z. Wang, Z. Sun, B. Hu, A. O. Ayoola [h gp.] // Genome Biology. — 2024. — T. 25, № 1. — C. 107.

94. Assembly of long, error-prone reads using repeat graphs / M. Kolmogorov, J. Yuan, Y. Lin, P. A. Pevzner // Nature biotechnology. — 2019. — T. 37, № 5. — C. 540—546.

95. Unicycler: resolving bacterial genome assemblies from short and long sequencing reads / R. R. Wick, L. M. Judd, C. L. Gorrie, K. E. Holt // PLoS computational biology. — 2017. — T. 13, № 6. — e1005595.

96. Trycycler: consensus long-read assemblies for bacterial genomes / R. R. Wick, L. M. Judd, L. T. Cerdeira, J. Hawkey, G. Méric [h gp.] // Genome biology. — 2021. —T. 22. — C. 1—17.

97. Wick, R. R. Assembling the perfect bacterial genome using Oxford Nanopore and Illuminasequencing/R. R. Wick, L. M. Judd, K. E. Holt//PLOS Computational Biology. — 2023. — T. 19, № 3. — e1010905.

98. nf-core/bacass: v2.4.0 / D. VM, A. Peltzer, D. Straub, nf-core bot, F. Wuennemann [h gp.]. — Bep. 2.4.0. — 11.2024. — URL: https : / / doi. org/10.5281/zenodo.14180424.

99. Wick, R. rrwick/Autocycler: Autocycler v0.4.0 / R. Wick, T. Stanton. — Bep. v0.4.0. — 04.2025. — URL: https://doi.org/10.5281/zenodo.15266460.

100. Multiplex PCR method for MinION and Illumina sequencing of Zika and other virus genomes directly from clinical samples / J. Quick, N. D. Grubaugh, S. T. Pullan, I. M. Claro, A. D. Smith [h gp.] // Nature protocols. — 2017. — T. 12, № 6. — C. 1261—1276.

101. An amplicon-based sequencing framework for accurately measuring intrahost virus diversity using PrimalSeq and iVar / N. D. Grubaugh, K. Gangavarapu, J. Quick, N. L. Matteson, J. G. De Jesus [h gp.] // Genome biology. — 2019. — T. 20. — C. 1—19.

102. nf-core/viralrecon: nf-core/viralrecon v2.6.0 - Rhodium Raccoon / H. Patel, S. Monzón, S. Varona, J. Espinosa-Carrasco, M. U. Garcia [h gp.]. — Bep. 2.6.0. — 03.2023. — URL: https://doi.org/10.5281/zenodo.7764938.

103. The Genome Analysis Toolkit: a MapReduce framework for analyzing next-generation DNA sequencing data / A. McKenna, M. Hanna, E. Banks, A. Sivachenko, K. Cibulskis [h gp.] // Genome research. — 2010. — T. 20, № 9. — C. 1297—1303.

104. Antibiotic resistance and viral co-infection in children diagnosed with pneumonia caused by Mycoplasma pneumoniae admitted to Russian hospitals during October 2023—February 2024 / E. Korneenko, I. Rog, I. Chudinov, A. Lukina-Gronskaya, A. Kozyreva, [et al.] // BMC Infectious Diseases. — 2025. — Vol. 25, no. 1. — P. 363.

105. Li, H. Aligning sequence reads, clone sequences and assembly contigs with BWA-MEM / H. Li // arXiv preprint arXiv:1303.3997. — 2013.

106. Langmead, B. Fast gapped-read alignment with Bowtie 2 / B. Langmead, S. L. Salzberg // Nature methods. — 2012. — Т. 9, № 4. — С. 357-359.

107. Li, H. Minimap2: pairwise alignment for nucleotide sequences / H. Li // Bioinformatics. — 2018. — Т. 34, № 18. — С. 3094—3100.

108. Twelve years of SAMtools and BCFtools / P. Danecek, J. K. Bonfield, J. Liddle, J. Marshall, V. Ohan [и др.] // Gigascience. — 2021. — Т. 10, № 2. — giab008.

109. A universal SNP and small-indel variant caller using deep neural networks / R. Poplin, P.-C. Chang, D. Alexander, S. Schwartz, T. Colthurst [и др.] // Nature biotechnology. — 2018. — Т. 36, № 10. — С. 983—987.

110. Technologies, O. N. Medaka: Sequence correction provided by ONT Research / O. N. Technologies. — (Последнее обращение 01 February 2025). Онлайн-ресурс: https://github.com/nanoporetech/medaka.

111. Database resources of the National Center for Biotechnology Information in 2025 / E. W. Sayers, J. Beck, E. E. Bolton, J. R. Brister, J. Chan [и др.] // Nucleic Acids Research. — 2025. — Т. 53, № D1. — С. D20—D29.

112. The ATCC genome portal: 3,938 authenticated microbial reference genomes / S. V. Nguyen, N. P. Puthuveetil, J. R. Petrone, J. L. Kirkland, K. Gaffney [и др.] // Microbiology Resource Announcements. — 2024. — Т. 13, № 2. — e01045—23.

113. metaSPAdes: a new versatile metagenomic assembler / S. Nurk, D. Meleshko, A. Korobeynikov, P. A. Pevzner // Genome research. — 2017. — Т. 27, № 5. — С. 824—834.

114. Metaviral SPAdes: assembly of viruses from metagenomic data / D. Antipov, M. Raiko, A. Lapidus, P. A. Pevzner // Bioinformatics. — 2020. — Т. 36, № 14. — С. 4126—4129.

115. MEGAHIT: an ultra-fast single-node solution for large and complex metagenomics assembly via succinct de Bruijn graph / D. Li, C.-M. Liu, R. Luo, K. Sadakane, T.-W. Lam // Bioinformatics. — 2015. — T. 31, № 10. — C. 1674—1676.

116. Sharpton, T. J. An introduction to the analysis of shotgun metagenomic data / T. J. Sharpton // Frontiers in plant science. — 2014. — T. 5. — C. 209.

117. Steinegger, M. MMseqs2 enables sensitive protein sequence searching for the analysis of massive data sets / M. Steinegger, J. Söding // Nature biotechnology. — 2017. — T. 35, № 11. — C. 1026—1028.

118. Wood, D. E. Improved metagenomic analysis with Kraken 2 / D. E. Wood, J. Lu,

B. Langmead // Genome biology. — 2019. — T. 20. — C. 1—13.

119. AliMarko: A Pipeline for Virus Identification Using an Expert-Guided Approach / N. Popov, I. Sonets, A. Evdokimova, M. Molchanova, V. Panova [h gp.] // Viruses. — 2025. — T. 17, № 3. — C. 355.

