SEGUID v2: Extending SEGUID checksums for circular, linear, single- and double-stranded biological sequences

Il paper presenta SEGUID v2, un'estensione dell'algoritmo di checksum originale che genera identificatori univoci, invarianti per rotazione e orientamento, per sequenze biologiche lineari e circolari a singolo o doppio filamento, migliorando al contempo la compatibilità con i sistemi operativi e gli URL grazie all'uso di Base64url.

L'essenziale

Immagina di avere una biblioteca immensa di istruzioni genetiche, come se fossero ricette per costruire organismi viventi. Ogni ricetta è scritta su un foglio di carta (il DNA). A volte, queste ricette sono su fogli dritti e rigidi (lineari), altre volte sono arrotolate in cerchi perfetti (circolari). Inoltre, alcune ricette sono scritte su un solo lato del foglio, mentre altre hanno due facce complementari, come un foglio di carta velina con la scritta che si specchia dall'altra parte.

Il problema è: come fai a essere sicuro al 100% che la ricetta che hai in mano sia esattamente la stessa che ha inviato il tuo collega, senza errori di battitura o copie sbagliate?

Qui entra in gioco il SEGUID v2, un nuovo sistema intelligente descritto in questo articolo. Ecco come funziona, spiegato in modo semplice:

1. Il problema dei "Fogli Ruotati" e "Specchiati"

Immagina di avere una ricetta scritta su un anello di carta (DNA circolare). Se tagli l'anello in un punto qualsiasi per leggerlo, la frase inizia in un punto diverso.

• Esempio: Se la ricetta è "MANGIA LA MELA", su un anello potrebbe essere letta come "LA MELA MANGIA" o "MELA MANGIA LA". Sono la stessa ricetta, ma se provi a confrontarle lettera per lettera, sembrano diverse!
• Il vecchio sistema: Il vecchio metodo (SEGUID v1) era come se ti chiedesse di confrontare le ricette esattamente come le avevi scritte. Se il tuo collega aveva iniziato a leggere l'anello da un punto diverso, il sistema diceva: "Errore! Sono ricette diverse!", anche se erano identiche.

La soluzione SEGUID v2: È come un mago che prende tutte le possibili versioni della ricetta (tutti i punti di taglio possibili), le mette in fila e sceglie sempre quella che viene prima in ordine alfabetico.

• Tra "MANGIA LA MELA", "LA MELA MANGIA" e "MELA MANGIA LA", sceglie sempre "LA MELA MANGIA" come versione ufficiale.
• Risultato: Non importa da dove inizi a leggere il cerchio, il sistema troverà sempre la stessa "versione ufficiale" e genererà lo stesso codice.

2. Il problema del "Foglio a Doppia Faccia"

Ora immagina che la ricetta sia su un foglio con due facce. Una faccia dice "GAT", l'altra (quella sotto) dice "CTA" (che è il complemento).

• Il vecchio sistema: Se il tuo collega ti manda il foglio capovolto, il sistema legge "CTA" invece di "GAT" e dice di nuovo: "Errore! Sono diverse!".
• La soluzione SEGUID v2: Il sistema è intelligente. Guarda entrambe le facce del foglio, le confronta e sceglie sempre quella che viene prima in ordine alfabetico come "rappresentante ufficiale". Quindi, non importa se il foglio è stato girato o capovolto, il codice finale sarà sempre lo stesso.

3. L'Etichetta Magica (Il Checksum)

Una volta che il sistema ha trovato la versione "ufficiale" della ricetta (che sia un cerchio, un foglio dritto, o un foglio a doppia faccia), crea un codice univoco di 27 caratteri.
Pensa a questo codice come a un codice a barre o a un codice fiscale per la tua ricetta genetica.

• Se cambi anche solo una singola lettera nella ricetta (es. "MELA" diventa "PERA"), il codice a barre cambia completamente.
• Questo codice ti permette di cercare la ricetta in un database gigante in un istante, senza dover leggere tutto il testo.

