De novo protein discovery in non-model organisms

Los autores desarrollaron "plant", un método computacional de novo análogo a la cromatografía que permite la comparación, anotación y cuantificación de dominios proteicos en transcriptomas de organismos no modelo sin requerir un genoma de referencia, como se demostró mediante un análisis de especies de *Selaginella* utilizando datos de RNA-seq de 1KP.

Lo esencial

Imagina que tienes dos bibliotecas de libros diferentes, pero ninguna de ellas tiene un índice, y los libros están escritos en idiomas que no hablas. Por lo general, para compararlas, necesitarías un traductor maestro o una guía de referencia. Pero, ¿qué pasaría si quisieras comparar estas bibliotecas sin tener nada de eso?

Ese es el problema que enfrentaron los científicos al intentar estudiar plantas que no tienen un "genoma de referencia" (un plano maestro) disponible. Para resolverlo, crearon una nueva herramienta digital llamada plant (que significa Anotación Paralela de Transcriptomas).

Así es como funciona, usando una analogía sencilla:

La analogía del filtro de café
Piensa en una mezcla compleja de posos de café y agua. Para entender qué hay dentro, podrías usar un filtro para separar el líquido de los sólidos. El método plant funciona de manera similar, pero en lugar de un filtro físico, utiliza un programa informático. Toma los datos desordenados y crudos del código genético de una planta (RNA-seq) y los "filtra" para aislar los bloques de construcción específicos que componen sus proteínas.

La comparación con los bloques LEGO
Por lo general, los científicos comparan las plantas observando genes específicos, lo cual es como intentar comparar dos juegos de instrucciones de LEGO completamente diferentes que utilizan sistemas de nombres totalmente distintos. Es difícil hacerlos coincidir.

En cambio, plant ignora las instrucciones específicas y observa los mismos bloques LEGO (dominios proteicos universales). Así como un "bloque rojo 2x4" es el mismo tanto si está en un juego de castillo como en uno de nave espacial, estos bloques de construcción de proteínas son universales en diferentes especies. Al contar cuántos de cada "bloque" se están utilizando en una planta frente a otra, la herramienta puede compararlas directamente, incluso si las plantas pertenecen a especies diferentes.

El experimento
Los investigadores probaron esto en varios tipos de plantas Selaginella (un tipo de planta antigua) utilizando datos del proyecto "1000 Plants". Realizaron tres cosas principales:

1. Ensamblaron el rompecabezas: Tomaron datos genéticos crudos y los unieron como si fuera un rompecabezas.
2. Identificaron las partes: Verificaron estas piezas contra una base de datos gigante (Pfam) para ver qué tipo de "bloques LEGO" (estructuras proteicas) eran.
3. Contaron las partes: midieron cuánto de cada bloque se estaba utilizando.

El resultado
Al combinar el "qué" (la estructura de la proteína) con el "cuánto" (la cantidad), pudieron ver exactamente qué estructuras proteicas estaban activas en las plantas. Debido a que se centraron en estos bloques universales, pudieron comparar las plantas de manera justa, incluso sin un plano maestro.

También encontraron algunos "bloques" únicos que solo aparecían en especies específicas y pudieron rastrearlos hasta el gen exacto que los producía. Finalmente, crearon un colorido "gráfico de burbujas" (un tipo de gráfico) para visualizar cómo se distribuían estas partes proteicas entre las diferentes plantas, lo que facilitaba ver los patrones de un vistazo.

En resumen, este método permite a los científicos comparar el funcionamiento interno de diferentes plantas centrándose en sus bloques de construcción compartidos y universales, en lugar de perderse en las diferencias de sus idiomas genéticos específicos.

Resumen técnico

Resumen Técnico: Descubrimiento de Proteínas De Novo en Organismos No Modelo

Enunciado del Problema
El desafío central abordado es el análisis de datos de RNA-seq provenientes de organismos no modelo que carecen de genomas de referencia. El análisis tradicional de expresión génica diferencial depende de mapeos de genes específicos de la especie, los cuales no están disponibles para muchas especies. En consecuencia, existe la necesidad de un método capaz de comparar datos transcriptómicos entre diferentes especies sin requerir un marco genómico preexistente, centrándose específicamente en la identificación y cuantificación de componentes proteicos en lugar de genes completos.

Metodología
Los autores desarrollaron un marco computacional denominado plant (Anotación Paralela de Transcriptomas), que establece una paralela conceptual con la cromatografía. Al igual que la cromatografía filtra una mezcla compleja para aislar componentes individuales, plant filtra datos transcriptómicos para identificar, anotar y cuantificar componentes proteicos específicos.

El flujo de trabajo procede de la siguiente manera:

1. Adquisición y Ensamblaje de Datos: Las lecturas crudas de RNA-seq de varias especies de Selaginella (obtenidas de la iniciativa 1000 Plant transcriptomes, o 1KP) fueron ensambladas en transcritos utilizando Trinity.
2. Anotación de Dominios: Los transcritos ensamblados fueron buscados contra la base de datos de dominios proteicos Pfam utilizando InterProScan. Esto desplaza la unidad de comparación de genes específicos de la especie a dominios proteicos universales.
3. Cuantificación: Los transcritos fueron cuantificados utilizando kallisto.
4. Integración: Los autores fusionaron los datos de anotación (presencia de estructuras proteicas específicas) con los datos de cuantificación (niveles de expresión). Esto permite determinar con qué frecuencia se expresa una estructura proteica predicha.
5. Visualización: Se generó un gráfico de burbujas para visualizar la distribución de las anotaciones Pfam y los términos de Ontología Génica (GO) a través de las especies estudiadas.

Contribuciones y Resultados Clave
La contribución principal es un método que permite la comparación entre especies basada en anotaciones de dominios proteicos universales en lugar de genes ortólogos. Al anclar las comparaciones a dominios proteicos, el método facilita el análisis de organismos separados por distancias evolutivas relativamente cortas sin un genoma de referencia.

Los hallazgos y capacidades clave demostrados incluyen:

• Comparabilidad entre Especies: Se demostró que las anotaciones cuantificadas de dominios proteicos son comparables entre diferentes especies.
• Identificación de Especificidad: El método identificó con éxito la presencia de dominios proteicos específicos de la especie.
• Rastreabilidad: El pipeline permite a los investigadores rastrear anotaciones de dominios específicos hasta sus genes de origen.
• Visualización: El estudio produjo representaciones visuales (gráficos de burbujas) de la distribución de anotaciones funcionales a través de las especies de Selaginella analizadas.

Significado y Afirmaciones
El artículo afirma que plant ofrece un enfoque viable para el descubrimiento de proteínas de novo y la transcriptómica comparativa en ausencia de genomas de referencia. Al tratar el transcriptoma como una mezcla que debe filtrarse y analizarse por sus dominios proteicos constituyentes, el método proporciona una forma de comparar el potencial funcional de diferentes especies. Los autores posicionan esto como una herramienta para "ver con qué frecuencia se expresa una estructura proteica predicha" entre especies, ofreciendo una vía para analizar datos transcriptómicos complejos donde los enfoques tradicionales centrados en genes fallan. El significado radica en la capacidad de realizar análisis comparativos en organismos no modelo utilizando datos de RNA-seq disponibles públicamente, siempre que la distancia evolutiva entre las especies sea relativamente corta.