120. VirSorter2: a multi-classifier, expert-guided approach to detect diverse DNA and RNA viruses / J. Guo, B. Bolduc, A. A. Zayed, A. Varsani, G. Dominguez-Huerta [h gp.] // Microbiome. — 2021. — T. 9. — C. 1—13.

121. nf-core/mag: a best-practice pipeline for metagenome hybrid assembly and binning / S. Krakau, D. Straub, H. Gourle, G. Gabernet, S. Nahnsen // NAR genomics and bioinformatics. — 2022. — T. 4, № 1. — lqac007.

122. PhageScope: a well-annotated bacteriophage database with automatic analyses and visualizations / R. H. Wang, S. Yang, Z. Liu, Y. Zhang, X. Wang [h gp.] // Nucleic acids research. — 2024. — T. 52, № D1. — C. D756—D761.

123. Identifying viruses from metagenomic data using deep learning / J. Ren, K. Song,

C. Deng, N. A. Ahlgren, J. A. Fuhrman [h gp.] // Quantitative Biology. — 2020. — T. 8, № 1. — C. 64—77.

124. Uncovering Earth's virome / D. Paez-Espino, E. A. Eloe-Fadrosh, G. A. Pavlopoulos, A. D. Thomas, M. Huntemann [h gp.] // Nature. — 2016. — T. 536, № 7617. — C. 425—430.

125. Santiago-Rodriguez, T. M. Unraveling the viral dark matter through viral metagenomics / T. M. Santiago-Rodriguez, E. B. Hollister // Frontiers in immunology. — 2022. — T. 13. — C. 1005107.

126. BLAST+: architecture and applications / C. Camacho, G. Coulouris, V. Avagyan, N. Ma, J. Papadopoulos [и др.] // BMC bioinformatics. — 2009. — Т. 10. — С. 1-9.

127. Li, W. Cd-hit: a fast program for clustering and comparing large sets of protein or nucleotide sequences / W. Li, A. Godzik // Bioinformatics. — 2006. — Т. 22, № 13. — С. 1658—1659.

128. Defining operational taxonomic units using DNA barcode data / M. Blaxter, J. Mann, T. Chapman, F. Thomas, C. Whitton [и др.] // Philosophical Transactions of the Royal Society B: Biological Sciences. — 2005. — Т. 360, № 1462. — С. 1935—1943.

129. The Ribosomal Database Project: improved alignments and new tools for rRNA analysis / J. R. Cole, Q. Wang, E. Cardenas, J. Fish, B. Chai [и др.] // Nucleic acids research. — 2009. — Т. 37, suppl_1. — С. D141—D145.

130. Hall, M. 16S rRNA gene analysis with QIIME2 / M. Hall, R. G. Beiko // Microbiome analysis: methods and protocols. — 2018. — С. 113—129.

131. The SILVA ribosomal RNA gene database project: improved data processing and web-based tools / C. Quast, E. Pruesse, P. Yilmaz, J. Gerken, T. Schweer [и др.] // Nucleic acids research. — 2012. — Т. 41, № D1. — С. D590—D596.

132. Greengenes, a chimera-checked 16S rRNA gene database and workbench compatible with ARB / T. Z. DeSantis, P. Hugenholtz, N. Larsen, M. Rojas, E. L. Brodie [и др.] // Applied and environmental microbiology. — 2006. — Т. 72, № 7. — С. 5069—5072.

133. The UNITE database for molecular identification and taxonomic communication of fungi and other eukaryotes: sequences, taxa and classifications reconsidered / K. Abarenkov, R. H. Nilsson, K.-H. Larsson, A. F. Taylor, T. W. May [и др.] // Nucleic Acids Research. — 2024. — Т. 52, № D1. — С. D791—D797.

134. Interpretations of environmental microbial community studies are biased by the selected 16S rRNA (gene) amplicon sequencing pipeline / D. Straub, N. Blackwell, A. Langarica-Fuentes, A. Peltzer, S. Nahnsen [и др.] // Frontiers in Microbiology. — 2020. — Т. 11. — С. 550420.

135. EPI2ME. EPI2ME Labs: 16S rRNA / EPI2ME. — (Последнее обращение 01 February 2025). Онлайн-ресурс: https://github.com/epi2me-labs/wf-16s.

136. Eng, J. K. An approach to correlate tandem mass spectral data of peptides with amino acid sequences in a protein database / J. K. Eng, A. L. McCormack, J. R. Yates // Journal of the american society for mass spectrometry. — 1994. — T. 5, № 11. — C. 976—989.

137. Probability-based protein identification by searching sequence databases using mass spectrometry data / D. N. Perkins, D. J. Pappin, D. M. Creasy, J. S. Cottrell // ELECTROPHORESIS: An International Journal. — 1999. — T. 20, № 18. —

C. 3551—3567.

138. Craig, R. TANDEM: matching proteins with tandem mass spectra / R. Craig, R. C. Beavis // Bioinformatics. — 2004. — T. 20, № 9. — C. 1466—1467.

139. Cox, J. MaxQuant enables high peptide identification rates, individualized ppb-range mass accuracies and proteome-wide protein quantification / J. Cox, M. Mann // Nature biotechnology. — 2008. — T. 26, № 12. — C. 1367—1372.

140. MSFragger: ultrafast and comprehensive peptide identification in mass spectrometry-based proteomics / A. T. Kong, F. V. Leprevost, D. M. Avtonomov,

D. Mellacheruvu, A. I. Nesvizhskii // Nature methods. — 2017. — T. 14, № 5. — C. 513—520.

141. Lazear, M. R. Sage: an open-source tool for fast proteomics searching and quantification at scale / M. R. Lazear // Journal of Proteome Research. — 2023. — T. 22, № 11. — C. 3652—3659.

142. A two-step database search method improves sensitivity in peptide sequence matches for metaproteomics and proteogenomics studies / P. Jagtap, J. Goslinga, J. A. Kooren, T. McGowan, M. S. Wroblewski [h gp.] // Proteomics. — 2013. — T. 13, № 8. — C. 1352—1357.

143. UniProt: the Universal protein knowledgebase in 2025 // Nucleic Acids Research. — 2025. — Vol. 53, no. D1. — P. D609—D617.

144. Chiang, Y. Orthrus: an AI-powered, cloud-ready, and open-source hybrid approach for metaproteomics / Y. Chiang, M. J. Collins // bioRxiv. — 2024. — P. 2024—11.

145. MetaPro-IQ: a universal metaproteomic approach to studying human and mouse gut microbiota / X. Zhang, Z. Ning, J. Mayne, J. I. Moore, J. Li [h gp.] // Microbiome. — 2016. — T. 4. — C. 1—12.

