A unified framework for the systematic detection of microproteins in standard proteomics workflows using a Ribo-seq informed transcriptomic language model

Resumen Técnico: Un Marco Unificado para la Detección de Microproteínas

Planteamiento del Problema
A pesar de la amplia traducción de los marcos abiertos de lectura no canónicos (ncORFs) revelados por el perfilado de ribosomas (Ribo-seq), la integración de este conocimiento en los flujos de trabajo rutinarios de espectrometría de masas (MS) sigue siendo difícil. Las anotaciones genómicas actuales dependen de umbrales de longitud arbitrarios (p. ej., ~100 codones), lo que excluye sistemáticamente miles de microproteínas funcionales. Aunque existen enfoques proteogenómicos especializados, estos enfrentan barreras significativas:

1. Restricciones Bioquímicas: Las microproteínas suelen tener una baja abundancia y generan pocos péptidos de tripsina, lo que dificulta su detección mediante MS convencional de tipo shotgun.
2. Limitaciones Computacionales: La búsqueda contra bases de datos exhaustivas que contienen todas las microproteínas predichas (p. ej., OpenProt) aumenta drásticamente el espacio de búsqueda, reduciendo la sensibilidad para las proteínas canónicas y requiriendo recursos computacionales excesivos.
3. Incompatibilidad de Flujo de Trabajo: Combinar Ribo-seq y proteómica en la misma muestra suele ser poco práctico debido a los diferentes requisitos de preparación de muestras, costos y complejidades técnicas, lo que impide la integración rutinaria en laboratorios estándar.

Los modelos de aprendizaje profundo existentes para predecir sitios de iniciación de la traducción (TIS), como el TIS Transformer original, están limitados por sus datos de entrenamiento, que dependen en gran medida de las anotaciones canónicas de Ensembl. En consecuencia, no logran predecir con precisión los inicios no-AUG y los ncORFs, que son prevalentes en los datos de Ribo-seq.

Metodología
Los autores proponen un marco unificado que cierra la brecha entre el análisis del proteoma canónico y el no canónico sin requerir protocolos experimentales especializados para cada muestra. La metodología consta de tres componentes principales:

1. Meta-análisis de Ribo-seq y Curación de Datos:

   • Los autores procesaron 108 experimentos de Ribo-seq (771 archivos FASTQ) de 74 estudios en 50 líneas celulares y tejidos humanos.
   • Utilizando la herramienta RiboTIE, identificaron 87,110 ORFs únicos, extrayendo 40,832 TISs no canónicos (ncTISs) asociados con 19,585 ncORFs distintos. Este conjunto de datos incluyó varios biotipos (uORFs, uoORFs, intORFs, etc.) y codones de iniciación no-AUG (p. ej., CUG, GUG).

2. Reentrenamiento de TIS Transformer (TISnc Transformer):

   • Los autores reentrenaron el modelo de aprendizaje profundo TIS Transformer incorporando los 40,832 ncTISs derivados experimentalmente como etiquetas positivas junto con los 96,555 TISs canónicos originales de Ensembl.
   • Este reentrenamiento tenía como objetivo enseñar al modelo características de secuencia únicas de los ncORFs mientras preservaba su capacidad para predecir TISs canónicos.
   • El modelo resultante, denominado TISnc Transformer, fue calibrado para mantener una tasa de recuperación (recall) del 91–92% para los TISs canónicos.

3. Construcción de la Base de Datos Swiss-Prot/MicroProt:

   • Se creó una base de datos de tamaño controlado combinando las secuencias canónicas de Swiss-Prot con las 48,265 microproteínas derivadas de ncORF predichas por el TISnc Transformer.
   • Esta base de datos fue diseñada para ser compatible con motores de búsqueda estándar (específicamente MaxQuant/Andromeda) para permitir la identificación rutinaria de microproteínas sin la penalización computacional de las bases de datos exhaustivas y sin filtrar.

4. Validación y Reanálisis:

   • El marco fue probado mediante el reanálisis de un conjunto de datos de MS de la línea celular HeLa (PXD004452) utilizando tanto la base de datos estándar Swiss-Prot como la nueva base de datos Swiss-Prot/MicroProt.
   • Las microproteínas identificadas fueron cotejadas con evidencia ortogonal de Ribo-seq (RiboCRYPT, TransCODE v35, RiboTIE) y estudios de MS independientes (Wacholder et al., Deutsch et al., OpenProt).

Resultados Clave

• Desempeño del Modelo: El reentrenamiento con ncTISs mejoró significativamente la capacidad del modelo para detectar ncORFs. El TISnc Transformer predijo 48,265 ncORFs en comparación con los 18,031 del modelo original, mientras retenía el 98% de las predicciones originales de ORF canónicos. El análisis estadístico confirmó un enriquecimiento altamente significativo de los ncORFs curados de TransCODE en las nuevas predicciones (p < 10⁻⁴⁶), lo que indica una mejora en la sensibilidad más que solo un aumento en el volumen de búsqueda.
• Concordancia Proteómica: La búsqueda del conjunto de datos HeLa con Swiss-Prot/MicroProt mantuvo un solapamiento del 98.83% en las coincidencias de espectro-péptido (PSMs) con la búsqueda estándar de Swiss-Prot. El recuento total de PSMs disminuyó solo un 0.49%, y el conjunto central de 13,291 proteínas canónicas permaneció prácticamente inalterado.
• Descubrimiento de Microproteínas: La base de datos ampliada identificó 539 microproteínas (que representan el 3.87% de los grupos proteicos totales). De estas, 348 fueron únicas de la búsqueda ampliada, y 270 contaban con evidencia ortogonal de existencia (de Ribo-seq u otros estudios de MS).
• Estabilidad de la Base de Datos: El índice de Jaccard para las proteínas principales entre las dos búsquedas fue del 94.1%, demostrando que la inclusión de microproteínas no desestabilizó la identificación del proteoma canónico.

Significancia y Reivindicaciones
El artículo afirma proporcionar un marco unificado que facilita la detección sistemática de microproteínas dentro de los flujos de trabajo de proteómica convencionales. Al aprovechar los datos de Ribo-seq para informar un modelo de lenguaje, los autores crearon una base de datos práctica (Swiss-Prot/MicroProt) que:

• Cierra la Brecha: Permite el análisis simultáneo de los proteomas canónicos y no canónicos sin requerir experimentos de Ribo-seq especializados y específicos para cada muestra proteómica.
• Preserva la Sensibilidad: Evita la pérdida de sensibilidad asociada con las bases de datos exhaustivas mediante el uso de un conjunto de microproteínas predichas de alta confianza y tamaño controlado.
• Permite la Integración Rutinaria: Ofrece un intermediario accesible entre los recursos exploratorios de microproteomas y las bases de datos de referencia ampliamente utilizadas, reduendo potencialmente el sesgo metodológico que actualmente subestima el impacto regulador de las microproteínas.

Los autores señalan explícitamente que este enfoque no está diseñado para la investigación especializada de vanguardia en microproteínas que requiera enriquecimiento de bajo peso molecular o canales altamente especializados. En cambio, está destinado a recuperar una fracción significativa de la información biológica en experimentos estándar de proteómica shotgun, mejorando así la completitud de los estudios proteómicos funcionales.