4. Perché è diverso e meglio?

• Prima (SEGUID v1): Funzionava bene solo per le ricette su fogli dritti e su un solo lato (come le proteine). Se avevi un DNA circolare o a doppia elica, il sistema si confondeva.
• Ora (SEGUID v2): Funziona per tutto. Che sia un cerchio, una linea, un singolo filo o una doppia elica, il sistema crea un codice unico e inconfondibile.
• Facilità d'uso: Il nuovo codice usa simboli che non creano problemi quando lo salvi nel nome di un file o lo incolli in un indirizzo web (URL). È come se avessero sostituito i caratteri speciali che rompono i computer con lettere e numeri sicuri.

5. L'ID Breve (La sigla)

Il codice completo è lungo 27 caratteri, un po' troppo per parlarne al telefono. Quindi, il sistema ha creato anche un ID Breve di soli 6 caratteri.

• È come il nome di un utente su un social network: corto, facile da ricordare e da dire. Se due persone hanno lo stesso ID breve, è molto probabile che stiano lavorando sulla stessa ricetta genetica.

In sintesi

Il SEGUID v2 è come un traduttore universale e un ordinatore perfetto per il mondo della biologia sintetica.
Prende qualsiasi forma di DNA o RNA (cerchi, linee, doppi fili), lo "pianifica" in modo che tutti lo leggano allo stesso modo, e gli attacca un'etichetta univoca. Questo permette agli scienziati di tutto il mondo di scambiarsi le ricette genetiche senza paura di errori, confusione o copie sbagliate, garantendo che tutti stiano costruendo esattamente la stessa cosa.

Sommario tecnico

Titolo

SEGUID v2: Estensione dei checksum SEGUID per sequenze biologiche circolari, lineari, a singolo e doppio filamento.

1. Il Problema

La biologia sintetica e la ricerca genetica dipendono fortemente dallo scambio e dalla validazione di frammenti di DNA, RNA e proteine. Repository come Addgene e l'archivio iGEM contengono centinaia di migliaia di plasmidi. Per garantire l'integrità dei dati e la riproducibilità scientifica, è essenziale utilizzare checksum crittografici univoci per identificare le sequenze.

Tuttavia, l'algoritmo originale SEGUID (basato su SHA-1) presenta limitazioni significative quando applicato alle sequenze di acidi nucleici a causa della loro topologia:

• DNA a doppio filamento (dsDNA): Esistono due rappresentazioni complementari (filamento Watson e Crick). Un checksum standard produrrebbe valori diversi per le due catene, anche se rappresentano la stessa molecola.
• Sequenze circolari: Per DNA/RNA circolari (es. plasmidi), non esiste una posizione di partenza "naturale". Una sequenza circolare di lunghezza n ha n rappresentazioni lineari diverse (rotazioni), tutte equivalenti, che genererebbero checksum differenti con metodi tradizionali.
• Incompatibilità con URL e nomi file: La versione originale di SEGUID utilizzava l'encoding Base64 standard, che include caratteri come / e +, problematici per l'uso diretto in URL o nomi di file su molti sistemi operativi.

2. Metodologia

Gli autori propongono SEGUID v2, un'estensione dell'algoritmo originale progettata per essere "topology-aware" (consapevole della topologia). La metodologia si articola in tre fasi principali:

A. Rappresentazione Unica Canonica

Per calcolare un checksum univoco, il sistema deve prima normalizzare l'input in una singola rappresentazione lineare, indipendentemente dall'orientamento o dalla rotazione:

1. Sequenze lineari a singolo filamento: Vengono utilizzate così come sono.
2. Sequenze lineari a doppio filamento: Il sistema considera le due possibili rappresentazioni (Watson←-Crick e Crick←-Watson). Viene selezionata quella lessicograficamente più piccola come rappresentazione canonica. Per le sequenze "staggered" (con estremità sfalsate), viene utilizzato il simbolo - (meno) per indicare le estremità mancanti, definito come meno di qualsiasi altro carattere nell'ordinamento lessicografico.
3. Sequenze circolari a singolo filamento: Vengono generate tutte le possibili rotazioni della sequenza circolare. Viene selezionata la rotazione minima lessicograficamente (algoritmo di Duval, complessità lineare) come rappresentazione canonica.
4. Sequenze circolari a doppio filamento: Il sistema genera le rotazioni minime per entrambi i filamenti complementari e seleziona la rappresentazione complessiva (filamento 1←-filamento 2) che è lessicograficamente più piccola tra le due opzioni.

