SEGUID v2: Extending SEGUID checksums for circular, linear, single- and double-stranded biological sequences

El artículo presenta SEGUID v2, una extensión del algoritmo de checksum original que genera identificadores únicos e invariantes a la orientación y rotación para secuencias biológicas circulares, lineales, de cadena simple y doble, mejorando además la compatibilidad de su codificación para su uso en nombres de archivos y URLs.

Lo esencial

¡Hola! Imagina que el mundo de la biología es como una inmensa biblioteca llena de libros de recetas (ADN) que los científicos usan para crear nuevas medicinas, alimentos o incluso organismos sintéticos.

El problema es que en esta biblioteca, los "libros" (las secuencias de ADN) pueden venir en muchas formas: pueden ser líneas rectas, bucles cerrados (como una rosquilla), o tener dos páginas que son el reflejo exacto una de la otra (como un libro abierto). Además, a veces el mismo libro se puede leer empezando por la página 1 o por la página 50, y sigue siendo el mismo libro.

Aquí es donde entra en juego el SEGUID v2. Vamos a explicarlo con una analogía sencilla: El "DNI" o Huella Digital de la Vida.

1. El problema: ¿Cómo identificar un libro si cambia de forma?

Imagina que tienes una receta de pizza.

• Versión 1 (ADN lineal): Es un papel largo.
• Versión 2 (ADN circular): Es un papel enrollado en un anillo.
• Versión 3 (ADN de doble hebra): Es un libro abierto donde la página izquierda es el reflejo de la derecha.

En el pasado, los científicos usaban un sistema antiguo (como un código de barras CRC) para identificar estas recetas. Pero ese sistema fallaba: dos recetas diferentes a veces tenían el mismo código de barras (¡como dos personas con la misma huella dactilar!). Además, si tomabas el mismo anillo de ADN y lo girabas un poco, el código cambiaba, aunque fuera el mismo anillo. ¡Era un caos para organizar la biblioteca!

2. La solución: SEGUID v2 (El DNI Inteligente)

Los autores de este paper crearon una nueva versión de un sistema llamado SEGUID (que significa "Identificador Global Único de Secuencia"). Piensa en SEGUID v2 como un DNI biológico súper inteligente que tiene tres superpoderes:

A. El poder de la "Rotación" (Para los anillos)

Imagina que tienes una pulsera de cuentas de colores. Si la giras, las cuentas cambian de orden visualmente, pero la pulsera es la misma.

• Antes: Si girabas la pulsera, el sistema pensaba que era una pulsera nueva.
• Ahora (SEGUID v2): El sistema sabe que es una pulsera. Busca la forma "más ordenada" de leerla (como si siempre la leyeras empezando por la cuenta más pequeña alfabéticamente) y le asigna un solo número único, sin importar cómo la hayas girado.

B. El poder del "Espejo" (Para las dobles hebras)

El ADN de doble cadena es como un libro abierto: si lees la página izquierda o la derecha, es la misma historia, solo que escrita al revés.

• Antes: Si leías la página izquierda, el código era uno. Si leías la derecha, era otro. ¡Confusión!
• Ahora (SEGUID v2): El sistema mira ambas páginas, las compara y elige la versión que "se lee mejor" (la que es más pequeña en orden alfabético) para crear el código. Así, da el mismo DNI sin importar por qué lado del libro empieces a leer.

C. El poder de la "Seguridad" (Para evitar errores)

El sistema usa una "fórmula mágica" matemática (llamada SHA-1) que convierte la receta en una cadena de 27 caracteres. Es como si la receta se convirtiera en una contraseña única.

• Nuevo detalle: Antes, la contraseña tenía símbolos raros como / o + que rompían los nombres de archivos en las computadoras.
• Mejora: SEGUID v2 usa una versión "amigable" de la contraseña (llamada Base64url) que solo usa letras, números, guiones bajos y guiones. ¡Ahora puedes poner este código directamente en el nombre de un archivo o en una dirección web sin que se rompa!

