Facilitating genome annotation using ANNEXA and long-read RNA sequencing

Questo studio presenta ANNEXA, un pipeline open-source basato su Nextflow che integra dati di sequenziamento RNA a lunghe letture, modelli di deep learning e strumenti di ricostruzione trascrittomica per migliorare l'annotazione genomica, garantire il controllo di qualità e identificare nuovi geni e trascritti, come dimostrato in uno studio comparativo su linee cellulari tumorali umane e canine.

L'essenziale

🧬 Il Progetto: "ANNEXA", il Traduttore Genetico

Immagina il genoma (il DNA di un animale o di una persona) come un'enorme libreria piena di libri. Per molto tempo, abbiamo avuto solo la lista dei titoli dei libri (la sequenza del DNA), ma non sapevamo esattamente cosa c'era scritto dentro, quali capitoli erano importanti o se esistevano storie nascoste tra le righe.

Ora, grazie alle nuove tecnologie di sequenziamento a "lunga lettura" (LR-RNAseq), possiamo finalmente leggere interi libri interi, non solo frammenti di pagine. Tuttavia, c'è un problema: a volte queste nuove letture sono confuse, incomplete o contengono errori di stampa.

ANNEXA è il nuovo "bibliotecario intelligente" (un software) creato da Nicolaï Hoffmann e il suo team per mettere ordine in questa libreria. Il suo compito è prendere queste letture confuse, pulirle, organizzarle e scoprire nuove storie che prima non conoscevamo.

---

🛠️ Come funziona ANNEXA? (L'Analogia della Cucina)

Pensa ad ANNEXA come a una cucina di lusso dove si preparano piatti complessi (le annotazioni del genoma). Ecco i suoi quattro passi principali:

1. Due Chef Diversi (StringTie e Bambu):
   ANNEXA non si fida di un solo cuoco. Assume due chef esperti: StringTie e Bambu.

   • StringTie è come uno chef creativo che prova a ricreare ogni possibile variante di un piatto, anche quelle un po' strane. Tende a produrre molti piatti, ma alcuni potrebbero essere imperfetti.
   • Bambu è uno chef più conservatore e preciso. Segue le ricette classiche alla lettera e cerca di essere sicuro al 100% che ogni piatto sia perfetto, ma potrebbe perdere qualche variante rara.
   • Il trucco di ANNEXA: Usa entrambi. Prende i risultati di entrambi gli chef e li confronta per trovare il miglior compromesso tra creatività e precisione.

2. Il Controllo Qualità (Il Gustatore):
   Una volta pronti i piatti, ANNEXA invia un "gustatore" (un modello di intelligenza artificiale chiamato TransforKmer) a controllare l'ingresso principale del piatto (l'inizio della storia, o TSS).

   • Se il piatto non inizia nel modo giusto (come se un libro iniziasse a metà pagina), il gustatore lo scarta. Questo elimina molte "storie incomplete" o errori.

3. Il Traduttore di Lingue (FEELnc):
   Nel genoma ci sono due tipi di "storie": quelle che danno istruzioni per costruire proteine (i mattoni del corpo, chiamati mRNA) e quelle che sembrano non fare nulla, ma in realtà regolano il tutto (le "storie silenziose", chiamate lncRNA).
   ANNEXA usa un traduttore speciale (FEELnc) per capire se una nuova storia è un'istruzione per costruire qualcosa o una regola di gestione. Senza questo, potremmo confondere un manuale di istruzioni con una poesia.

4. Il Rapporto Finale (La Mappa):
   Alla fine, ANNEXA non ti dà solo una lista di dati noiosi. Ti crea una mappa visiva e colorata che mostra: "Ecco quante nuove storie abbiamo trovato, ecco quali sono corrette e quali no".

---

🐕🐕 La Prova sul Campo: Cani e Umani

Per dimostrare che il loro "bibliotecario" funziona davvero, il team ha usato ANNEXA su un caso molto interessante: il cancro.

Hanno analizzato cellule tumorali di 8 cani (con melanomi e sarcomi) e 2 umani (con melanomi).