146. MetaNovo: An open-source pipeline for probabilistic peptide discovery in complex metaproteomic datasets / M. G. Potgieter, A. J. Nel, S. Fortuin, S. Garnett, J. M. Wendoh [h gp.] // PLOS Computational Biology. — 2023. — T. 19, № 6. — e1011163.

147. DirecTag: accurate sequence tags from peptide MS/MS through statistical scoring / D. L. Tabb, Z.-Q. Ma, D. B. Martin, A.-J. L. Ham, M. C. Chambers // Journal of proteome research. — 2008. — T. 7, № 9. — C. 3838—3846.

148. De novo mass spectrometry peptide sequencing with a transformer model / M. Yilmaz, W. Fondrie, W. Bittremieux, S. Oh, W. S. Noble // International Conference on Machine Learning. — PMLR. 2022. — C. 25514—25522.

149. Stamboulian, M. Using high-abundance proteins as guides for fast and effective peptide/protein identification from human gut metaproteomic data / M. Stamboulian, S. Li, Y. Ye // Microbiome. — 2021. — T. 9. — C. 1—17.

150. Rapid identification viruses from nasal pharyngeal aspirates in acute viral respiratory infections by RT-PCR and electrospray ionization mass spectrometry / K.-F. Chen, R. E. Rothman, P. Ramachandran, L. Blyn, R. Sampath [h gp.] // Journal of virological methods. — 2011. — T. 173, № 1. — C. 60—66.

151. Evaluation of the Pan Influenza detection kit utilizing the PLEX-ID and influenza samples from the 2011 respiratory season / L. A. Murillo, J. Hardick, K. Jeng, C. A. Gaydos // Journal of virological methods. — 2013. — T. 193, № 1. — C. 173—176.

152. Proteogenomics: needs and roles to be filled by proteomics in genome annotation / C. Ansong, S. O. Purvine, J. N. Adkins, M. S. Lipton, R. D. Smith // Briefings in Functional Genomics and Proteomics. — 2008. — T. 7, № 1. — C. 50—62.

153. Complete genome and proteome of Acholeplasma laidlawii / V. Lazarev, S. Levitskii, Y. Basovskii, M. Chukin, T. Akopian [h gp.] // Journal of Bacteriology. — 2011. — T. 193, № 18. — C. 4943—4953.

154. Extending and improving metagenomic taxonomic profiling with uncharacterized species using MetaPhlAn 4 / A. Blanco-Miguez, F. Beghini, F. Cumbo, L. J. Mclver, K. N. Thompson [h gp.] // Nature Biotechnology. — 2023. — T. 41, № 11. — C. 1633—1644.

155. Relating the metatranscriptome and metagenome of the human gut / E. A. Franzosa, X. C. Morgan, N. Segata, L. Waldron, J. Reyes [и др.] // Proceedings of the National Academy of Sciences. — 2014. — Т. 111, № 22. — E2329—E2338.

156. Integrated metagenomics/metaproteomics reveals human host-microbiota signatures of Crohn's disease / A. R. Erickson, B. L. Cantarel, R. Lamendella, Y. Darzi, E. F. Mongodin [и др.] // PloS one. — 2012. — Т. 7, № 11. — e49138.

157. A straightforward and efficient analytical pipeline for metaproteome characterization / A. Tanca, A. Palomba, S. Pisanu, M. Deligios, C. Fraumene [и др.] // Microbiome. — 2014. — Т. 2. — С. 1—16.

158. Tang, H. A graph-centric approach for metagenome-guided peptide and protein identification in metaproteomics / H. Tang, S. Li, Y. Ye // PLoS computational biology. — 2016. — Т. 12, № 12. — e1005224.

159. Li, S. A meta-proteogenomic approach to peptide identification incorporating assembly uncertainty and genomic variation / S. Li, H. Tang, Y. Ye // Molecular & Cellular Proteomics. — 2019. — Т. 18, № 8. — S183—S192.

160. Illuminating structural proteins in viral "dark matter" with metaproteomics / J. R. Brum, J. C. Ignacio-Espinoza, E.-H. Kim, G. Trubl, R. M. Jones [и др.] // Proceedings of the National Academy of Sciences. — 2016. — Т. 113, № 9. — С. 2436—2441.

161. Genome-resolved metaproteomics decodes the microbial and viral contributions to coupled carbon and nitrogen cycling in river sediments / J. A. Rodríguez-Ramos, M. A. Borton, B. B. McGivern, G. J. Smith, L. M. Solden [и др.] // Msystems. — 2022. — Т. 7, № 4. — e00516—22.

162. Combined NGS and Proteomics Improves Viral Diagnostics in Wildlife: Coro-naviruses Confirmed in Hedgehogs / I. Chudinov, E. Korneenko, I. Rog, A. Lukina-Gronskaya, A. Kovalenko, [et al.] // Frontiers in Veterinary Science. — 2026. — Подана в печать.

163. Chanock, R. M. Growth on artificial medium of an agent associated with atypical pneumonia and its identification as a PPLO / R. M. Chanock, L. Hayflick, M. Barile // Proceedings of the National Academy of Sciences. — 1962. — Т. 48, № 1. — С. 41—49.

164. Comparative analysis of Illumina and Ion Torrent high-throughput sequencing platforms for identification of plant components in herbal teas / A. S. Speranskaya, K. Khafizov, A. A. Ayginin, A. A. Krinitsina, D. O. Omelchenko [и др.] // Food control. — 2018. — Т. 93. — С. 315—324.

165. Improved protocols of ITS1-based metabarcoding and their application in the analysis of plant-containing products / D. O. Omelchenko, A. S. Speranskaya, A. A. Ayginin, K. Khafizov, A. A. Krinitsina [и др.] // Genes. — 2019. — Т. 10, № 2. — С. 122.

166. Genomic surveillance of the pneumonia outbreak caused by Mycoplasma pneu-moniae among patients in Russia from January 2024 to June 2025 / E. Ko-rneenko, I. Rog, I. Chudinov, A. Kozyreva, D. Sandanova, [et al.] // Frontiers in Cellular and Infection Microbiology. — 2026. — Vol. 16. — P. 1736929.

167. Osorio, D. Peptides: a package for data mining of antimicrobial peptides / D. Osorio, P. Rondon-Villarreal, R. Torres // The R Journal. — 2015. — Т. 7, № 1. — С. 4—14.

168. R Core Team. R: A Language and Environment for Statistical Computing / R Core Team; R Foundation for Statistical Computing. — Vienna, Austria, 2021. — URL: https://www.R-project.org/.

169. Andrews, S. FastQC / S. Andrews. — (Последнее обращение 01 February 2025). Онлайн-ресурс: https://www.bioinformatics.babraham.ac.uk/projects/ fastqc/.

