Sample-specific haplotype-resolved protein isoform characterization via long-read RNA-seq-based proteogenomics

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "توصيف الأشكال البروتينية المتعددة المحددة بالنمط الفردي لكل عينة عبر البروتيوجينوميات القائمة على تسلسل الحمض النووي الريبوزي طويل القراءة" (Sample-specific haplotype-resolved protein isoform characterization via long-read RNA-seq-based proteogenomics).

1. بيان المشكلة

تعتمد بروتينات الكتلة (Mass Spectrometry - MS) التقليدية من النوع "bottom-up" على البحث عن أطياف الببتيد مقابل قواعد بيانات مرجعية للبروتينات. تفترض هذه القواعد عادةً تسلسلاً مرجعياً واحداً لكل شكل متعدد (isoform)، مما يؤدي إلى الفشل في رصد ما يلي:

• التباين الجيني: المتغيرات الخاصة بالفرد (SNVs، indels) التي تغير تسلسلات الأحماض الأمينية.
• خصوصية الأليل (Allele-Specificity): التواجد المشترك لمتغيرات متعددة على نفس الكروموسوم (الأنماط الفردية/Haplotypes)، مما يخلق تسلسلات بروتينية متميزة غير ممثلة في المراجع القياسية.
• التعقيد النسخي (Transcriptomic Complexity): أحداث الربط البديل (alternative splicing) التي تولد أشكالاً متعددة جديدة غير موجودة في التوصيفات المرجعية.

تعالج سير العمليات البروتيوجينومية الحالية هذه المشكلات بشكل مستقل أو تعتمد على لوحات مرجعية قائمة على السكان بدلاً من البيانات الخاصة بكل عينة. علاوة على ذلك، لا يمكن لتسلسل الحمض النووي الريبوزي قصير القراءة (short-read RNA-seq) حل هياكل النسخ كاملة الطول أو ربط المتغيرات البعيدة على نفس الجزيء، مما يحد من القدرة على بناء بروتيومات دقيقة ومحددة بالنمط الفردي لكل عينة.

2. المنهجية

قام المؤلفون بتطوير مسار عمل (Pipeline) متكامل باستخدام Snakemake يدمج تسلسل الحمض النووي الريبوزي طويل القراءة (lrRNA-seq) مع بيانات الكتلة (MS) لبناء والبحث في بروتيومات محددة لكل عينة ومحلولة بالنمط الفردي (haplotype-resolved).

خطوات سير العمل:

1. إدخال البيانات: يتطلب تسلسل (lrRNA-seq) متوافق (PacBio Iso-Seq) وبيانات (MS)، بالإضافة إلى جينوم ونسخ مرجعي.
2. المعالجة المسبقة والمحاذاة:
   • يتم تقليم قراءات (lrRNA-seq) (الـ polyA، والـ adapters) ومحاذاتها مع الجينوم باستخدام minimap2.
3. استدعاء المتغيرات وتحديد المرحلة (Phasing):
   • يتم استدعاء المتغيرات باستخدام Clair3-RNA.
   • تحديد المرحلة (Phasing): يتم تحديد مرحلة المتغيرات باستخدام WhatsHap (الذي تم تحديده كأفضل أداء في الاختبارات المعيارية) لتحديد أي المتغيرات تقع على نفس الأليل.
   • التصفية: يتم تصفية المتغيرات لضمان تشكيل كتل مرحلية متصلة عبر التسلسلات المشفرة (CDS).
4. اكتشاف النسخ (Transcript Discovery):
   • يتم اكتشاف النسخ الجديدة باستخدام Bambu.
     กำ يتم التنبؤ بأطر القراءة المفتوحة (ORFs) للنماذج الجديدة باستخدام ORFanage.
5. بناء البروتوم (Proteome Construction):
   • يُستخدم Haplosaurus لرسم المتغيرات الجينية المحددة للمرحلة على النسخ المرجعية والجديدة لتوليد الأنماط البروتينية الفردية (protein haplotypes).
   • ينشئ هذا قاعدة بيانات تحتوي على:
     • الأشكال المتعددة المرجعية (Reference isoforms).
     • أشكال الربط البديل الجديدة (Novel splice isoforms).
     • المتغيرات المحددة للأليل (المتماثلة والتباينية).
     • المتغيرات المرتبطة المستنتجة عبر عملية تحديد المرحلة (phasing).
   • يتم إنشاء تسلسلات وهمية (Decoy sequences) باستخدام DecoyPYrat لتقدير معدل الاكتشاف الخاطئ (FDR).
6. البحث في الكتلة (MS Search) والاستنتاج:
   • يتم البحث في قاعدة البيانات المخصصة مقابل بيانات الكتلة باستخدام sage.
   • يتم إجراء استنتاج البروتين باستخدام نهج الغطاء المجموعي الجشع (greedy set-cover) عبر RcppGreedySetCover.
   • يقوم التوصيف اللاحق للبحث بربط الببتيدات المحددة بالأنماط الفردية وهياكل الربط (splice structures) المحددة.

