De novo protein discovery in non-model organisms

Les auteurs ont développé « plant », une méthode computationnelle de novo analogue à la chromatographie qui permet la comparaison, l'annotation et la quantification des domaines protéiques au sein des transcriptomes d'organismes non modèles sans nécessiter de génome de référence, comme le démontre une analyse des espèces de *Selaginella* utilisant des données de séquençage ARN 1KP.

L'essentiel

Imaginez que vous avez deux bibliothèques de livres différentes, mais qu'aucune ne possède de table des matières et que les livres sont écrits dans des langues que vous ne parlez pas. Habituellement, pour les comparer, vous auriez besoin d'un traducteur principal ou d'un guide de référence. Mais que se passerait-il si vous vouliez comparer ces bibliothèques sans rien de tout cela ?

C'est le problème que les scientifiques ont rencontré lorsqu'ils ont tenté d'étudier des plantes ne disposant pas de « génome de référence » (un plan directeur) disponible. Pour résoudre ce problème, ils ont créé un nouvel outil numérique appelé plant (qui signifie Annotation Parallèle des Transcritomes).

Voici comment cela fonctionne, en utilisant une analogie simple :

L'analogie du filtre à café
Imaginez un mélange complexe de marc de café et d'eau. Pour comprendre ce qu'il contient, vous pourriez utiliser un filtre pour séparer le liquide des solides. La méthode plant fonctionne de manière similaire, mais au lieu d'un filtre physique, elle utilise un programme informatique. Elle prend les données brutes et désordonnées du code génétique d'une plante (RNA-seq) et les « filtre » pour isoler les blocs de construction spécifiques qui composent ses protéines.

La comparaison avec les briques LEGO
Habituellement, les scientifiques comparent les plantes en examinant des gènes spécifiques, ce qui revient à essayer de comparer deux ensembles d'instructions LEGO différents utilisant des systèmes de nommage complètement distincts. Il est difficile de les faire correspondre.

Au lieu de cela, plant ignore les instructions spécifiques et examine les briques LEGO elles-mêmes (les domaines protéiques universels). Tout comme une « brique rouge 2x4 » est la même qu'elle se trouve dans un ensemble de château ou dans un ensemble de vaisseau spatial, ces blocs de construction protéiques sont universels à travers différentes espèces. En comptant combien de chaque « brique » est utilisée dans une plante par rapport à une autre, l'outil peut les comparer directement, même si les plantes appartiennent à des espèces différentes.

L'expérience
Les chercheurs ont testé cela sur plusieurs types de plantes Selaginella (un type de plante ancienne) en utilisant des données du projet « 1000 Plants ». Ils ont fait trois choses principales :

1. Assemblé le puzzle : Ils ont pris des données génétiques brutes et les ont assemblées comme un puzzle.
2. Identifié les pièces : Ils ont vérifié ces pièces contre une gigantesque base de données (Pfam) pour voir quel type de « briques LEGO » (structures protéiques) elles étaient.
3. Compté les pièces : Ils ont mesuré la quantité de chaque brique utilisée.

Le résultat
En combinant le « quoi » (la structure protéique) avec le « combien » (la quantité), ils ont pu voir exactement quelles structures protéiques étaient actives dans les plantes. Parce qu'ils se sont concentrés sur ces briques universelles, ils ont pu comparer les plantes équitablement, même sans plan directeur.

Ils ont également découvert certaines « briques » uniques qui n'apparaissaient que dans des espèces spécifiques et ont pu les retracer jusqu'au gène exact qui les produisait. Enfin, ils ont créé un « diagramme à bulles » coloré (un type de graphique) pour visualiser la répartition de ces parties protéiques à travers les différentes plantes, rendant facile la détection des modèles d'un coup d'œil.

En bref, cette méthode permet aux scientifiques de comparer le fonctionnement interne de différentes plantes en se concentrant sur leurs blocs de construction partagés et universels, plutôt que de se perdre dans les différences de leurs langages génétiques spécifiques.