170. Bolger, A. M. Trimmomatic: a flexible trimmer for Illumina sequence data / A. M. Bolger, M. Lohse, B. Usadel // Bioinformatics. — 2014. — Т. 30, № 15. — С. 2114—2120.

171. fastp: an ultra-fast all-in-one FASTQ preprocessor / S. Chen, Y. Zhou, Y. Chen, J. Gu // Bioinformatics. — 2018. — Т. 34, № 17. — С. i884—i890.

172. Martin, M. Cutadapt removes adapter sequences from high-throughput sequencing reads / M. Martin // EMBnet. journal. — 2011. — Т. 17, № 1. — С. 10—12.

173. Graph-based genome alignment and genotyping with HISAT2 and HISAT-genotype / D. Kim, J. M. Paggi, C. Park, C. Bennett, S. L. Salzberg // Nature biotechnology. — 2019. — Т. 37, № 8. — С. 907—915.

174. Bushnell, B. BBMap: A Fast, Accurate, Splice-Aware Aligner / B. Bushnell. — 2014. — OHnaHH-pecypc: https://github.com/bbushnell/BBTools.

175. SPAdes: a new genome assembly algorithm and its applications to single-cell sequencing / A. Bankevich, S. Nurk, D. Antipov, A. A. Gurevich, M. Dvorkin [h gp.] // Journal of computational biology. — 2012. — T. 19, № 5. — C. 455—477.

176. Chudinov, I. K. Facilitating rapid screening of metaviral data with the VERA pipeline /1. K. Chudinov, A. S. Speranskaya // Mathematical Biology and Bioinformatics. — 2025. — Vol. 20, no. 1. — P. 100—121.

177. Unipro UGENE: a unified bioinformatics toolkit / K. Okonechnikov, O. Golosova, M. Fursov, U. Team // Bioinformatics. — 2012. — T. 28, № 8. — C. 1166—1167.

178. A program for annotating and predicting the effects of single nucleotide polymorphisms, SnpEff: SNPs in the genome of Drosophila melanogaster strain w1118; iso-2; iso-3 / P. Cingolani, A. Platts, M. Coon, T. Nguyen, L. Wang [h gp.] // Fly. — 2012. — T. 6, № 2. — C. 80—92.

179. DADA2: High-resolution sample inference from Illumina amplicon data /

B. J. Callahan, P. J. McMurdie, M. J. Rosen, A. W. Han, A. J. A. Johnson [h gp.] // Nature methods. — 2016. — T. 13, № 7. — C. 581—583.

180. De Coster, W. NanoPack2: population-scale evaluation of long-read sequencing data / W. De Coster, R. Rademakers // Bioinformatics. — 2023. — T. 39, № 5. — btad311.

181. QUAST: quality assessment tool for genome assemblies / A. Gurevich, V. Saveliev, N. Vyahhi, G. Tesler // Bioinformatics. — 2013. — T. 29, № 8. —

C. 1072—1075.

182. RefSeq: expanding the Prokaryotic Genome Annotation Pipeline reach with protein family model curation / W. Li, K. R. O'Neill, D. H. Haft, M. DiCuccio, V. Chetvernin [h gp.] // Nucleic acids research. — 2021. — T. 49, № D1. — C. D1020—D1028.

183. AMRFinderPlus and the Reference Gene Catalog facilitate examination of the genomic links among antimicrobial resistance, stress response, and virulence / M. Feldgarden, V. Brover, N. Gonzalez-Escalona, J. G. Frye, J. Haendiges [h gp.] // Scientific reports. — 2021. — T. 11, № 1. — C. 12728.

184. MEGARes 2.0: a database for classification of antimicrobial drug, biocide and metal resistance determinants in metagenomic sequence data / E. Doster, S. M. Lakin, C. J. Dean, C. Wolfe, J. G. Young [h gp.] // Nucleic acids research. — 2020. — T. 48, № D1. — C. D561—D569.

185. Identification of mobile genetic elements with geNomad / A. P. Camargo, S. Roux, F. Schulz, M. Babinski, Y. Xu [h gp.] // Nature biotechnology. — 2024. — T. 42, № 8. — C. 1303—1312.

186. Van Rossum, G. Python 3 Reference Manual / G. Van Rossum, F. L. Drake. — Scotts Valley, CA : CreateSpace, 2009.

187. SeqKit: a cross-platform and ultrafast toolkit for FASTA/Q file manipulation / W. Shen, S. Le, Y. Li, F. Hu // PloS one. — 2016. — T. 11, № 10. — e0163962.

188. Shen, W. SeqKit2: A Swiss army knife for sequence and alignment processing / W. Shen, B. Sipos, L. Zhao // iMeta. — 2024. — e191.

189. Symphonizing pileup and full-alignment for deep learning-based long-read variant calling / Z. Zheng, S. Li, J. Su, A. W.-S. Leung, T.-W. Lam [h gp.] // Nature Computational Science. — 2022. — T. 2, № 12. — C. 797—803.

190. Quinlan, A. R. BEDTools: a flexible suite of utilities for comparing genomic features / A. R. Quinlan, I. M. Hall // Bioinformatics. — 2010. — T. 26, № 6. — C. 841—842.

191. A statistical model for identifying proteins by tandem mass spectrometry / A. I. Nesvizhskii, A. Keller, E. Kolker, R. Aebersold // Analytical chemistry. — 2003. — T. 75, № 17. — C. 4646-4658.

192. Semi-supervised learning for peptide identification from shotgun proteomics datasets / L. Kall, J. D. Canterbury, J. Weston, W. S. Noble, M. J. MacCoss // Nature methods. — 2007. — T. 4, № 11. — C. 923—925.

193. Philosopher: a versatile toolkit for shotgun proteomics data analysis / F. da Veiga Leprevost, S. E. Haynes, D. M. Avtonomov, H.-Y. Chang, A. K. Shanmugam [h gp.] // Nature methods. — 2020. — T. 17, № 9. — C. 869-870.

194. Yu, F. IonQuant enables accurate and sensitive label-free quantification with FDR-controlled match-between-runs / F. Yu, S. E. Haynes, A. I. Nesvizhskii // Molecular & Cellular Proteomics. — 2021. — T. 20. — C. 100077.

195. Reference sequence (RefSeq) database at NCBI: current status, taxonomic expansion, and functional annotation / N. A. O'Leary, M. W. Wright, J. R. Brister, S. Ciufo, D. Haddad [и др.] // Nucleic acids research. — 2016. — Т. 44, № D1. — С. D733—D745.

196. Pyteomics—a Python framework for exploratory data analysis and rapid software prototyping in proteomics / A. A. Goloborodko, L. I. Levitsky, M. V. Ivanov, M. V. Gorshkov // Journal of The American Society for Mass Spectrometry. — 2013. — Т. 24, № 2. — С. 301—304.