B. Funzione di Hash

• Una volta ottenuta la rappresentazione lineare canonica, questa viene convertita in una stringa. Per le sequenze a doppio filamento, i due filamenti sono concatenati con un punto e virgola (;).
• Viene utilizzata la funzione di hash SHA-1 (160 bit). Sebbene SHA-1 non sia più considerato sicuro per la crittografia generale (a causa di collisioni artificiali), gli autori sostengono che per l'identificazione univoca di sequenze biologiche, dove le collisioni sono statisticamente improbabili e non si tratta di proteggere dati sensibili, SHA-1 offre il miglior compromesso tra lunghezza del checksum e robustezza rispetto a CRC-64 o MD5.

C. Encoding e Formato

• Base64url: A differenza della versione v1 che usava Base64, SEGUID v2 utilizza Base64url. Questo sostituisce / con _ e + con -, rendendo il checksum sicuro per l'uso in URL e nomi di file senza necessità di codifica aggiuntiva.
• Prefissi: Per evitare ambiguità e problemi di interpretazione numerica (es. in Excel), ogni checksum è preceduto da un prefisso che indica il tipo di sequenza:
  • lsseguid: Lineare a singolo filamento.
  • ldseguid: Lineare a doppio filamento.
  • csseguid: Circolare a singolo filamento.
  • cdseguid: Circolare a doppio filamento.
• Short ID: Viene definita una versione abbreviata di 6 caratteri (senza prefisso) per facilitare la comunicazione umana e la ricerca rapida.

3. Risultati Chiave

• Supporto Multi-Tipo: SEGUID v2 gestisce nativamente DNA, RNA, proteine e sequenze con alfabeti personalizzati (inclusi alfabeti epigenetici estesi o DNA contenente Uracile).
• Invarianza: Il checksum è invariante rispetto all'orientamento (per dsDNA) e alla rotazione (per sequenze circolari). Due rappresentazioni diverse della stessa molecola biologica generano lo stesso checksum.
• Collisioni Ridotte: Rispetto al CRC-64 (usato da UniProt), che ha mostrato collisioni per sequenze proteiche diverse, l'uso di SHA-1 riduce drasticamente il rischio di collisioni.
• Implementazione: L'algoritmo è stato implementato come software open-source (licenza MIT) in JavaScript, Python, R e Tcl. Sono disponibili pacchetti su npm, PyPi, CRAN e script per GitHub.
• Interfacce: Sono stati sviluppati strumenti GUI, tra cui un calcolatore web e l'integrazione nel popolare editor di plasmidi ApE (A plasmid Editor).

4. Significato e Impatto

• Standardizzazione: SEGUID v2 fornisce una chiave stabile e univoca per qualsiasi sequenza biologica, facilitando l'integrazione di dati tra database eterogenei (es. GenBank, UniProt, iGEM).
• Integrità dei Dati: Permette ai ricercatori di verificare rapidamente se stanno utilizzando la stessa versione di un plasmide o di un frammento genetico, migliorando la riproducibilità degli esperimenti.
• Didattica e Pratica: Lo strumento è già utilizzato con successo nell'insegnamento universitario (Università del Minho) per simulare esperimenti di clonazione, dove gli studenti possono verificare autonomamente i risultati confrontando gli Short ID.
• Flessibilità: La capacità di gestire alfabeti personalizzati e non biunivoci (es. DNA con Uracile) rende lo strumento futuro-proof per nuove scoperte in biologia sintetica e epigenetica.

In sintesi, SEGUID v2 risolve le lacune topologiche dell'algoritmo originale, offrendo uno standard robusto, pratico e universalmente applicabile per l'identificazione di sequenze biologiche nella ricerca moderna.