الاختبار المعياري (Benchmarking):
قام المؤلفون باختبار خوارزميات تحديد المرحلة (WhatsHap, HapCUT2, Margin, phASER, HiPhase) على بيانات (GIAB HG002 و HG005) من نوع (PacBio lrRNA-seq). تم اختيار WhatsHap لمسار العمل نظراً لتوازنه المتفوق بين انخفاض معدل خطأ التبديل واكتمال تحديد المرحلة في مناطق (CDS) كاملة.

3. المساهمات الرئيسية

• أول مسار عمل متكامل: أول مسار عمل لبناء والبحث في بروتيومات محلولة بالنمط الفردي (haplotype-resolved) مباشرة من بيانات (lrRNA-seq) و(MS) المتوافقة مع العينة.
• دمج تحديد المرحلة والربط (Phasing and Splicing): يجمع بشكل فريد بين التباين الجيني المحدد للأليل وهياكل النسخ كاملة الطول، مما يسمح بالكشف عن الأشكال البروتينية المتعددة المحددة بكل من أنماط الربط والتباينات الجينية المرتبطة.
• إطار عمل عملي: يوفر مسار عمل (Snakemake) معياري وقابل للتكرار يستفيد من الأدوات الموجودة (Clair3, WhatsHap, Bambu, Haplosaurus, Sage) مع دمجها في مسار بروتيوجينومي متماسك.
• إثبات الجدوى: يثبت أن بيانات (lrRNA-seq) يمكن استخدامها ليس فقط لاستدعاء المتغيرات، بل أيضاً لتحديد المرحلة القائم على القراءة (read-based phasing) بدقة مناسبة للبروتيوجينوميات.

4. النتائج الرئيسية

التطبيق على خط خلايا WTC11:

• تكوين قاعدة البيانات: احتوت قاعدة البيانات المخصصة على حوالي 66,000 شكل بروتيني متعدد.
  • 84.5% طابقت مرجع GENCODE.
  • 15.2% احتوت على متغيرات جينية غير صامتة.
  • 0.3% أظهرت ربطاً بديلاً بالنسبة للمرجع.
  • 0.1% فقط من الأشكال المتعددة احتوت على كلا من الربط البديل والتباين الجيني، مما يشير إلى أن هاتين العمليتين مستقلتان إلى حد كبير في هذه العينة.
• أداء البحث في الكتلة (MS Search):
  • حددت قاعدة البيانات المخصصة للعينة 10,757 مجموعة بروتينية، وهو أكثر قليلاً من GENCODE (10,702) و UniProt (10,585).
  • الاكتشافات الفريدة: حدد البحث الخاص بالعينة 364 مجموعة بروتينية فريدة غير موجودة في GENCODE، مدفوعة أساساً بالتسلسلات الجديدة التي تحتوي على متغيرات جينية.
• كشف المتغيرات:
  • التحديد المباشر: تم تأكيد 538 متغيراً بواسطة دليل الببتيد (258 متماثل الزيجوت و 280 متباين الزيجوت).
  • التحديد المرتبط (Linked Identification): مكّن تحديد المرحلة من استنتاج 1,072 متغيراً متماثل الزيجوت و 201 متغيراً متباين الزيجوت التي لم يتم تغطيتها مباشرة بببتيد، ولكنها كانت مرتبطة بمتغير محدد مباشرة على نفس النمط الفردي (haplotype).
  • الإدراج والحذف (Indels): أدى التحديد المرتبط إلى تحسين كشف الإدراج والحذف بشكل كبير (32 إدراجاً وحذفاً مرتبطاً مقابل 3 إدراجات وحذف مباشرة)، حيث يتطلب الكشف عن الإدراج والحذف المباشر تغطية كاملة للببتيد، بينما يتطلب التحديد المرتبط وجود متغير واحد فقط (SNV) على النمط الفردي.

التطبيق على التمايز من الخلايا الجذعية (iPSC) إلى الخلايا العظمية (Osteoblast):

• نجح مسار العمل في تتبع التغيرات في التعبير النوعي للأليل أثناء التمايز.
• مثال: أظهر جين DSP زيادة في التعبير في الخلايا الجذعية (iPSCs)، مع اكتشاف كلا النمطين الفرديين (A و B). أكدت الطريقة وجود متغيرات (SNVs) متباينة الزيجوت محددة في المنتجات البروتينية، مما أظهر القدرة على حل الديناميكيات النوعية للأليل في التجارب الزمنية.

5. الأهمية والآفاق المستقبلية

• البروتينات الدقيقة (Precision Proteomics): ينقل هذا النهج علم البروتينات من رؤية "مركزية المرجع" إلى رؤية "مركزية العينة"، مما يسمح بالكشف عن الأشكال البروتينية ذات الصلة بالأمراض أو الخاصة بالفرد والتي تكون غير مرئية في قواعد البيانات القياسية.
• جدوى تحديد المرحلة القائم على القراءة: تثبت الدراسة أن بيانات (PacBio lrRNA-seq) توفر طول القراءة والدقة الكافيين لتحديد مرحلة المتغيرات داخل المناطق المشفرة، وهي خطوة حاسمة لبناء بروتيومات دقيقة محددة للأليل.
• التطبيقات السريرية والبيولوجية: الإطار قابل للتطبيق في دراسة:
  • المستضدات الجديدة (Neoantigens): تحديد مستضدات الأورام الخاصة بالمريض والمشتقة من الأنماط الفردية.
  • الأمراض النادرة: توصيف المنتجات البروتينية للمتغيرات النادرة في المرضى الذين لم يتم تشخيصهم.
  • الأنظمة الديناميكية: تتبع كيفية تغير التعبير النوعي للأليل أثناء النمو أو استجابة للمحفزات.
• القيود والعمل المستقبلي: أشار المؤلفون إلى قيود تتعلق بعمق (lrRNA-seq) (الذي يؤثر على اكتشاف التوليفات المتباينة النادرة) والافتقار الحالي لدعم كودونات البداية المتغيرة. سيركز العمل المستقبلي على توسيع ذلك ليشمل التنبؤ بالمستضدات الجديدة، وقياس التعبير النوعي للأليل (ASE)، وتحسين خوارزميات استنتاج البروتين للتعامل مع التعقيد المتزايد للبحوث المحلولة بالنمط الفردي.

في الختام، تؤسس هذه الورقة مسار عمل قوياً وعملياً لـ البروتيوجينوميات القائمة على (lrRNA-seq)، مما يثبت أن دمج تحديد المرحلة الجينية الخاصة بالعينة مع علم النسخ يعزز بشكل كبير دقة وتوصيف الأشكال البروتينية المتعددة.