197. Pyteomics 4.0: five years of development of a Python proteomics framework / L. I. Levitsky, J. A. Klein, M. V. Ivanov, M. V. Gorshkov // Journal of proteome research. — 2018. — Т. 18, № 2. — С. 709—714.

198. Scikit-learn: Machine learning in Python / F. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, B. Thirion [и др.] // the Journal of machine Learning research. — 2011. — Т. 12. — С. 2825—2830.

199. Biopython: freely available Python tools for computational molecular biology and bioinformatics / P. J. A. Cock, T. Antao, J. T. Chang, B. A. Chapman, C. J. Cox [и др.] // Bioinformatics. — 2009. — Март. — Т. 25, № 11. — С. 1422—1423. — eprint: https://academic.oup.com/bioinformatics/article-pdf/25/11/1422/48989335/bioinformatics\_25\_11\_1422.pdf. — URL: https: //doi.org/10.1093/bioinformatics/btp163.

200. McKinney, W. Proceedings of the 9th Python in Science Conference / W. McKinney, S. van der Walt, J. Millman. — 2010.

201. pandas-dev/pandas: Pandas 1.0.5/ J. Reback, W. McKinney, J. Van Den Bossche, T. Augspurger, P. Cloud [и др.] // Zenodo. — 2020.

202. Visual Studio Code. — (Последнее обращение 01 February 2025). Онлайн-ресурс: https://code.visualstudio.com/.

203. The nf-core framework for community-curated bioinformatics pipelines / P. A. Ewels, A. Peltzer, S. Fillinger, H. Patel, J. Alneberg [и др.] // Nature biotechnology. — 2020. — Т. 38, № 3. — С. 276—278.

204. Jupyter Notebooks-a publishing format for reproducible computational workflows / T. Kluyver, B. Ragan-Kelley, F. Pérez, B. Granger, M. Bussonnier [и др.] // Positioning and power in academic publishing: Players, agents and agendas. — IOS press, 2016. — С. 87—90.

205. Array programming with NumPy / C. R. Harris, K. J. Millman, S. J. Van Der Walt, R. Gommers, P. Virtanen [и др.] // Nature. — 2020. — Т. 585, № 7825. — С. 357—362.

206. Hunter, J. D. Matplotlib: A 2D graphics environment / J. D. Hunter // Computing in science & engineering. — 2007. — Т. 9, № 03. — С. 90—95.

207. Waskom, M. L. Seaborn: statistical data visualization / M. L. Waskom // Journal of Open Source Software. — 2021. — Т. 6, № 60. — С. 3021.

208. Python Package Index - PyPI. — (Последнее обращение 01 February 2025). Онлайн-ресурс: https://pypi.org/.

209. Anaconda Software Distribution. — 2020. — URL: https://docs.anaconda.com/.

210. community, conda-forge. The conda-forge Project: Community-based Software. Distribution Built on the conda Package Format and. Ecosystem / conda-forge community. — 07.2015. — URL: https://doi.org/10.5281/zenodo.4774216.

211. Inkscape. — (Последнее обращение 01 February 2025). Онлайн-ресурс: https: //inkscape.org.

212. Chen, L. COBRA improves the completeness and contiguity of viral genomes assembled from metagenomes / L. Chen, J. F. Banfield // Nature Microbiology. — 2024. — Т. 9, № 3. — С. 737—750.

213. Seemann, T. Prokka: rapid prokaryotic genome annotation / T. Seemann // Bioinformatics. — 2014. — Т. 30, № 14. — С. 2068—2069.

214. Prediction of proteinase cleavage sites in polyproteins of coronaviruses and its applications in analyzing SARS-CoV genomes / F. Gao, H.-Y. Ou, L.-L. Chen, W.-X. Zheng, C.-T. Zhang // FEBS letters. — 2003. — Т. 553, № 3. — С. 451—456.

215. Steinegger, M. MMseqs2 User Guide / M. Steinegger, J. Soding, M. Mirdita. — (Последнее обращение 01 February 2025). Онлайн-ресурс: https ://github. com/soedinglab/mmseqs2/wiki.

216. Free Software Foundation, I. gunzip /1. Free Software Foundation. — (Последнее обращение 01 February 2025). Онлайн-ресурс: https://www.gnu.org/ software/gzip/manual/gzip.html.

217. Seqera. MultiQC / Seqera. — (Последнее обращение 01 February 2025). Онлайн-ресурс: https://docs.seqera.io/multiqc.

218. Steinegger, M. Clustering huge protein sequence sets in linear time / M. Steinegger, J. Söding // Nature communications. — 2018. — T. 9, № 1. — C. 2542.

219. Recommendations for the packaging and containerizing of bioinformatics software / B. Gruening, O. Sallou, P. Moreno, F. da Veiga Leprevost, H. Ménager [h gp.] // F1000Research. — 2019. — T. 7. — ISCB—Comm.

220. BioContainers: an open-source and community-driven framework for software standardization / F. da Veiga Leprevost, B. A. Grüning, S. Alves Aflitos,

H. L. Röst, J. Uszkoreit [h gp.] // Bioinformatics. — 2017. — T. 33, № 16. — C. 2580—2582.

221. UniRef: comprehensive and non-redundant UniProt reference clusters /

B. E. Suzek, H. Huang, P. McGarvey, R. Mazumder, C. H. Wu // Bioinformatics. — 2007. — T. 23, № 10. — C. 1282—1288.

222. Nextclade: clade assignment, mutation calling and quality control for viral genomes / I. Aksamentov, C. Roemer, E. B. Hodcroft, R. A. Neher // Journal of open source software. — 2021. — T. 6, № 67. — C. 3773.

223. Assignment of epidemiological lineages in an emerging pandemic using the pangolin tool / Â. O'Toole, E. Scher, A. Underwood, B. Jackson, V. Hill [h gp.] // Virus evolution. — 2021. — T. 7, № 2. — veab064.

224. Genome Detective: an automated system for virus identification from high-throughput sequencing data / M. Vilsker, Y. Moosa, S. Nooij, V. Fonseca, Y. Ghysens [h gp.] // Bioinformatics. — 2019. — T. 35, № 5. — C. 871—873.

225. Mutations associated with decreased susceptibility to seven antimicrobial families in field and laboratory-derived Mycoplasma bovis strains / K. M. Sulyok, Z. Kreizinger, E. Wehmann, I. Lysnyansky, K. Bânyai [h gp.] // Antimicrobial agents and chemotherapy. — 2017. — T. 61, № 2. — C. 10—1128.

