RegEvol: detection of directional selection in regulatory sequences through phenotypic predictions and phenotype-to-fitness functions

Die Studie stellt RegEvol vor, ein Framework, das maschinelle Lernvorhersagen der Transkriptionsfaktor-Bindung mit evolutionären Modellen kombiniert, um gerichtete Selektion in regulatorischen DNA-Sequenzen zu identifizieren und dabei über 3 Millionen *Drosophila*-Regionen sowie humane CTCF-Bindungsstellen analysiert, um adaptive Veränderungen in nicht-kodierenden Bereichen aufzudecken.

Das Wesentliche

Das große Rätsel: Warum sehen wir anders aus, obwohl unser Bauplan fast gleich ist?

Stellen Sie sich vor, das menschliche Genom ist ein riesiges Kochbuch. Die Gene (die DNA-Abschnitte, die für Proteine kodieren) sind die eigentlichen Rezepte: Sie sagen uns, wie man ein Omelett oder einen Kuchen backt. Aber was bestimmt, wann und wo wir kochen? Das sind die regulatorischen Sequenzen. Man kann sie sich wie die Zettelchen am Kühlschrank vorstellen, auf denen steht: „Koch heute Morgen Eier" oder „Backe nur am Wochenende".

Wenn sich diese Zettelchen ändern, kann das bedeuten, dass wir plötzlich Eier zum Abendessen essen oder gar nicht mehr kochen. Das verändert unser Aussehen und unsere Gesundheit (unsere „Phänotypen"), ohne dass sich das eigentliche Rezept (das Omelett) ändert.

Das Problem: Wie findet man die „schlechten" oder „guten" Änderungen?

Wissenschaftler wollen wissen: Welche dieser Zettelchen haben sich im Laufe der Evolution verändert, weil es vorteilhaft war (natürliche Selektion)? Und welche haben sich nur zufällig geändert (wie wenn ein Windstoß einen Zettel vom Kühlschrank bläst)?

Bisher war das wie das Suchen nach einer Nadel im Heuhaufen mit einem blinden Stock. Die alten Methoden schauten nur darauf, wie oft sich Buchstaben in der DNA verändert haben.

• Das Problem: Manchmal ändern sich Buchstaben oft, aber das ist nur Zufall. Manchmal ändern sie sich gar nicht, weil sie wichtig sind. Aber manchmal ändern sie sich gerade weil sie wichtig sind und sich anpassen müssen. Die alten Methoden konnten das oft nicht unterscheiden.

Die neue Lösung: RegEvol – Der „Koch-Experte"

Die Forscher um Alexandre Laverré haben ein neues Werkzeug namens RegEvol entwickelt. Stellen Sie sich RegEvol wie einen super-intelligenten Koch-Experten vor, der nicht nur auf die Buchstaben schaut, sondern versteht, was sie bedeuten.

Hier ist, wie es funktioniert, Schritt für Schritt:

1. Der Vorhersage-Algorithmus (Der „Koch-Experte")

RegEvol nutzt künstliche Intelligenz (Maschinelles Lernen), um vorherzusagen: „Wenn ich hier einen Buchstaben ändere, wie stark verändert sich die Bindung des Transkriptionsfaktors?"

• Die Analogie: Stellen Sie sich vor, Sie haben einen Rezept-Zettel. Der Experte sagt: „Wenn du das Wort 'Zucker' durch 'Salz' ersetzt, wird das Omelett schrecklich schmecken (große negative Änderung). Wenn du 'Zucker' durch 'Honig' ersetzt, schmeckt es fast gleich (kleine Änderung)."
• Frühere Methoden haben nur gezählt, wie oft Buchstaben getauscht wurden. RegEvol fragt: „Wie schmeckt die Änderung?"

2. Der Fitness-Test (Der „Geschmackstest")

Nun vergleicht RegEvol die tatsächlichen Änderungen, die in der Evolution passiert sind, mit dem, was der Experte vorhergesagt hat.

