Alignment- and k-mer-based screening reveals widespread detectability of human lncRNA loci across great ape genomes

Resumen Técnico: El cribado basado en alineamiento y k-meros revela la detectabilidad generalizada de los loci de lncRNA humanos en los genomas de los grandes simios

Planteamiento del problema
Los ARN largos no codificantes (lncRNA) son reconocidos como reguladores clave de la expresión génica y la evolución fenotípica. Sin embargo, su rápida evolución de secuencia y la naturaleza incompleta de las anotaciones de los genomas de primates no humanos han limitado la comprensión de cómo persisten las secuencias asociadas a los lncRNA humanos a lo largo de la evolución de los primates. Las anotaciones actuales en primates no humanos (por ejemplo, ~1.786 lncRNAs en el chimpancé) probablemente subrepresentan la verdadera extensión de los homólogos de lncRNA humanos. Además, los enfoques convencionales de similitud de secuencias a menudo no logran identificar loci homólogos debido a la rápida divergencia, la variación estructural y las ensamblajes de genomas fragmentados. Los autores plantearon la hipótesis de que, a pesar de la rápida evolución, una fracción sustancial del contenido de secuencia de los lncRNA humanos sigue siendo detectable en los genomas de los grandes simios y el macaco rhesus, y que muchos loci pueden identificarse incluso en primates más distantemente relacionados.

Metodología
El estudio empleó un enfoque de estrategia dual que combina el cribado basado en alineamiento y el cribado de k-meros libre de alineamiento para evaluar la detectabilidad de las secuencias de lncRNA humanos en 11 ensamblajes de genomas de primates (humanos, grandes simios y macacos rhesus).

1. Datos de entrada: El conjunto de consulta consistió en 197.211 transcritos de lncRNA humanos de GENCODE v49 (que representan 36.994 genes).
2. Análisis basado en alineamiento:
   • Los transcritos humanos se alinearon con genomas de referencia de primates utilizando minimap2 (v2.30) con el ajuste preestablecido splice:hq para manejar alineamientos de transcrito-a-genoma con empalme (spliced).
   • Control de Calidad (QC): Los transcritos se clasificaron según la cobertura, la identidad y la calidad de mapeo (MAPQ).
     • PASS_STRICT: ≥80% de cobertura, ≥90% de identidad, MAPQ ≥30.
     • PASS_BASIC: ≥80% de cobertura, ≥80% de identidad, MAPQ ≥10.
   • Análisis de Sintenia: Los candidatos de alta confianza fueron validados mediante la comprobación de vecindarios genómicos conservados utilizando ortólogos uno a uno de genes codificadores de proteínas cercanos como anclajes.
3. Cribado de k-meros libre de alineamiento:
   • Implementado utilizando Filtros de Bloom Intercalados (IBFs) de la biblioteca SeqAn3.
   • Los genomas de referencia se fragmentaron en segmentos superpuestos de 900.000 pb.
   • Tamaños de k-mero: Probados desde 15 hasta 24 nucleótidos.
   • Puntuación: Un transcrito se consideró coincidente si el número de aciertos de k-meros superaba un umbral (establecido en 15).
   • QC: Similar al alineamiento, los transcritos se clasificaron como PASS_STRICT_KMER (≥85% de k-meros detectados) o PASS_BASIC_KMER (≥75% detectados).
4. Integración y Validación:
   • Coincidencia Exacta: Los flujos de trabajo basados en Bash realizaron una coincidencia estricta de cadenas exactas (k=35 para ZNF667-AS1; k=33–40 para HAR1A) para validar las discrepancias entre alineamiento y k-meros.
   • Datos de Expresión: Los datos del transcriptoma cerebral de bonobos (archivos BAM alineados a mPanPan1v20pri) se cuantificaron utilizando featureCounts para evaluar si los loci detectables por secuencia estaban transcripcionalmente activos.
   • Análisis de Regiones Compartidas: Un flujo de trabajo personalizado de MMseqs2 identificó regiones de secuencia locales compartidas dentro del repertorio de lncRNA humanos para distinguir la conservación de secuencias específicas de transcritos de las señales impulsadas por repeticiones.