226. In vitro development of resistance to enrofloxacin, erythromycin, tylosin, tiamulin and oxytetracycline in Mycoplasma gallisepticum, Mycoplasma iowae and Mycoplasma synoviae / A. Gautier-Bouchardon, A. Reinhardt, M. Kobisch,

I. Kempf // Veterinary microbiology. — 2002. — T. 88, № 1. — C. 47—58.

227. Bébéar, C. Mechanisms of drug resistance in Mycoplasma pneumoniae /

C. Bébéar, S. Pereyre // Current Drug Targets-Infectious Disorders. — 2005. — T. 5, № 3. — C. 263—271.

228. Oishi, T. Recent trends in the epidemiology, diagnosis, and treatment of macrolide-resistant Mycoplasma pneumoniae / T. Oishi, K. Ouchi // Journal of Clinical Medicine. — 2022. — Т. 11, № 7. — С. 1782.

229. Clinical features and risk factors for severe macrolide-resistant mycoplasma pneumoniae pneumonia induced by 23 S rRNA A2063G mutation: a retrospective observational study / W. Ding, Y. Guo, H. Chen, H. Bai, X. Yang [и др.] // European Journal of Clinical Microbiology & Infectious Diseases. — 2025. — С. 1—12.

230. Evolution and characteristics of tetracycline resistance in Mycoplasma pneumoniae / P. Xie, J. Liu, Y. Feng, T. Zhao, W. Niu [и др.] // Microbiology Spectrum. — 2025. — e03398—24.

231. Development of a multilocus sequence typing scheme for molecular typing of Mycoplasma pneumoniae / R. J. Brown, M. T. Holden, O. B. Spiller, V. J. Chalker // Journal of clinical microbiology. — 2015. — Т. 53, № 10. — С. 3195—3203.

232. P1 adhesin genotype characteristics of Mycoplasma pneumoniae in China from 2017 to 2019 / S. Li, H. Dou, D. Shi, R. Yuan, P. Tu [и др.] // Frontiers in Cellular and Infection Microbiology. — 2025. — Т. 15. — С. 1513177.

233. Молекулярно-генетические особенности ротавирусов группы А, выявленных в Москве в 2015-2020 гг. / О. Петруша, Е. Корчевая, Р. Минтаев, И. Исаков, А. Никонова [и др.] // Журнал микробиологии, эпидемиологии и иммунобиологии. — 2022. — № 1. — С. 7—19.

234. Биологическая характеристика холодоадаптированных вариантов корона-вируса SARS-CoV-2 / Е. Файзулоев, Е. Корчевая, А. Грачева, Р. Самойликов, Д. Смирнова [и др.] // Журнал микробиологии, эпидемиологии и иммунобиологии. — 2022. — № 4. — С. 397—409.

235. Геномный надзор за SARS-CoV-2 в Российской Федерации: возможности платформы VGARus / И. Котов, М. Аглетдинов, Г. Роев, Е. Пимкина, М. Надтока [и др.] // Журнал микробиологии, эпидемиологии и иммунобиологии. — 2024. — Т. 101, № 4. — С. 435—447.

236. Генотипический портрет SARS-CoV-2 на территории Приморского края в период пандемии COVID-19 / А. Ю. Попова, М. Ю. Щелканов, Н. В. Крылова, А. А. Белик, Л. М. Семейкина [и др.] // Журнал микробиологии, эпидемиологии и иммунобиологии. — 2024. — № 1. — С. 19—35.

237. Chimera: The spoiler in multiple displacement amplification / N. Lu, Y. Qiao, Z. Lu, J. Tu // Computational and Structural Biotechnology Journal. — 2023. — Т. 21. — С. 1688—1696.

238. Exploration of whole genome amplification generated chimeric sequences in long-read sequencing data / N. Lu, Y. Qiao, P. An, J. Luo, C. Bi [и др.] // Briefings in Bioinformatics. — 2023. — Т. 24, № 5. — bbad275.

239. Evaluating the Benefits and Limits of Multiple Displacement Amplification With Whole-Genome Oxford Nanopore Sequencing / F. Agyabeng-Dadzie, M. S. Beaudry, A. Deyanov, H. Slanis, M. Q. Duong [и др.] // Molecular Ecology Resources. — 2025. — e14094.

240. DNA barcoding for the identification of botanicals in herbal medicine and dietary supplements: strengths and limitations /1. Parveen, S. Gafner, N. Techen, S. J. Murch, I. A. Khan // Planta Medica. — 2016. — Т. 82, № 14. —

C. 1225—1235.

241. Ba§aran, N. Unpredictable adverse effects of herbal products / N. Ba§aran,

D. Pasli, A. A. Ba§aran // Food and Chemical Toxicology. — 2022. — Т. 159. — С. 112762.

242. An anticoagulant effect and chemical characterization of Lythrum salicaria L. glycoconjugates /1. Pawlaczyk, P. Capek, L. Czerchawski, J. Bijak, M. Lewik-Tsirigotis [и др.] // Carbohydrate Polymers. — 2011. — Т. 86, № 1. — С. 277—284.

243. Biological activity and microscopic characterization of Lythrum salicaria L / A. Manayi, M. Khanavi, S. Saiednia, E. Azizi, M. Reza Mahmoodpour [и др.] // DARU Journal of Pharmaceutical Sciences. — 2013. — Т. 21, № 1. — С. 1.

244. Piwowarski, J. P. Lythrum salicaria L.—Underestimated medicinal plant from European traditional medicine. A review / J. P. Piwowarski, S. Granica, A. K. Kiss // Journal of ethnopharmacology. — 2015. — Т. 170. — С. 226—250.

245. Accurate inclusion mass screening: a bridge from unbiased discovery to targeted assay development for biomarker verification / J. D. Jaffe, H. Keshishian,

B. Chang, T. A. Addona, M. A. Gillette [h gp.] // Molecular & Cellular Proteomics. — 2008. — T. 7, № 10. — C. 1952—1962.

246. Cleaning up the masses: exclusion lists to reduce contamination with HPLC-MS/MS / K. Hodge, S. Ten Have, L. Hutton, A. I. Lamond // Journal of proteomics. — 2013. — T. 88. — C. 92—103.

247. Purple: a computational workflow for strategic selection of peptides for viral diagnostics using ms-based targeted proteomics / J. Lechner, F. Hartkopf, P. Hiort, A. Nitsche, M. Grossegesse [h gp.] // Viruses. — 2019. — T. 11, № 6. —

C. 536.

248. Nanopore adaptive sampling: a tool for enrichment of low abundance species in metagenomic samples / S. Martin, D. Heavens, Y. Lan, S. Horsfield, M. D. Clark [h gp.] // Genome biology. — 2022. — T. 23, № 1. — C. 11.

249. Highly parallel direct RNA sequencing on an array of nanopores / D. R. Garalde, E. A. Snell, D. Jachimowicz, B. Sipos, J. H. Lloyd [h gp.] // Nature methods. — 2018. — T. 15, № 3. — C. 201—206.

