Scanning transcriptomes for nonlinear, domain-level similarities using hmSEEKR

Resumen Técnico: Escaneo de Transcriptomas para la Identificación de Similitudes No Lineales a Nivel de Dominio mediante hmSEEKR

Planteamiento del Problema
Los ARN largos no codificantes (lncRNAs) son reguladores críticos de procesos biológicos; sin embargo, la gran mayoría de los lncRNAs anotados carecen de funciones asignadas. Un desafío primordial para atribuir funciones a nuevos lncRNAs es que, a menudo, carecen de una similitud de secuencia lineal significativa con RNAs funcionales conocidos, lo que invalida las herramientas de alineación estándar. Si bien trabajos previos establecieron que el contenido de k-meros no lineal (mediante el algoritmo SEEKR) podía predecir la unión a proteínas y la localización celular, el marco original de SEEKR requería que los usuarios fragmentaran previamente los transcritos objetivo en dominios. Esta es una limitación significativa porque los límites de los dominios funcionales en lncRNAs no caracterizados suelen ser desconocidos; la fragmentación arbitraria conlleva el riesgo de dividir dominios funcionales y perder similitudes regionales.

Metodología
Los autores presentan hmSEEKR, un Modelo Oculto de Markov (HMM) de dos estados diseñado para escanear transcriptomas en busca de regiones de similitud de secuencia no lineal con un dominio de consulta sin requerir conocimiento previo de los límites de los domios.

• Marco Algorítmico: hmSEEKR compara un estado de "Consulta" (Q), que representa un dominio de interés, contra un estado "Nulo" (N), que representa un conjunto de secuencias de fondo (por ejemplo, el transcriptoma). Utiliza frecuencias de k-meros calculadas mediante el desplazamiento (tiling) a través de secuencias con un tamaño de paso de un solo nucleótido.
• Emisión Condicionada: Para reconciliar la no independencia de los k-meros generados por el desplazamiento de un solo nucleótido con los supuestos de emisión independiente de los HMM estándar, hmSEEKR emplea un enfoque de "emisión condicionada". Este calcula la probabilidad de un k-mero específico basándose en el k-mero precedente en la secuencia, reduciendo efectivamente la matriz de emisión a los cuatro k-meros posibles que pueden seguir a la posición actual.
• Optimización de Parámetros: Dado que a menudo no se dispone de conjuntos de datos de entrenamiento adecuados para las probabilidades de transición de lncRNA, los autores desarrollaron una función de búsqueda en cuadrícula (grid-search). Esta deriva empíricamente las probabilidades de transición óptimas ($qT$y$nT$) maximizando los valores de $r$ de Pearson derivados de SEEKR entre la consulta y los aciertos (hits) en un conjunto de entrenamiento. Basándose en pruebas extensas, se establecieron los parámetros por defecto de $qT=0.99$y$nT=0.90$ para $k=4, 5, 6$.
• Búsqueda Combinatoria: Una característica de "secuencias-a-resumen" (seqs-to-summary) permite el escaneo paralelo contra múltiples dominios de consulta, agregando los aciertos para identificar transcritos que contienen similitudes secuenciales a nivel de dominio.

Resultados Clave
El estudio valida hmSEEKR utilizando los lncRNAs conservados XIST, NEAT1 y MALAT1 como fuentes de consulta dentro de transcriptomas asociados a la cromatina de células K562.

1. Recuperación de Dominios Insertados: Cuando se insertaron aleatoriamente dominios conocidos de XIST, NEAT1 y MALAT1 en el transcriptoma, hmSEEKR recuperó exitosamente el 100% de las inserciones. El algoritmo demostró robustez ante mutaciones, siendo $k=6$ el que mejor desempeñó la recuperación de fragmentos mutados.
2. Validación de Interacción Proteica: Los aciertos identificados por hmSEEKR dentro del transcriptoma exhibieron un enriquecimiento significativamente mayor para las mismas proteínas de unión a ARN (RBPs) que sus correspondientes dominios de consulta en comparación con los controles aleatorizados. Esto se mantuvo constante tanto para dominios individuales como para interacciones combinatorias (por ejemplo, dominios conocidos por unirse a múltiples proteínas simultáneamente).
3. Similitud en Todo el Transcriptoma: Con umbrales estrictos ($p < 0.001$), muchos dominios dentro de XIST, NEAT1 y MALAT1 resultaron ser únicos o raros (coincidiendo con <200 genes). Sin embargo, con una menor rigurosidad ($p < 0.05$), se detectaron similitudes generalizadas tanto en genes codificantes de proteínas como en lncRNAs, localizadas frecuentemente en intrones distales.
4. Descubrimiento de Dominios Secuenciales:
   • Transcritos tipo XIST: Las búsquedas de transcritos que contienen aciertos secuenciales a los dominios funcionales mínimos de XIST (Repeats A, F, B1/2, D, E) identificaron 674 candidatos a $p < 0.05$, la mayoría provenientes de genes codificantes de proteínas. Estos candidatos mostraron redes de asociación proteica significativamente más similares a XIST que el transcriptoma de fondo.
   • Transcritos tipo NEAT1: Búsquedas similares de dominios mínimos de NEAT1 identificaron 2,003 candidatos a $p < 0.05$. Estos candidatos estuvieron significativamente enriquecidos para propiedades "semi-extraíbles" (un sello distintivo de NEAT1) y exhibieron redes de asociación proteica que asemejan a NEAT1.
5. Enriquecimiento de Dominios Regulatorios: Al buscar conjuntos de lncRNAs conocidos como activadores y represores cis, los autores observaron enriquecimientos distintos. Los dominios asociados con complejos de promoción de la transcripción (ej. MLL, Mediador, P300) se enriquecieron en lncRNAs activadores, mientras que los dominios de unión a HNRNP se enriquecieron en lncRNAs represores.

Significado y Reivindicaciones
Los autores posicionan a hmSEEKR como una herramienta de generación de hipótesis que cierra la brecha entre la secuencia y la función para los lncRNAs. Las afirmaciones clave incluyen:

• Requisitos Mínimos de Entrenamiento: A diferencia de los modelos de aprendizaje profundo que requieren grandes corpus de entrenamiento curados (que aún no existen para muchos lncRNAs), hmSEEKR puede entrenarse utilizando un solo dominio de un solo lncRNA con recursos computacionales estándar.
• Descubrimiento de Similitudes No Lineales: La herramienta permite el descubrimiento a priori de elementos funcionales basados en el contenido compartido de k-meros, incluso cuando la alineación lineal falla.
• Relevancia Biológica: La identificación de transcritos con similitudes de dominio secuenciales a XIST y NEAT1, que posteriormente comparten redes de interacción proteica y propiedades biológicas (como la semi-extraibilidad), sugiere que hmSEEKR puede identificar RNAs con funciones biológicas análogas.
• Reservorios Intrónicos: Los hallazgos apoyan la visión de que los elementos intrónicos, particularmente en los transcritos nacientes, pueden servir como un reservorio de dominios regulatorios con funciones que van más allá del control del splicing.

El artículo concluye que hmSEEKR ofrece un enfoque informado por la secuencia para descubrir elementos funcionales dentro de los transcriptomas no codificantes, proporcionando puntos de partida para la futura validación experimental de los mecanismos de los lncRNAs.