Résumé technique

Résumé technique : Découverte de protéines de novo chez les organismes non modèles

Énoncé du problème
Le défi central abordé est l'analyse de données RNA-seq provenant d'organismes non modèles dépourvus de génomes de référence. L'analyse traditionnelle de l'expression différentielle des gènes repose sur des mappages de gènes spécifiques à l'espèce, qui sont indisponibles pour de nombreuses espèces. Par conséquent, il existe un besoin d'une méthode capable de comparer des données transcriptomiques entre différentes espèces sans exiger un cadre génomique préexistant, en se concentrant spécifiquement sur l'identification et la quantification des composants protéiques plutôt que sur les gènes entiers.

Méthodologie
Les auteurs ont développé un cadre computationnel nommé plant (Parallel Annotation of Transcriptomes), qui établit un parallèle conceptuel avec la chromatographie. Tout comme la chromatographie filtre un mélange complexe pour isoler des composants individuels, plant filtre les données transcriptomiques pour identifier, annoter et quantifier des composants protéiques spécifiques.

Le flux de travail se déroule comme suit :

1. Acquisition et assemblage des données : Les lectures brutes RNA-seq de diverses espèces de Selaginella (provenant de l'initiative 1000 Plant transcriptomes, ou 1KP) ont été assemblées en transcrits à l'aide de Trinity.
2. Annotation des domaines : Les transcrits assemblés ont été recherchés contre la base de données de domaines protéiques Pfam en utilisant InterProScan. Cela déplace l'unité de comparaison des gènes spécifiques à l'espèce vers des domaines protéiques universels.
3. Quantification : Les transcrits ont été quantifiés à l'aide de kallisto.
4. Intégration : Les auteurs ont fusionné les données d'annotation (présence de structures protéiques spécifiques) avec les données de quantification (niveaux d'expression). Cela permet de déterminer à quelle fréquence une structure protéique prédite est exprimée.
5. Visualisation : Un diagramme à bulles a été généré pour visualiser la distribution des annotations Pfam et des termes d'ontologie des gènes (GO) à travers les espèces étudiées.

Contributions et résultats clés
La contribution principale est une méthode permettant des comparaisons interspécifiques basées sur des annotations de domaines protéiques universels plutôt que sur des gènes orthologues. En ancrant les comparaisons sur des domaines protéiques, la méthode facilite l'analyse d'organismes séparés par des distances évolutives relativement courtes sans génome de référence.

Les principaux résultats et capacités démontrés incluent :

• Comparabilité interspécifique : Les annotations quantifiées des domaines protéiques se sont révélées comparables entre différentes espèces.
• Identification de la spécificité : La méthode a permis d'identifier avec succès la présence de domaines protéiques spécifiques à une espèce.
• Traçabilité : Le pipeline permet aux chercheurs de retracer des annotations de domaines spécifiques jusqu'à leurs gènes d'origine.
• Visualisation : L'étude a produit des représentations visuelles (diagrammes à bulles) de la distribution des annotations fonctionnelles à travers les espèces de Selaginella analysées.

Portée et affirmations
L'article affirme que plant offre une approche viable pour la découverte de protéines de novo et la transcriptomique comparative en l'absence de génomes de référence. En traitant le transcriptome comme un mélange à filtrer et à analyser selon ses domaines protéiques constitutifs, la méthode fournit un moyen de comparer le potentiel fonctionnel de différentes espèces. Les auteurs présentent cela comme un outil pour « voir à quelle fréquence une structure protéique prédite est exprimée » à travers les espèces, offrant une voie pour analyser des données transcriptomiques complexes là où les approches centrées sur les gènes traditionnelles échouent. La portée réside dans la capacité à effectuer des analyses comparatives sur des organismes non modèles en utilisant des données RNA-seq disponibles publiquement, à condition que la distance évolutive entre les espèces soit relativement courte.