250. Nanopore native RNA sequencing of a human poly (A) transcriptome / R. E. Workman, A. D. Tang, P. S. Tang, M. Jain, J. R. Tyson [h gp.] // Nature methods. — 2019. — T. 16, № 12. — C. 1297—1305.

Список рисунков

1.1 Алгоритм выбора метода подготовки библиотек и секвенирования

нуклеиновых кислот (Приложение А)...................17

2.1 Количество белков (горизонтальная ось, логарифмическая шкала), соответствующих каждому целевому роду (вертикальная ось). Таксономия растений (порядок, семейство, род) упорядочена по алфавиту; повторяющиеся таксоны высшего порядка опущены. Оранжевые столбцы представляют исходное количество записей, полученных непосредственно из базы данных NCBI. Синие пунктирные столбцы отображают количество записей после

фильтрации с использованием разреженной матрицы...........62

3.1 Логическая схема вычислительного конвейера «VERA».........73

3.2 Логическая схема вычислительного конвейера «ANAPIPE».......81

3.3 Тепловая карта глубины покрытия референсного генома

M. pneumoniae. Подписи и группы образцов аналогично Таблице 2. . . 84

3.4 Результат применения алгоритма исправления химерных прочтений. Сверху представлено картирование прочтений до исправления предложенным методом, снизу - картирование прочтений того же образца, но после применения алгоритма редукции химерных последовательностей.............................86

3.5 Производительность секвенирования (а), выраженная в количестве прочтений, и протеомики, выраженная в количестве

идентифицированных спектров/пептидов/белков (б)...........90

3.6 Тепловая карта таксономической принадлежности на 10 000 прочтений. Таксономия растений (порядок, семейство, род) упорядочена по алфавиту (слева); повторяющиеся таксоны высшего порядка опущены. Значения в ячейках представляют долю прочтений, отнесенных к каждому роду, на 10 000 общего числа прочтений. Верхние столбчатые диаграммы показывают общее количество прочтений, отнесенных к родам, на 10 000 для каждого образца. Полный ITS (оранжевый): идентификации полной области ITS (TGS), ITS-1 и ITS-2 (зеленый): фрагменты ITS (NGS). Фиолетовые звезды обозначают компоненты, указанные производителем. Компоненты с <100 прочтениями (TGS) или <50 прочтениями (NGS) на 10 000 были исключены..............92

3.7 Тепловая карта выбранных идентифицированных белков. Таксономия растений (порядок, семейство, род) упорядочена по алфавиту (слева); повторяющиеся таксоны высшего порядка опущены. Каждая строка представляет уникальную белковую группу с указанием соответствующих номеров доступа UniProt/NCBI в правом столбце. Белковые группы одного рода сгруппированы под цветными треугольниками, указывающими на названия родов. Интенсивность цвета ячеек отражает относительное содержание белка по MaxLFQ (алгоритм безмековой квантификации MaxQuant), в логарифмической шкале по основанию 2. Идентификаторы неразличимых белков (справа) заключены в рамку и соединены линиями для обозначения общих белковых групп.............96

3.8 Представление уникальных и фоновых пептидов из белков коронавируса, обнаруженного в образце 23_3(MOS)-a. А: Отдельно спайк-белок. Б: Прочие структурные белки. Уникальные пептиды показаны зеленым цветом, общие пептиды - красным. Последовательности общих пептидов аннотированы текстом. Приблизительная длина региона в парах оснований указана над белками....................................100

3.9 Представление идентифицированных коронавирусных пептидов в образце 23_3(MOS)-a. A: пептиды спайк-белка. B: пептиды прочих структурных белков. Как в (А), так и в (Б) белки из аннотации показаны синими полосами с белыми стрелками, указывающими направление ORF. Пептиды показаны горизонтальными полосками в соответствующих позициях белков, зеленые полоски представляют пептиды из списка включения, оранжевые полоски представляют прочие обнаруженные пептиды. В: Гистограмма количества MS2 событий для пептидов из белков коронавируса 23_3(MOS)-a. Пустые участки представляют собой набор результатов идентификации спектров, полученных без учета списка включения, заштрихованные участки соответствуют данным, полученным с использованием списка включений...............................103

Б.1 Потребление времени (а) и вычислительных ресурсов (б) при

нагрузочном тестировании вычислительного конвейера «VERA». . . .143 Б.2 Потребление времени (а) и вычислительных ресурсов (б) при

нагрузочном тестировании вычислительного конвейера «ANAPIPE» . . 144

В.1 Результат полногеномной амплификации ДНК методами

дегенеративной ПЦР (SD-полимераза) и множественного замещения цепи (ф29-полимераза). Сверху приведены названия образцов - 4, 8, 10 (соответствуют образцам MPsbm004, MPsbm008 и MPsbm010 соответственно), положительные (ПКО1 и ПКО2) и отрицательный

(ОКО) контроли................................ 145

В.2 Результаты одноэтапной селективной амплификации ДНК с

различными концентрациями праймеров. Образцы «PC» содержали разведения геномной ДНК бактериальной культуры M. pneumoniae, образцы «T» были получены из тотальной ДНК, выделенной из клинического мазка пациента с инфекцией M. pneumoniae с низким значением порогового цикла (Ct). Обозначения «1/10» и «1/200» соответствуют разведениям рабочей концентрации праймеров относительно стандартного протокола, используемого в международной практике для методов селективной амплификации. . . 146

Г.1 Стобчатая диаграмма результатов таксономического профилирования

прочтений в абсолютном (а) и процентом (б) соотношениях.......147

Д.1 SDS-PAGE тотального белка, образцы IC01, IC08 и IC09 в двух

технических повторах............................148

Д.2 SDS-PAGE тотального белка, образцы IC11, IC18, IC22, IC23 и

контрольный образец PCSP в двух технических повторах. ....... 149

Список таблиц

1 Характеристики праймерных последовательностей для селективной полногеномной амплификации. Символом «*» отмечены участки праймеров, модифицированные для защиты от 3'-5'-экзонуклеазной активности полимеразы...........................64

2 Сравнение методов SWGA и WGA по покрытию генома M. pneumoniae M129. SD и ф29 означают использование SD-полимеразы и ф29 полимеразы соответственно. Все эксперименты группы SWGA поставлены с использованием ф29 полимеразы..................................87

3 Сводная таблица применения протеомных методов для метавирусных исследований. В геномике: полн. — полный геном, фраг. — фрагменты генома. В протеомике: обн. — пептиды обнаружены, не обн. — не обнаружены. Обозначения семейств: C — Coronaviridae, P — Picornaviridae, F — Flaviviridae, A — Astroviridae. Прочерк означает, что вирусное семейство не входит в область исследования для данного образца................. 104

