RegEvol: detection of directional selection in regulatory sequences through phenotypic predictions and phenotype-to-fitness functions

Il paper presenta RegEvol, un nuovo metodo che combina previsioni di machine learning sull'attività dei fattori di trascrizione con modelli evolutivi per identificare la selezione direzionale nelle sequenze regolatorie non codificanti, applicandolo con successo a milioni di regioni regolatorie di *Drosophila melanogaster* e a dati umani per rivelare adattamenti in sistemi specifici come quello riproduttivo e nervoso.

L'essenziale

Immagina che il tuo DNA sia un'enorme libreria di istruzioni per costruire e far funzionare un organismo. Fino a poco tempo fa, gli scienziati pensavano che le "pagine" più importanti di questo libro fossero quelle scritte in codice (i geni che producono proteine). Tuttavia, c'è un'altra parte del libro, fatta di note a margine e istruzioni su quando e dove leggere quelle pagine: sono le sequenze regolatorie.

Queste note controllano se un gene viene "acceso" o "spento", proprio come un interruttore della luce. Il problema è che capire come queste note cambiano nel tempo per far evolvere le specie è stato molto difficile.

Ecco come RegEvol (il nuovo metodo presentato in questo articolo) risolve il mistero, spiegato con un'analogia semplice:

1. Il Problema: Guardare solo la polvere sul libro

Fino ad ora, per capire se una pagina del libro era importante, gli scienziati guardavano quanto era "polverosa" (conservata) nel tempo. Se una pagina era identica in un topo e in un essere umano, pensavano: "Deve essere importante!".
Ma questo metodo ha un difetto: a volte le pagine cambiano molto velocemente perché l'ambiente le costringe a cambiare (adattamento), e il vecchio metodo pensava che fossero "poco importanti" perché non erano conservate. Era come dire che un libro di istruzioni aggiornato ogni settimana è inutile solo perché le pagine cambiano spesso.

2. La Soluzione: RegEvol, il "Traduttore di Effetti"

I ricercatori hanno creato RegEvol, un nuovo strumento che non guarda solo quanto le pagine sono simili, ma cosa succede se cambi una lettera in quelle note a margine.

Immagina di avere un simulatore di guida:

• Il vecchio metodo: Guardava solo la strada e diceva: "Questa strada è sempre stata la stessa, quindi è sicura".
• RegEvol: Prende il volante, cambia leggermente la direzione (simulando una mutazione) e chiede all'auto: "Ehi, se giri qui, l'auto va più veloce, più lenta o si schianta?".

RegEvol usa l'intelligenza artificiale (machine learning) per prevedere esattamente come una singola lettera cambiata nel DNA influenzerà la capacità di un gene di essere letto. Chiamiamo questo il "effetto fenotipico".

3. Come funziona la magia (Il Metodo)

Il processo è come un detective che indaga su un crimine evolutivo:

1. La Mappa del Territorio: RegEvol crea una mappa di tutte le possibili modifiche che si potrebbero fare a una sequenza di DNA e calcola quanto ciascuna modifica cambierebbe il "comportamento" del gene (ad esempio, quanto forte si lega una proteina).
2. Il Confronto: Poi guarda le modifiche che sono realmente avvenute nella storia di una specie (ad esempio, tra un antenato e il suo discendente).
3. La Teoria del Delitto: Chiede: "Queste modifiche reali sono avvenute per caso (deriva genetica), perché erano necessarie per mantenere le cose stabili (selezione stabilizzante), o perché c'era una spinta forte verso un nuovo obiettivo (selezione direzionale)?"

Se le modifiche reali seguono una direzione precisa (come se tutti i cambiamenti puntassero a rendere il gene più forte), RegEvol dice: "Ehi, qui c'è stata una selezione direzionale! Qualcuno ha spinto l'evoluzione in questa direzione!"

4. Cosa hanno scoperto?

Hanno applicato questo metodo a milioni di regioni di DNA della Drosophila (la mosca della frutta) e dell'uomo.

• Nelle mosche: Hanno trovato che il 5,1% di queste regioni regolatorie stava subendo una forte spinta evolutiva. Dove? Principalmente nei geni legati alla riproduzione e al sistema immunitario. È come se la mosca stesse aggiornando costantemente le sue istruzioni per difendersi dai parassiti o per trovare un partner migliore.
• Negli umani: Poiché l'evoluzione umana è più lenta e ci sono meno cambiamenti da analizzare, hanno usato un trucco intelligente: hanno sommato i segnali di molte regioni simili in un unico "gruppo". Hanno scoperto che le regioni del DNA che controllano il sistema nervoso e l'apparato riproduttivo maschile mostrano segnali di adattamento molto forti.