• Szenario A (Zufall): Die Änderungen sind chaotisch, wie wenn jemand blindlings Zutaten austauscht.
• Szenario B (Stabilisierung): Die Änderungen sind alle sehr klein, weil das Rezept perfekt ist und niemand es riskieren will, es zu verderben.
• Szenario C (Richtungswechsel): Alle Änderungen gehen in die gleiche Richtung. Zum Beispiel wurde aus „Zucker" immer wieder „Honig" oder „Ahornsirup". Das deutet darauf hin, dass jemand das Rezept absichtlich verbessert hat, um es süßer zu machen.

RegEvol berechnet die Wahrscheinlichkeit: „Welches dieser drei Szenarien passt am besten zu dem, was wir in der DNA sehen?"

Was haben sie herausgefunden?

Die Forscher haben dieses Werkzeug auf Millionen von DNA-Stücken der Fruchtfliege (Drosophila) und des Menschen angewendet.

• Bei den Fruchtfliegen: Sie fanden heraus, dass etwa 5 % der regulatorischen Zettelchen sich absichtlich verändert haben, um sich anzupassen. Diese Anpassungen fanden sich besonders oft bei Genen, die mit Fortpflanzung (wer bekommt die besten Nachkommen?) und Immunsystem (wer überlebt die Krankheit?) zu tun haben. Das ist logisch: Diese Bereiche müssen sich schnell an neue Feinde oder Partner anpassen.
• Beim Menschen: Da sich Menschen evolutionär langsamer verändern als Fliegen, ist es schwer, einzelne Änderungen zu sehen. Also haben die Forscher ihre Methode wie ein Mikroskop mit Zoom benutzt. Sie haben alle Änderungen in bestimmten Geweben (z. B. im Gehirn oder in den männlichen Geschlechtsorganen) zusammengezählt.
  • Das Ergebnis: Im Nervensystem und in den männlichen Geschlechtsorganen gab es deutlich mehr Hinweise auf gezielte Anpassungen als im Rest des Körpers. Das passt zu dem, was wir wissen: Unser Gehirn und unsere Fortpflanzung sind Bereiche, in denen die Evolution besonders aktiv war.

Warum ist das wichtig?

Früher mussten Wissenschaftler raten, welche DNA-Teile wichtig sind, indem sie schauten, welche Teile bei allen Tieren gleich blieben (wie ein alter, unveränderter Text).
RegEvol sagt uns: „Schauen Sie nicht nur, ob der Text gleich bleibt. Schauen Sie, ob jemand den Text bewusst umgeschrieben hat, um ihn besser zu machen."

Es ist wie der Unterschied zwischen einem Detektiv, der nur zählt, wie oft ein Fenster offen steht (alte Methode), und einem Detektiv, der versteht, warum das Fenster geöffnet wurde (RegEvol).

Zusammenfassend: RegEvol ist ein neues, cleveres Werkzeug, das uns hilft zu verstehen, wie die „Schalter" in unserer DNA funktionieren und wie sie sich im Laufe der Zeit angepasst haben, um uns zu dem zu machen, was wir heute sind – besonders in Bereichen, die für Überleben und Fortpflanzung entscheidend sind.

Technische Zusammenfassung

Problemstellung

Die Evolution von cis-regulatorischen Sequenzen (z. B. Enhancer, Promotoren) ist ein Haupttreiber der phänotypischen Vielfalt und Anpassung. Im Gegensatz zu protein-kodierenden Sequenzen, bei denen das Verhältnis von nicht-synonymen zu synonymen Substitutionen ($dN/dS$) als etablierter Maßstab zur Detektion von Selektion dient, fehlt es an regulatorischen Regionen an einem vergleichbaren Metrik.
Bisherige Ansätze zur Detektion von Selektion in nicht-kodierenden DNA-Abschnitten basieren primär auf:

1. Sequenzkonservierung: Methoden wie PhastCons oder PhyloP identifizieren konservierte Regionen durch Vergleich von Substitutionsraten mit neutralen Erwartungen.
2. Limitationen: Diese Methoden sind indirekt, modellieren nicht die funktionellen Konsequenzen von Mutationen und sind anfällig für Verzerrungen durch nicht-adaptive Prozesse (z. B. verzerrte Genkonversion, demografische Geschichte). Zudem sind sie oft ungeeignet für schnell evolvierende oder neu entstandene regulatorische Elemente, die trotz funktioneller Erhaltung eine hohe Sequenzdivergenz aufweisen können.

Frühere maschinelle Lern-Ansätze (z. B. von Liu und Robinson-Rechavi, 2020) nutzten zwar Vorhersagen der Transkriptionsfaktor-Bindung (TF-Bindung), litten jedoch unter Aszertainments-Bias (durch ChIP-seq-Daten), waren bei großer evolutionärer Distanz unzuverlässig und basierten auf Permutationstests, die keine gut kalibrierten p-Werte für strenge Multiple-Testing-Korrekturen lieferten.

Methodik: RegEvol Framework

RegEvol ist ein neues Framework, das maschinelle Lernvorhersagen mit expliziten populationsgenetischen Modellen verbindet, um gerichtete Selektion (directional selection) in regulatorischen Sequenzen zu detektieren. Der Ansatz folgt einem „Genotyp-zu-Phänotyp-zu-Fitness"-Schema:

1. Genotyp-zu-Phänotyp-Karte (G2P):

   • Es werden gapped k-mer Support Vector Machines (gkm-SVM) verwendet, die auf ChIP-seq-Daten trainiert wurden, um die Bindungsaffinität von Transkriptionsfaktoren (TFs) vorherzusagen.
   • Durch in silico Mutagenese wird für jede mögliche Punktmutation in einem regulatorischen Element die Änderung der vorhergesagten Bindungsaffinität ($\Delta$SVM) berechnet.
   • Dies erzeugt eine Verteilung phänotypischer Effekte (DPE), die beschreibt, wie Sequenzvariation die TF-Bindung beeinflusst.

2. Phänotyp-zu-Fitness-Funktionen:

   • Die $\Delta$SVM-Werte werden in Fitness-Effekte übersetzt. Drei verschachtelte evolutionäre Szenarien werden modelliert, parametrisiert durch Beta-Verteilungen:
     • Neutrality: Flache Fitness-Landschaft ($\alpha = \beta = 1$).
     • Stabilisierende Selektion: Symmetrische Verteilung um den ancestralen Phänotyp ($\alpha = \beta \neq 1$), die Abweichungen bestraft.
     • Gerichtete Selektion: Asymmetrische Verteilung ($\alpha \neq \beta$), die Mutationen in eine bestimmte Richtung begünstigt.

3. Likelihood-basierte Inferenz:

   • Anstatt auf Permutationstests zu setzen, wird die Maximum-Likelihood-Schätzung verwendet.
   • Die Wahrscheinlichkeit der beobachteten Substitutionen entlang eines Stammbaums wird unter jedem der drei Modelle berechnet.
   • Ein Likelihood-Ratio-Test identifiziert das Modell, das die Daten am besten erklärt.
   • Vorteil: Der analytische Ansatz liefert gut kalibrierte p-Werte, ermöglicht strenge Multiple-Testing-Korrekturen und ist robust gegenüber Aszertainments-Bias, da er die gesamte Verteilung der Effekte integriert und nicht nur Ausreißer betrachtet.

4. Aggregationsstrategie:

   • Um die geringe statistische Power bei kurzen evolutionären Ästen (wenige Substitutionen pro Element) zu überwinden, wird eine Aggregation auf Gewebeebene (Tissue-level) vorgeschlagen (inspiriert von SUMSTAT). Likelihood-Unterschiede werden über Sets von regulatorischen Elementen in einem biologischen Kontext (z. B. Gewebe) summiert.