Приложение А Описание алгоритма

Алгоритм выбора метода подготовки библиотек и секвенирования нуклеиновых кислот. Логика построения схемы основана на иерархическом принятии решений в зависимости от характеристик исходного биоматериала и целей исследования. Начало алгоритма обозначено фиолетовым овалом. Точки принятия решений (разветвления) представлены в виде ромбов. В данных узлах осуществляется выбор пути в зависимости от проведения обогащения, достаточности концентрации НК и необходимости сохранения модификаций (нативное секвени-рование). Технологические этапы и методы подготовки проб обозначены белыми прямоугольниками. Конечные этапы (процесс секвенирования) выделены зелеными прямоугольниками. В схеме предусмотрены два ключевых высокотехнологичных подхода с использованием оборудования Oxford Nanopore Technologies (ONT): адаптивное секвенирование (а) - программно-аппаратный метод обогащения мишеней или удаления нецелевого прочтения в режиме реального времени [248]. Нативное секвенирование (б) - прямое чтение молекул ДНК или РНК [249; 250].

Приложение Б Нагрузочное тестирование вычислительных конвейеров

VERA:FASTQC_RAW

VERA:KRAKEN2_RAW

VERA: BOWTIE2_HOST_AUGN

VERA: BOWTIE2_CONTAM_BUI Ш

VE RA: BO WTI E2_CONTAM_ALIG N

VERA:FASTP

VERA: FASTQCJRIMMED

V E RA: CAT_FASTQ

VE RA: KRAKE N2_CLEAN

VERA:SPADES

VERA:GUNZIP_C0NT1GS

VERA:SEQKTT_SEQ

U VERA:SAMTOOLS FAIDX

Ш

g VERA:BOWTIE2_CONTlGS_BUII-D

VERA:SEQKTT_TRANSLATE VERA: BO WTI E2_COm"IGS_AUG N VERA:MMSEQS_PROTEINS VERA: PARS E_M MS EQS_PROTEI N_RES ULTS VERA:SAMTOOLS_INDEX VE RA: S EQ KTT_G RE P_FOR_NUCL VE RA: S AMTOOLS_COVERAG E VERA:MMSEQS_NUCLEOTIDES VERA:PARSE_MMSEQS_NUCLEOTIDE_RESULTS VERA:CREATE_EXTENDED_TABLE VERA:SEQKTT_GREP_FOR_EXTENSION VE RA: CU5TOM_DU M PSOFTWARE VE RS 10 N5 VERA:MULTIQC

Анализ длительности выполнения процессов VERA

Линейная шкала Логарифмическая шкала

О 5000 10000 15000 20000 25000 30000 35000 40000 КГ1 10° 101 102 10э Ю4

Длительность(секунды) Длительность(секунды)

а)

Анализ загрузки CPU и использования памяти процессов VERA

VERA:FASTQC_RAW

VERA: KRAKEN2_RAW

VERA:BOWTIE2_HOST_AUGN -

VERA:BOWTIE2_CONTAM_BUILD

VE RA: BO WTI E 2_CONTAM_ALIG N

VERA:FASTP -

VERA: FASTQC_TRIMMED

V E RA: CAT_F A5TQ

VERA:KRAKEN2_CLEAN -

VERASPADES

VERA:GUNZIP_CONTlGS

VERA:SEQKTT_SEQ

» VERA:SAMTOOLS FAIDX

)

Г VERA:BOWTIE2_CONTIGS_BUII-D -

VERA:SEQKTT_TRANSI-ATE VE RA: BO WTI E 2_CONTIGS_AUG N VERA:MMSEQS_PROTEINS VE RA: PARS E_M MS EQS_PROTE I N_RES ULTS VERA:SAMTOOLS_INDEX VE RA: S EQ KTT_G REP_FOR_N UCL VE RA: S AMTOOLS_COVERAG E VERA:MMSEQS_NUCLEOTIDES VERA:PARSE_MMSEQS_NUCLEOTIDE_RESULTS VERA:CREATE_EXTENDED_TABLE VERA:SEQKTT_GREP_FOR_EXTENSION VE RA: CUSTOM_DU M PSOFTWARE VE RS 10 N5 VERA:MULTIQC

Загрузка CPU

Использование памяти

hJ-DCO

оф

flo tp

со siD aajj

OhfH

Загрузка CPU {%)

OOGCJ i

оф

c^o

•> I

>1

l-§-D О О

........I

103

Память (МБ)

б)

Рисунок Б.1 — Потребление времени (а) и вычислительных ресурсов (б) при нагрузочном тестировании вычислительного конвейера «VERA».

Анализ загрузки CPU и использования памяти процессов AN API РЕ

Загрузка CPU Использование памяти

MAP_AND_MUTATION5:5AMTOOL5_FAIDX

IN PUT: CAT_FA5TQ

QC_CONTROLS_PRE:NANOPLOT

CLEAN_READS ¡CHOPPER

QC_CONTROLS_PRE:MINIMAP2_ALIGN_RAW

QC_CONTROLS_PRE: FASTQC

CLEAN_READS: KRAKEN2_KRAKEN2

CLE AN_RE ADS: KRAKE NTOOLS_EXTRACTKRAKE N RE ADS

QC_CONTROLS_POST: NANOPLOT

QC_CONTROLS_POST: FASTQC

MAP_AND_MUTATIONS:MINIMAP2_ALIGN_CLEAN

MAP_AN D_M UTATI ON 5: B EDTOOLS_G ENOM ECOV

! MAP AND MUTATIONS SUBSET COVERAGE AMAP

I - -

MAP_AND_MUTATIONS:CLAIR3 !■ MAP_AND_MUTATIONS: BCFTOOLS_ANNOTATE_PRE

MULTIQC

MAP_AND_MUTAT10NS:SNPEFF_SNPEFF MAP_AND_MUTATIONS: BCFTOOLS_VIEW MAP_AND_MUTAT10NS: BCFTOOLS_AN NOTATE_POST MAP_AND_MUTATIONS: BCFTOOLSJNDEX M AP_AND_M UTATIO NS: BCFTOO LS_CONS ENS US MAP_AND_MUTATIONS:SEQKrr_SUBSEQ MAP_AND_MUTAT10NS :SEQKTT_REPLACE MAP_AND_MUTATIONS :MEDAKA_1 MAP_AND_MUTATIONS :MEDAKA_2 MAP_CONSENSUS:MINIMAP2_ALIGN_CONSENSUS MAP CONSENSUSiBEDTOOLS GENOMECOV CONSENSUS

4

—К |-|-ф

Ш

о ofo

о i Щ I aoocf

«»I®

a|o о

a—Щ-\

a>§Haa>

*