3. ¿Por qué es importante esto para la gente común?

Imagina que eres un estudiante de biología haciendo un ejercicio de laboratorio virtual. Tu profesor te dice: "Clona este gen". Tú lo haces en tu computadora y obtienes un resultado.

• Sin SEGUID: Tendrías que comparar página por página tu resultado con el del profesor. ¡Lento y propenso a errores!
• Con SEGUID v2: Tu computadora genera un código corto (como CzM-IG). Tu profesor ya tiene el código correcto. Si tu código coincide, ¡sabes al instante que hiciste el trabajo perfecto!

Además, esto ayuda a que científicos de todo el mundo sepan que están usando exactamente la misma "receta" genética, evitando errores en investigaciones sobre cambio climático, nuevas vacunas o alimentos más nutritivos.

En resumen

SEGUID v2 es como un sistema de identificación universal para la vida.

1. Reconoce que un anillo es un anillo, aunque lo gires.
2. Reconoce que un libro abierto es el mismo libro, aunque leas la página izquierda o la derecha.
3. Crea un código corto, único y seguro que cabe en cualquier archivo de computadora.

Gracias a esto, la "biblioteca de la vida" está mucho más organizada, segura y fácil de usar para todos.

Resumen técnico

Resumen Técnico: SEGUID v2

1. El Problema

En la biología sintética y la investigación genómica, es crucial garantizar la integridad de las secuencias biológicas (ADN, ARN, proteínas) al distribuirlas, almacenarlas o compartirlas entre repositorios (como Addgene o iGEM). Aunque existen algoritmos de checksum (como CRC-64 o MD5), presentan limitaciones críticas para secuencias biológicas complejas:

• Colisiones: Algoritmos como CRC-64 sufren colisiones (diferentes secuencias con el mismo hash), como se demostró con dos proteínas que diferían en dos aminoácidos pero compartían el mismo checksum.
• Topología de la ADN: El algoritmo original SEGUID (basado en SHA-1) funcionaba bien para secuencias de proteínas y ADN de cadena simple lineal. Sin embargo, fallaba ante:
  • ADN de doble cadena (dsDNA): Las dos hebras complementarias (Watson y Crick) son representaciones válidas del mismo molécula, pero generan checksums diferentes si se calculan por separado.
  • Secuencias circulares: El ADN circular (plásmidos, circARN) no tiene un punto de inicio o fin definido. Cualquier rotación de la secuencia representa la misma molécula, pero generaba checksums distintos con el método original.
• Usabilidad: El formato de codificación original (Base64 estándar) utilizaba caracteres como / y +, lo que impedía su uso directo en nombres de archivos o URLs sin necesidad de codificación adicional.

2. Metodología

Los autores proponen SEGUID v2, una extensión del algoritmo original diseñada para ser invariante a la orientación y rotación. La metodología se basa en tres pilares fundamentales:

A. Representación Única (Canónica)
Para resolver la ambigüedad topológica, SEGUID v2 define un procedimiento estricto para convertir cualquier secuencia de entrada en una representación lineal única antes de calcular el hash:

• Cadena Simple Lineal: Se usa la secuencia tal cual.
• Doble Cadena Lineal (dsDNA): Se consideran las dos hebras (Watson y Crick). Se selecciona la representación lexicográficamente menor entre la secuencia original y su complementaria. Para secuencias con extremos escalonados (staggered), se utiliza el símbolo - (guion) para indicar huecos, definiendo que - es lexicográficamente menor que cualquier nucleótido.
• Cadena Simple Circular: Se generan todas las rotaciones posibles de la secuencia y se selecciona la que produce la cadena lineal lexicográficamente más pequeña (rotación mínima).
• Doble Cadena Circular: Se combinan los pasos anteriores: se generan las rotaciones mínimas para ambas hebras (original y complementaria) y se selecciona la representación lexicográficamente menor entre ambas.