• Perché cani e umani? Perché i cani si ammalano di tumori molto simili ai nostri, ma la loro "libreria genetica" (il loro genoma) è meno annotata della nostra. È come se avessimo la mappa completa di Roma, ma solo una bozza sbozzata di Parigi.
• Il Risultato: Usando ANNEXA, hanno scoperto nuove storie (geni) sia nei cani che negli umani.
  • Hanno trovato geni che esistono in entrambe le specie (come se avessero scoperto che Roma e Parigi condividono lo stesso segreto nascosto).
  • Hanno scoperto che molti di questi nuovi geni sono "storie silenziose" (lncRNA) che potrebbero essere fondamentali per capire come il cancro cresce.

💡 Perché è importante?

Prima di ANNEXA, se volevate studiare il genoma di un cane o scoprire nuovi geni umani, dovevate fare un lavoro manuale enorme e rischioso, rischiando di perdere pezzi importanti o di credere a errori.

Con ANNEXA:

1. È più preciso: Filtra gli errori come un setaccio fine.
2. È più completo: Trova le storie che gli altri strumenti ignorano.
3. È aperto a tutti: È un software gratuito che chiunque può usare per migliorare la propria "libreria genetica".

In sintesi, ANNEXA è come un super-assistente che prende la confusione dei dati genetici moderni e la trasforma in una mappa chiara, aiutando scienziati e medici a capire meglio come funzionano la vita, la malattia e le differenze tra le specie, proprio come i nostri amici a quattro zampe.

Sommario tecnico

Titolo: Facilitazione dell'annotazione del genoma utilizzando ANNEXA e sequenziamento RNA a lettura lunga (LR-RNAseq)

1. Il Problema

Con l'avvento di assemblaggi genomici completi (telomero-telomero), la sfida si è spostata dal miglioramento della completezza del genoma al perfezionamento della sua annotazione funzionale. Sebbene le tecnologie di sequenziamento RNA a lettura lunga (LR-RNAseq, es. PacBio e Oxford Nanopore) abbiano rivoluzionato la ricostruzione degli isoformi completi, permettendo di attraversare regioni ripetitive e collegare esoni distanti, persistono sfide significative:

• Frammentazione dei trascritti: I modelli ricostruiti sono spesso incompleti, specialmente alle estremità 5' (siti di inizio della trascrizione o TSS).
• Rappresentazione incompleta degli isoformi: Esiste il rischio di generare modelli di trascritti artefatti o parziali.
• Mancanza di controllo qualità (QC) robusto: È necessario un approccio sistematico per valutare la qualità delle ricostruzioni, distinguendo tra trascritti codificanti (mRNA) e non codificanti (lncRNA), dato che questi ultimi presentano caratteristiche strutturali ed evolutive diverse.
• Limitazioni degli strumenti esistenti: Pipeline esistenti (es. nf-core/nanoseq, TAGADA) spesso si limitano a una singola tecnologia di sequenziamento o non offrono un'annotazione sistematica delle lncRNA e un QC integrato.

2. Metodologia: La Pipeline ANNEXA

Gli autori hanno sviluppato ANNEXA, una pipeline basata su Nextflow progettata per estendere le annotazioni di riferimento utilizzando dati LR-RNAseq, integrando al contempo rigorosi controlli di qualità.

Componenti principali della pipeline:

1. Ricostruzione e quantificazione del trascrittoma:
   • ANNEXA integra due strumenti di assemblaggio: StringTie2 e Bambu.
   • Permette agli utenti di scegliere lo strumento in base al contesto biologico e alla completezza dell'annotazione di riferimento.
   • Gestisce l'input di più campioni, producendo un'annotazione estesa unificata e non ridondante.
2. Valutazione del potenziale codificante e classificazione:
   • Utilizza FEELnc per distinguere sistematicamente tra mRNA e lncRNA, addestrando il modello su un sottoinsieme di trascritti di riferimento.
   • Impiega TransDecoder per identificare i più lunghi ORF (Open Reading Frames) e predire le regioni codificanti.
   • Utilizza GffCompare per classificare i trascritti rispetto all'annotazione di riferimento (es. isoformi alternativi, trascritti antisenso, intergenici).
3. Filtraggio e valutazione della completezza (Full-length assessment):
   • Applica due filtri complementari per rimuovere trascritti incompleti o artefatti:
     • Soglia NDR (Novel Discovery Rate): Derivata da Bambu, valuta la confidenza delle predizioni.
     • Soglia TransforKmer: Un modello di deep learning (basato su DNABERT e fine-tuned su TSS noti) che valuta la probabilità biologica dei nuovi siti di inizio trascrizione (TSS).
   • Offre due modalità di filtraggio: Unione (mantiene i trascritti che passano almeno un filtro, maggiore sensibilità) o Intersezione (mantiene solo quelli che passano entrambi, maggiore precisione).
4. Controllo Qualità (QC) e Visualizzazione:
   • Genera report automatizzati (simili a SQANTI) che analizzano metriche strutturali (lunghezza, numero di esoni) e di quantificazione.
   • Include l'analisi della copertura del corpo genico per rilevare bias 5'/3'.