Resultados Clave

• Detectabilidad Generalizada: A pesar de la rápida evolución, 135.596 transcritos (68,5% de la entrada) superaron los criterios estrictos de alineamiento en los 11 genomas, lo que corresponde a 30.205 genes únicos. Bajo los criterios básicos, estos números aumentaron a 141.093 transcritos y 31.267 genes. Solo 87 transcritos no lograron mapearse en ningún genoma.
• Enfoques Complementarios:
  • Alineamiento vs. k-mer: El alineamiento proporciona resolución posicional e isoforma-específica, mientras que el cribado de k-meros ofrece una detección robusta del contenido de secuencia incluso en ensamblajes fragmentados.
  • Especificidad de k-mer: La fracción de transcritos retenidos en todos los genomas disminuyó a medida que aumentaba el tamaño del k-mero (de ~48% con k=15 a ~10,5% con k=24), lo que refleja la acumulación de la divergencia de secuencia.
  • Solapamiento: Los candidatos de alto alineamiento (≥90% de cobertura/identidad) se solaparon significativamente con los transcritos soportados por k-meros estrictos, aunque la proporción de transcritos soportados por k-meros confirmados por alineamiento aumentó con tamaños de k-mero más grandes (63,2% con k=15 a 72,5% con k=24).
• Casos de Estudio:
  • HAR1A: Mostró un soporte de alineamiento estricto completo en todos los ensamblajes.
  • ZNF667-AS1: Detectado ampliamente pero mostró un soporte de alineamiento estricto reducido en ensamblajes específicos de macaco (Mmul10, T2TMMU8v20), probablemente debido a la calidad del ensamblaje. Sin embargo, el análisis de k-meros confirmó altos ratios de k-meros coincidentes promedio (~0,94–0,97), lo que indica la presencia de la secuencia subyacente.
  • HOTAIR, MALAT1, XIST: Demostraron una amplia detectabilidad de alineamiento, consistente con la conservación conocida.
• Sintenia y Expresión:
  • Sintenia: El 85,9–91,8% de los candidatos de alta confianza tenían al menos un ortólogo de proteína codificante vecino esperado, lo que respalda la conclusión de que estos son probablemente loci ortólogos en lugar de repeticiones dispersas.
  • Expresión: En el bonobo, la mayoría de los loci alineados estrictamente y soportados por k-meros estaban asociados con una expresión génica detectable. Requerir soporte estricto de k-meros en todos los genomas fue más restrictivo, identificando un subconjunto más pequeño y altamente conservado con una expresión amplia.
• Impacto de la Calidad del Ensamblaje: El estudio destacó que la fragmentación del ensamblaje (por ejemplo, en el ensamblaje Clint de Chimp) impactó significativamente la recuperación de k-meros y la calidad del alineamiento, distinguiendo la pérdida biológica de los artefactos técnicos.

Significado y Reivindicaciones
El artículo afirma que los homólogos de lncRNA humanos detectables por secuencia son sustancialmente más generalizados en los genomas de primates de lo que sugiere la anotación actual de primates no humanos. El estudio demuestra que:

1. Una gran fracción de las secuencias asociadas a lncRNA humanos persiste en los grandes simios y el macaco rhesus, desafiando la noción de que los lncRNA son enteramente específicos de un linaje o inidentificables más allá de sus parientes cercanos.
2. La combinación de alineamientos de transcritos con empalme y el cribado de k-meros libre de alineamiento proporciona un marco eficiente y escalable para análisis comparativos a gran escala. Este enfoque captura aspectos complementarios de la persistencia de la secuencia, permitiendo la priorización de lncRNA candidatos conservados y específicos de linaje.
3. Las anotaciones actuales en primates no humanos probablemente subrepresentan el contenido genómico compartido debido a ensamblajes incompletos y esfuerzos de anotación limitados.
4. El estudio no afirma que estas secuencias sean funcionalmente conservadas, sino que son detectables por secuencia, proporcionando una base para futuras investigaciones evolutivas y funcionales.

Los autores concluyen que su marco integrado revela la medida en que la anotación incompleta oscurece el contenido genómico compartido de los no codificantes y ofrece una base metodológica para la identificación de lncRNA candidatos para estudios posteriores.