B. Función de Hash

• Se mantiene el uso de SHA-1 (Secure Hash Algorithm 1) para generar un hash de 160 bits.
• Justificación: Aunque SHA-1 no es seguro criptográficamente para firmas digitales (debido a colisiones artificiales demostradas), es suficiente para la integridad de datos biológicos donde el objetivo es la detección de errores accidentales y la búsqueda rápida, no la seguridad contra ataques maliciosos. SHA-1 ofrece un equilibrio óptimo entre longitud del checksum (27 caracteres) y probabilidad de colisión aleatoria extremadamente baja.

C. Codificación y Formato

• Base64url: Se cambia de Base64 estándar a Base64url. Esto reemplaza / por _ y + por -, eliminando el relleno (=) innecesario. Esto permite que los checksums se usen directamente en nombres de archivos, URLs y sistemas de archivos sin conflictos.
• Prefijos de Tipo: Para evitar ambigüedades y errores de interpretación (ej. que Excel convierta cadenas numéricas), SEGUID v2 añade un prefijo al checksum indicando el tipo de secuencia:
  • lsseguid: Lineal, cadena simple.
  • csseguid: Circular, cadena simple.
  • ldseguid: Lineal, doble cadena.
  • cdseguid: Circular, doble cadena.
• ID Corto (Short ID): Se define una versión de 6 caracteres (sin prefijo) para uso humano y búsquedas rápidas, con una probabilidad de colisión baja para conjuntos de datos de tamaño moderado.

D. Flexibilidad de Alfabetos
El algoritmo soporta ADN, ARN y proteínas, pero también permite alfabetos personalizados (hasta 60 símbolos), incluyendo modificaciones epigenéticas (ej. metilación) o secuencias con uracilo en ADN, siempre que se defina la complementariedad (biyectiva o no).

3. Resultados y Contribuciones Clave

• Invarianza Topológica: SEGUID v2 produce el mismo checksum independientemente de si la secuencia se presenta como hebra Watson o Crick, o desde cualquier punto de inicio en secuencias circulares.
• Herramientas de Software: Se han implementado paquetes de código abierto (licencia MIT) para los principales lenguajes:
  • JavaScript (seguid en npm)
  • Python (seguid en PyPi)
  • R (seguid en CRAN)
  • Tcl (script)
• Interfaces Gráficas (GUI): Integración con el popular editor de plásmidos ApE (A plasmid Editor) y un calculador web basado en navegador que funciona localmente (WebAssembly).
• Validación: Se proporciona un marco de pruebas unitarias exhaustivo para asegurar que todas las implementaciones en diferentes lenguajes produzcan resultados idénticos.
• Aplicación Educativa: Se demuestra el uso de los checksums (y sus versiones cortas) en ejercicios de clonación in silico para estudiantes universitarios, permitiéndoles verificar sus resultados de manera autónoma y rápida.

4. Significado e Impacto

El lanzamiento de SEGUID v2 representa un avance significativo para la biología sintética y la bioinformática:

• Estandarización Global: Proporciona una "clave maestra" estable y única para cualquier molécula biológica, facilitando la integración de datos entre bases de datos heterogéneas (UniProt, GenBank, repositorios de plásmidos).
• Integridad de Datos: Permite a los investigadores verificar rápidamente que todos los miembros de un grupo o consorcio están utilizando la misma secuencia exacta, reduciendo errores de reproducibilidad.
• Usabilidad Práctica: Al resolver los problemas de topología (circularidad/doble cadena) y compatibilidad con sistemas de archivos (Base64url), elimina barreras técnicas para la adopción masiva de checksums en flujos de trabajo diarios de laboratorio y software de edición genética.
• Futuro: Facilita la creación de servicios de referencia globales para ADN circular y promueve la interoperabilidad en la era de la biología sintética, donde la construcción de sistemas biológicos complejos depende de la precisión en el intercambio de partes genéticas.

En conclusión, SEGUID v2 transforma el checksum de una simple herramienta de verificación de datos en un identificador robusto, topológicamente consciente y universalmente aplicable a la diversidad de secuencias biológicas modernas.