Scanning transcriptomes for nonlinear, domain-level similarities using hmSEEKR

Résumé technique : Analyse des transcriptomes pour la détection de similitudes non linéaires au niveau des domaines via hmSEEKR

Énoncé du problème
Les ARN longs non codants (lncARN) sont des régulateurs critiques des processus biologiques, pourtant la vaste majorité des lncARN annotés ne possède pas de fonctions assignées. Un défi majeur pour attribuer une fonction aux nouveaux lncARN est que ces derniers manquent souvent de similitude de séquence linéaire significative avec les ARN fonctionnels connus, rendant les outils d'alignement standard inefficaces. Bien que des travaux antérieurs aient établi que le contenu en k-mers non linéaire (via l'algorithme SEEKR) pouvait prédire la liaison aux protéines et la localisation cellulaire, le cadre SEEKR original exigeait que les utilisateurs fragmentent préalablement les transcrits cibles en domaines. Il s'agit d'une limitation importante car les limites des domaines fonctionnels dans les lncARN non caractérisés sont souvent inconnues ; une fragmentation arbitraire risque de diviser des domaines fonctionnels et de manquer des similitudes régionales.

Méthodologie
Les auteurs introduisent hmSEEKR, un modèle de Markov caché (HMM) à deux états conçu pour scanner les transcriptomes à la recherche de régions de similitudes de séquences non linéaires avec un domaine de requête sans nécessiter de connaissance préalable des limites de domaines.

• Cadre algorithmique : hmSEEKR compare un état « Requête » (Q), représentant un domaine d'intérêt, contre un état « Nul » (N), représentant un ensemble de séquences de fond (par exemple, le transcriptome). Il utilise des fréquences de k-mers calculées par pavage des séquences avec un pas d'un seul nucléotide.
• Émission conditionnée : Pour concilier la non-indépendance des k-mers générés par le pavage à un seul nucléotide avec les hypothèses d'émission indépendantes des HMM standards, hmSEEKR emploie une approche d'« émission conditionnée ». Celle-ci calcule la probabilité d'un k-mer spécifique en fonction du k-mer précédent dans la séquence, réduisant ainsi la matrice d'émission aux quatre k-mers pouvant suivre la position actuelle.
• Optimisation des paramètres : Puisque les ensembles de données d'entraînement appropriés pour les probabilités de transition des lncARN sont souvent indisponibles, les auteurs ont développé une fonction de recherche par grille. Celle-ci dérive empiriquement les probabilités de transition optimales ($qT$ et $nT$) en maximisant les valeurs de $r$ de Pearson dérivées de SEEKR entre la requête et les correspondances (hits) dans un ensemble d'entraînement. Sur la base de tests approfondis, les paramètres par défaut de $qT=0,99$ et $nT=0,90$ ont été établis pour $k=4, 5, 6$.
• Recherche combinatoire : Une fonctionnalité « seqs-to-summary » permet un scan parallèle contre plusieurs domaines de requête, agrégeant les correspondances pour identifier les transcrits contenant des similitudes de niveau domaine séquentielles.

Résultats clés
L'étude valide hmSEEKR en utilisant les lncARN conservés XIST, NEAT1 et MALAT1 comme sources de requête au sein des transcriptomes associés à la chromatine des cellules K562.

1. Récupération des domaines insérés : Lorsque des domaines connus de XIST, NEAT1 et MALAT1 ont été insérés de manière aléatoire dans le transcriptome, hmSEkl a récupéré avec succès 100 % des insertions. L'algorithme a démontré une robustesse à la mutation, $k=6$ étant le plus performant pour récupérer les fragments mutés.
2. Validation de l'interaction protéique : Les correspondances identifiées par hmSEEKR au sein du transcriptome présentaient un enrichissement significativement plus élevé pour les mêmes protéines de liaison à l'ARN (RBP) que leurs domaines de requête correspondants par rapport aux contrôles de mélange (shuffled). Cela s'est avéré vrai tant pour les domaines individuels que pour les interactions combinatoires (par exemple, des domaines connus pour lier plusieurs protéines simultanément).
3. Similitude à l'échelle du transcriptome : À des seuils stricts ($p < 0,001$), de nombreux domaines au sein de XIST, NEAT1 et MALAT1 se sont révélés uniques ou rares (correspondant à <200 gènes). Cependant, à des niveaux de stringence plus faibles ($p < 0,05$), des similitudes étendues ont été détectées dans les gènes codant pour des protéines et les lncARN, fréquemment situés dans des introns distaux.
4. Découverte de domaines séquentiels :
   • Transcrits de type XIST : Les recherches pour des transcrits contenant des correspondances séquentielles aux domaines minimaux fonctionnels de XIST (Repeats A, F, B1/2, D, E) ont identifié 674 candidats à $p < 0,05$, provenant majoritairement de gènes codant pour des protéines. Ces candidats présentaient des réseaux d'association protéique nettement plus similaires à XIST qu'au transcriptome de fond.
   • Transcrits de type NEAT1 : Des recherches similaires pour des domaines minimaux de NEAT1 ont identifié 2 003 candidats à $p < 0,05$. Ces candidats étaient significativement enrichis pour des propriétés « semi-extractibles » (une caractéristique de NEAT1) et présentaient des réseaux d'association protéique ressemblant à ceux de NEAT1.
5. Enrichissement des domaines régulateurs : En recherchant des ensembles de lncARN connus pour être des activateurs ou des répresseurs cis, les auteurs ont observé des enrichissements distincts. Les domaines associés à des complexes favorisant la transcription (ex: MLL, Médiateur, P300) étaient enrichis dans les lncARN activateurs, tandis que les domaines de liaison HNRNP étaient enrichis dans les lncARN répresseurs.

Signification et revendications
Les auteurs positionnent hmSEEKR comme un outil de génération d'hypothèses qui comble le fossé entre la séquence et la fonction pour les lncARN. Les principales revendications incluent :

• Exigences d'entraînement minimales : Contrairement aux modèles d'apprentissage profond qui nécessitent de vastes corpus d'entraînement curés (qui n'existent pas encore pour de nombreuses fonctions de lncARN), hmSEEKR peut être entraîné sur un seul domaine provenant d'un seul lncARN en utilisant des ressources informatiques standards.
• Découverte de similitudes non linéaires : L'outil permet la découverte a priori d'éléments fonctionnels basés sur un contenu en k-mers partagé, même lorsque l'alignement linéaire échoue.
• Pertinence biologique : L'identification de transcrits contenant des similitudes de domaines séquentielles à XIST et NEAT1, qui partagent ensuite des réseaux d'interaction protéique et des propriétés biologiques (comme la semi-extractibilité), suggère que hmSEEKR peut identifier des ARN ayant des fonctions biologiques analogues.
• Réservoirs introniques : Les résultats soutiennent la vision selon laquelle les éléments introniques, particulièrement dans les transcrits naissants, peuvent servir de réservoir de domaines régulateurs ayant des fonctions au-delà du contrôle de l'épissage.

L'article conclut que hmSEEKR offre une approche basée sur la séquence pour découvrir des éléments fonctionnels au sein des transcriptomes non codants, fournissant des points d'ancrage pour de futures validations expérimentales des mécanismes des lncARN.