3. Contributi Chiave

• Integrazione Multi-strumento: È la prima pipeline che combina strategicamente StringTie2 e Bambu con filtri di validazione basati su IA per l'annotazione LR-RNAseq.
• Validazione dei TSS tramite Deep Learning: L'uso di TransforKmer per filtrare i TSS non biologici rappresenta un avanzamento significativo rispetto ai metodi puramente basati su regole.
• Focus su lncRNA: La pipeline è specificamente ottimizzata per l'annotazione e la classificazione delle lncRNA, un'area spesso trascurata o gestita male dagli strumenti standard.
• Scalabilità e Riproducibilità: Implementata in Nextflow con supporto per Docker/Singularity, rendendola utilizzabile su cluster HPC e computer standalone.
• Validazione Cross-Specie: Applicata con successo in un contesto di oncologia comparata (umano e cane).

4. Risultati

Lo studio è stato validato su 10 linee cellulari tumorali (2 umane e 8 canine) sequenziate con Oxford Nanopore.

• Confronto Bambu vs. StringTie:
  • Bambu ha dimostrato una maggiore precisione nel recuperare elementi noti (geni e trascritti già annotati) e ha prodotto meno falsi positivi, specialmente in genomi ben annotati.
  • StringTie ha identificato un numero maggiore di elementi nuovi, ma con un tasso più alto di frammentazione e falsi positivi, richiedendo un filtraggio più severo.
• Impatto del Filtraggio: L'applicazione dei filtri di ANNEXA (specialmente la validazione TSS) ha ridotto drasticamente il numero di trascritti nuovi (es. dal 9.3% al 52% di validazione tramite dati CAGE ortogonali nei cani), eliminando modelli incompleti.
• Classificazione delle lncRNA:
  • Bambu ha mostrato una capacità superiore nel rilevare trascritti antisenso (class_code x), mentre StringTie tendeva a classificarli prevalentemente come intergenici (lincRNA).
• Scoperta di Geni Conservati:
  • L'analisi comparativa ha identificato 5 nuovi geni ortologhi (lncRNA e codificanti) conservati tra cane e uomo, alcuni dei quali non presenti nelle annotazioni di riferimento attuali. Questi geni mostrano livelli di espressione significativi in entrambi le specie, suggerendo un potenziale funzionale biologico.
• Performance in diverse annotazioni: La completezza dell'annotazione di riferimento (es. Gencode v47 vs. Ensembl) ha influenzato fortemente il numero di nuovi elementi scoperti, confermando che annotazioni più complete riducono la scoperta di artefatti.

5. Significato e Implicazioni

ANNEXA rappresenta un passo avanti cruciale per l'analisi del trascrittoma a lettura lunga.

• Affidabilità: Fornisce un framework strutturato per trasformare dati grezzi LR-RNAseq in annotazioni genomiche estese e affidabili, riducendo il rumore di fondo.
• Oncologia Comparata: Dimostra l'utilità delle linee cellulari canine come modelli spontanei per lo studio del cancro umano, permettendo di scoprire nuovi geni potenzialmente funzionali attraverso l'analisi cross-specie.
• Flessibilità: La capacità di bilanciare sensibilità e precisione attraverso filtri configurabili rende lo strumento adattabile a diversi contesti di ricerca, dallo studio di organismi modello a quelli non modello con annotazioni incomplete.
• Accessibilità: Essendo open-source e disponibile su GitHub, promuove la standardizzazione e la riproducibilità nella comunità di genomica.

In sintesi, ANNEXA non si limita a "trovare" nuovi trascritti, ma fornisce gli strumenti critici per validarli biologicamente, garantendo che le estensioni delle annotazioni genomiche siano solide e pronte per studi funzionali successivi.