In sintesi

RegEvol è come un nuovo tipo di lente d'ingrandimento. Invece di guardare solo quanto le istruzioni sono rimaste uguali nel tempo, guarda come le istruzioni stanno cambiando per adattarsi.

Ci dice che l'evoluzione non è solo una questione di "cose che restano uguali", ma anche di "cose che cambiano velocemente per sopravvivere meglio". Questo ci aiuta a capire perché siamo diversi, perché ci ammaliamo di certe cose e come le specie si adattano al loro ambiente, leggendo le note a margine del libro della vita che prima ignoravamo.

Sommario tecnico

Titolo: RegEvol: rilevamento della selezione direzionale nelle sequenze regolatorie attraverso previsioni fenotipiche e funzioni fenotipo-adattamento

1. Il Problema

L'evoluzione delle sequenze cis-regolatorie (enhancer, promotori) è fondamentale per la diversità fenotipica e l'adattamento. Tuttavia, rilevare la selezione naturale in queste regioni non codificanti rimane una sfida significativa rispetto alle regioni codificanti per proteine.

• Limiti degli approcci attuali: I metodi tradizionali si basano su tassi di sostituzione o conservazione della sequenza (es. PhastCons, PhyloP). Questi approcci sono indiretti: inferiscono la selezione dalla conservazione o dall'accelerazione del tasso di mutazione senza modellare le conseguenze funzionali delle mutazioni.
• Svantaggi: Sono sensibili a processi non adattativi (es. conversione genica biasata, variazione dei tassi di mutazione), poco efficaci per elementi regolatori rapidamente evolutivi o di recente acquisizione, e spesso dipendono da proxy neutrali che potrebbero non riflettere accuratamente il contesto locale.
• Limiti dei metodi precedenti basati su ML: Un approccio precedente (Liu & Robinson-Rechavi, 2020) utilizzava modelli di machine learning (gkm-SVM) per prevedere l'impatto delle mutazioni sul legame dei fattori di trascrizione (TF), confrontando le mutazioni osservate con una distribuzione nulla permutata. Tuttavia, questo metodo soffriva di bias di ascertainment (dai dati ChIP-seq), era sensibile a mutazioni estreme che potevano generare falsi positivi, e la sua accuratezza diminuiva con la divergenza evolutiva.

2. Metodologia: Il Framework RegEvol

RegEvol è un nuovo framework che colma il divario tra le previsioni basate sul machine learning e i modelli evolutivi espliciti. Non si basa su cambiamenti nei tassi di sostituzione, ma modella direttamente gli effetti adattativi delle mutazioni.

• Mappatura Genotipo-Fenotipo:

  • Vengono utilizzati modelli gkm-SVM (Support Vector Machine a k-mer con gap) addestrati su dati ChIP-seq per prevedere l'affinità di legame dei TF.
  • Viene eseguita una mutagenesi in silico su tutte le possibili mutazioni puntiformi all'interno di una regione regolatoria (picco ChIP-seq).
  • Si calcola la distribuzione degli effetti fenotipici (DPE, Distribution of Phenotypic Effects) basata sulla variazione del punteggio SVM ($\Delta$SVM) per ogni possibile mutazione.

• Mappatura Fenotipo-Adattamento (Fitness):

  • Le mutazioni osservate lungo una linea evolutiva vengono confrontate con la DPE.
  • Vengono definiti tre scenari evolutivi annidati, modellati tramite distribuzioni Beta che trasformano l'effetto fenotipico ($\Delta$SVM) in un coefficiente di fitness:
    1. Deriva Neutrale: Fitness piatta ($\alpha = \beta = 1$), le mutazioni si fissano indipendentemente dal loro effetto.
    2. Selezione Stabilizzante: Fitness simmetrica centrata su $\Delta$SVM = 0 ($\alpha = \beta \neq 1$), favorisce il mantenimento dello stato ancestrale.
    3. Selezione Direzionale: Fitness asimmetrica ($\alpha \neq \beta$), favorisce mutazioni che aumentano o diminuiscono l'affinità di legame.