Wichtige Beiträge

• Überwindung von Bias: RegEvol korrigiert systematische Verzerrungen früherer Permutationstests, insbesondere den Aszertainments-Bias durch ChIP-seq-Peaks und die Anfälligkeit für extreme Substitutionen.
• Modellierung der Fitness-Landschaft: Durch die explizite Modellierung von stabilisierender und gerichteter Selektion mittels Beta-Verteilungen wird ein realistischeres Bild der evolutionären Dynamik gewonnen.
• Robustheit: Das Verfahren bleibt auch bei geringer Sequenzdivergenz konservativ und vermeidet False Positives, gewinnt aber an Power, sobald konsistente phänotypische Verschiebungen über mehrere Substitutionen hinweg auftreten.
• Flexibilität: Das Framework ist unabhängig vom zugrundeliegenden Vorhersagemodell und kann zukünftige Deep-Learning-Modelle integrieren.

Ergebnisse

1. Validierung an simulierten Daten:

   • RegEvol zeigt eine hohe Genauigkeit und eine echte Positive Rate (TPR) von bis zu 0,90 für gerichtete Selektion, während die False-Discovery-Rate (FDR) streng kontrolliert wird.
   • Im Vergleich zum Permutationstest ist RegEvol robuster gegenüber zufälligen Substitutionen und extremen $\Delta$SVM-Werten, die sonst zu False Positives führen würden.
   • Die Methode ist besonders effektiv, um konsistente, aber subtile evolutionäre Trends zu erkennen, die auf Summen-basierten Tests oft untergehen.

2. Analyse von Drosophila melanogaster:

   • Auf über 3 Millionen regulatorische Regionen angewendet, wurden 5,1 % der Peaks als unter gerichteter Selektion stehend identifiziert.
   • Diese Peaks sind angereichert in Genen, die mit Reproduktion und Immunsystem assoziiert sind.
   • Peaks unter gerichteter Selektion zeigen ein erhöhtes Verhältnis von Fixierungssubstitutionen zu Polymorphismen (SNPs), was auf kürzliche selektive Sweeps hindeutet.
   • Es wurde ein schwacher, aber signifikanter Zusammenhang gefunden: Gene, deren kodierende Sequenzen einer schwächeren reinigenden Selektion unterliegen, haben einen höheren Anteil an Peaks unter gerichteter Selektion.

3. Analyse menschlicher CTCF-Bindungsstellen:

   • Da einzelne Peaks in Säugetieren oft zu wenige Substitutionen aufweisen, wurde die Aggregationsstrategie angewendet.
   • Die Analyse ergab eine signifikante Anreicherung von Signalen gerichteter Selektion im Nervensystem (insbesondere ZNS) und im männlichen Reproduktionssystem.
   • Dies bestätigt frühere Befunde über schnelle adaptive Evolution in diesen Systemen.

Bedeutung

RegEvol stellt einen Paradigmenwechsel dar: Statt nur auf Substitutionsraten oder Konservierung zu schauen, verbindet es funktionelle Vorhersagen (wie Mutationen die TF-Bindung ändern) direkt mit evolutionären Modellen. Dies ermöglicht:

• Die Detektion von gerichteter Selektion in nicht-kodierenden Regionen, die für die Anpassung entscheidend ist, aber oft von konservierungsbasierten Methoden übersehen wird.
• Ein besseres Verständnis der Genotyp-Phänotyp-Beziehung auf molekularer Ebene.
• Eine robuste Methode, die auch bei begrenzten Daten (kurze Äste) durch Aggregation aussagekräftige Ergebnisse liefert.

Das Framework bietet somit eine leistungsfähige Basis, um die molekularen Mechanismen der Anpassung in regulatorischen Genomen systematisch zu untersuchen und die Lücke zwischen Sequenzvariation und phänotypischer Evolution zu schließen.