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

Résumé technique : Un cadre unifié pour la détection des microprotéines

Énoncé du problème
Malgré la traduction généralisée des cadres de lecture ouverts non canoniques (ncORF) révélés par le profilage de ribosome (Ribo-seq), l'intégration de ces connaissances dans les flux de travail de spectrométrie de masse (MS) de routine reste difficile. Les annotations génomiques actuelles reposent sur des seuils de longueur arbitraires (par exemple, ~100 codons), excluant systématiquement des milliers de microprotéines fonctionnelles. Bien que des approches protéogénomiques spécialisées existent, elles font face à des barrières significatives :

1. Contraintes biochimiques : Les microprotéines sont souvent de faible abondance et génèrent peu de peptides tryptiques, ce qui les rend difficiles à détecter via la spectrométrie de masse conventionnelle (shotgun MS).
2. Limitations computationnelles : La recherche contre des bases de données exhaustives contenant toutes les microprotéines prédites (par exemple, OpenProt) augmente considérablement l'espace de recherche, réduisant la sensibilité pour les protéines canoniques et nécessitant des ressources informatiques excessives.
3. Incompatibilité des flux de travail : Combiner le Ribo-seq et la protéomique sur le même échantillon est souvent peu pratique en raison des différences d'exigences de préparation d'échantillons, des coûts et des complexités techniques, empêchant une intégration de routine dans les laboratoires standards.

Les modèles d'apprentissage profond existants pour prédire les sites d'initiation de la traduction (TIS), tels que l'original TIS Transformer, sont limités par leurs données d'entraînement, qui reposent largement sur les annotations Ensembl canoniques. Par conséquent, ils ne parviennent pas à prédire avec précision les sites de départ non-AUG et les ncORF, qui sont pourtant fréquents dans les données Ribo-seq.

Méthodologie
Les auteurs proposent un cadre unifié qui comble le fossé entre l'analyse des protéomes canoniques et non canoniques sans nécessiter de protocoles expérimentaux spécialisés pour chaque échantillon. La méthodologie se compose de trois composantes principales :

1. Méta-analyse de Ribo-seq et curation des données :

   • Les auteurs ont traité 108 expériences de Ribo-seq (771 fichiers FASTQ) provenant de 74 études sur 50 lignées cellulaires et tissus humains.
   • En utilisant l'outil RiboTIE, ils ont identifié 87 110 ORF uniques, extrayant 40 832 TIS non canoniques (ncTIS) associés à 19 585 ncORF distincts. Ce jeu de données comprenait divers biotypes (uORF, uoORF, intORF, etc.) et des codons d'initiation non-AUG (par exemple, CUG, GUG).

2. Réentraînement du TIS Transformer (TISnc Transformer) :

   • Les auteurs ont réentraîné le modèle d'apprentissage profond TIS Transformer en incorporant les 40 832 ncTIS dérivés expérimentalement comme étiquettes positives aux côtés des 96 555 TIS canoniques originaux d'Ensembl.
   • Ce réentraînement visait à enseigner au modèle les caractéristiques de séquence propres aux ncORF tout en préservant sa capacité à prédire les TIS canoniques.
   • Le modèle résultant, nommé TISnc Transformer, a été calibré pour maintenir un taux de rappel de 91 à 92 % pour les TIS canoniques.

3. Construction de la base de données Swiss-Prot/MicroProt :

   • Une base de données à taille contrôlée a été créée en combinant les séquences Swiss-Prot canoniques avec les 48 265 microprotéines dérivées de ncORF prédites par le TISnc Transformer.
   • Cette base de données a été conçue pour être compatible avec les moteurs de recherche standards (spécifiquement MaxQuant/Andromeda) afin de permettre l'identification de routine des microprotéines sans la pénalité computationnelle des bases de données exhaustives et non filtrées.

4. Validation et réanalyse :

   • Le cadre a été testé en réanalysant un ensemble de données MS complet de la lignée cellulaire HeLa (PXD004452) en utilisant à la fois la base de données Swiss-Prot standard et la nouvelle base de données Swiss-Prot/MicroProt.
   • Les microprotéines identifiées ont été recoupées avec des preuves orthogonales issues de Ribo-seq (RiboCRYPT, TransCODE v35, RiboTIE) et d'études MS indépendantes (Wacholder et al., Deutsch et al., OpenProt).

Résultats clés

• Performance du modèle : Le réentraînement avec les ncTIS a considérablement amélioré la capacité du modèle à détecter les ncORF. Le TISnc Transformer a prédit 48 265 ncORF contre 18 031 pour le modèle original, tout en conservant 98 % des prédictions originales des ORF canoniques. L'analyse statistique a confirmé un enrichissement hautement significatif des ncORF curés de TransCODE dans les nouvelles prédictions (p < 10⁻⁴⁶), indiquant une amélioration de la sensibilité plutôt qu'une simple augmentation du volume de recherche.
• Concordance protéomique : La recherche sur le jeu de données HeLa avec Swiss-Prot/MicroProt a maintenu un chevauchement de 98,83 % des correspondances spectre-peptide (PSM) avec la recherche Swiss-Prot standard. Le nombre total de PSM a diminué de seulement 0,49 %, et l'ensemble central de 13 291 protéines canoniques est resté largement intact.
• Découverte de microprotéines : La base de données étendue a identifié 539 microprotéines (représentant 3,87 % du total des groupes de protéines). Parmi celles-ci, 348 étaient uniques à la recherche étendue, et 270 possédaient des preuves orthogonales de leur existence (provenant de Ribo-seq ou d'autres études MS).
• Stabilité de la base de données : L'indice de Jaccard pour les protéines de tête entre les deux recherches était de 94,1 %, démontrant que l'inclusion de microprotéines n'a pas déstabilisé l'identification du protéome canonique.

Signification et revendications
L'article affirme fournir un cadre unifié qui facilite la détection systématique des microprotéines dans les flux de travail protéomiques conventionnels. En exploitant les données Ribo-seq pour informer un modèle de langage, les auteurs ont créé une base de données pratique (Swiss-Prot/MicroProt) qui :

• Comble le fossé : Elle permet l'analyse simultanée des protéomes canoniques et non canoniques sans nécessiter d'expériences Ribo-seq spécifiques à chaque échantillon pour chaque étude protéomique.
• Préserve la sensibilité : Elle évite la perte de sensibilité associée aux bases de données exhaustives en utilisant un ensemble de microprotéines prédites de haute confiance et à taille contrôlée.
• Permet une intégration de routine : Elle offre un intermédiaire accessible entre les ressources exploratoires de microprotéomes et les bases de données de référence largement utilisées, réduisant potentiellement le biais méthodologique qui sous-estime actuellement l'impact régulateur des microprotéines.

Les auteurs notent explicitement que cette approche n'est pas conçue pour la recherche spécialisée de pointe sur les microprotéines nécessitant un enrichissement en faibles poids moléculaires ou des pipelines hautement spécialisés. Au contraire, elle est destinée à récupérer une fraction significative de l'information biologique dans les expériences de protéomique shotgun standard, améliorant ainsi l'exhaustivité des études protéomiques fonctionnelles.