• Inferenza Statistica:

  • Viene utilizzata la massima verosimiglianza (Maximum Likelihood Estimation - MLE) per stimare i parametri dei modelli e determinare quale scenario spiega meglio le sostituzioni osservate.
  • Vengono eseguiti test del rapporto di verosimiglianza (LRT) per confrontare i modelli.
  • Per aumentare la potenza statistica in rami evolutivi brevi (pochi sostituzioni), viene proposta una strategia di aggregazione dei punteggi di verosimiglianza su set di elementi regolatori (es. per tessuto o sistema biologico), ispirata al framework SUMSTAT.

3. Risultati Chiave

• Validazione delle Previsioni SVM: I punteggi SVM e $\Delta$SVM mostrano una forte correlazione con la copertura delle letture ChIP-seq (proxy per l'abbondanza di TF), superando le metriche di conservazione tradizionali (phastCons/phyloP) nella capacità di catturare l'intensità del legame funzionale.
• Performance su Dati Simulati:
  • RegEvol mostra un'elevata accuratezza nel distinguere tra deriva, selezione stabilizzante e direzionale.
  • È più potente e specifico rispetto al test di permutazione precedente, specialmente con un numero limitato di sostituzioni.
  • È conservativo: mantiene bassi i tassi di falsi positivi (FPR) anche in presenza di mutazioni estreme o bias di ascertainment, a differenza dei test di permutazione che tendono a sovrastimare la selezione in presenza di mutazioni ad alto impatto.
  • Funziona bene anche quando una parte delle sostituzioni è casuale (rumore evolutivo).
• Applicazione su Drosophila melanogaster:
  • Analizzando oltre 3 milioni di regioni regolatorie, il 5,1% è stato identificato sotto selezione direzionale.
  • I geni associati a picchi sotto selezione direzionale sono arricchiti in processi di morfogenesi, riproduzione e immunità.
  • È stata confermata una riduzione locale della polimorfismo (SNP) e un aumento della divergenza interspecifica nei picchi sotto selezione, coerente con spazzolamenti selettivi recenti.
• Applicazione su Dati Umani (CTCF):
  • A causa del basso numero di sostituzioni per elemento nelle linee umane recenti, l'analisi singola ha avuto bassa potenza.
  • Applicando la strategia di aggregazione a livello tissutale, è stato rilevato un segnale di selezione direzionale significativo nei tessuti del sistema nervoso centrale e nei tessuti riproduttivi maschili, coerente con la rapida evoluzione adattativa di questi sistemi.

4. Contributi Principali

1. Nuovo Framework Ibrido: Integrazione di modelli predittivi di machine learning (genotipo-fenotipo) con modelli genetici di popolazione espliciti (fenotipo-adattamento).
2. Superamento dei Bias: Correzione dei bias di ascertainment e dei falsi positivi legati alle mutazioni estreme che affliggevano i metodi precedenti basati su permutazione.
3. Modellazione della Selezione Stabilizzante: Inclusione esplicita di un modello di selezione stabilizzante come ipotesi nulla intermedia, migliorando la robustezza statistica rispetto alla semplice deriva.
4. Strategia di Aggregazione: Sviluppo di un metodo per aggregare segnali deboli su gruppi biologici (tessuti, sistemi) per superare la limitazione del basso numero di sostituzioni nelle linee evolutive recenti.
5. Scalabilità e Flessibilità: Il framework è agnostico rispetto al modello predittivo sottostante, permettendo l'integrazione futura di modelli di deep learning più complessi.

5. Significato e Implicazioni

RegEvol rappresenta un passo avanti fondamentale nello studio dell'evoluzione del genoma non codificante. Spostando il focus dalla semplice conservazione della sequenza all'impatto funzionale delle mutazioni, permette di:

• Identificare l'adattamento in regioni regolatorie che non mostrano forti segnali di conservazione.
• Distinguere tra selezione direzionale (adattamento) e selezione stabilizzante (vincolo funzionale).
• Fornire una base meccanicistica per collegare le variazioni genetiche non codificanti ai fenotipi adattativi.
• Essere applicato a qualsiasi elemento regolatorio con sequenze ancestrali allineabili, offrendo uno strumento potente per investigare l'adattamento in contesti evolutivi diversi, dai moscerini della frutta all'uomo.

In sintesi, RegEvol trasforma l'analisi evolutiva delle regioni regolatorie da un approccio basato su "quanto è cambiata la sequenza" a uno basato su "come la sequenza cambia la funzione biologica", fornendo una visione più profonda e meccanicistica dell'adattamento.