Scanning transcriptomes for nonlinear, domain-level similarities using hmSEEKR

Sintesi Tecnica: Scansione dei Trascrittomi per Similitudini Non Lineari a Livello di Dominio tramite hmSEEKR

Definizione del Problema
I RNA lunghi non codificanti (lncRNA) sono regolatori critici dei processi biologici, eppure la stragrande maggioranza degli lncRNA annotati manca di funzioni assegnate. Una sfida primaria nell'attribuire funzioni ai nuovi lncRNA è che essi spesso mancano di una significativa similitudine di sequenza lineare con RNA funzionali noti, rendendo inefficaci gli strumenti di allineamento standard. Sebbene il lavoro precedente avesse stabilito che il contenuto di k-meri non lineare (tramite l'algoritmo SEEKR) potesse predire il legame proteico e la localizzazione cellulare, l'originale framework SEEKR richiedeva agli utenti di pre-frammentare i trascritti target in domini. Questa è una limitazione significativa perché i confini dei domini funzionali negli lncRNA non caratterizzati sono spesso ignoti; la frammentazione arbitraria rischia di dividere domini funzionali e di perdere le similitudini regionali.

Metodologia
Gli autori introducono hmSEEKR, un Modello di Markov Nascosto (HMM) a due stati progettato per scansionare i trascrittomi alla ricerca di regioni di similitudine di sequenza non lineare rispetto a un dominio di query senza richiedere la conoscenza preventiva dei confini dei domini.

• Framework Algoritmico: hmSEEKR confronta uno stato "Query" (Q), che rappresenta un dominio di interesse, con uno stato "Null" (N), che rappresenta un set di background di sequenze (ad esempio, il trascrittoma). Utilizza frequenze di k-meri calcolate tramite tiling attraverso le sequenze con un passo di singolo nucleotide.
• Emissione Condizionata: Per riconciliare la non-indipendenza dei k-meri generati dal tiling a singolo nucleotide con le assunzioni di emissione indipendente degli HMM standard, hmSEEKR impiega un approccio di "emissione condizionata". Questo calcola la probabilità di un k-mero specifico basandosi sul k-mero precedente nella sequenza, riducendo efficacementamente la matrice di emissione ai quattro possibili k-meri che possono seguire la posizione corrente.
• Ottimizzazione dei Parametri: Poiché i dataset di addestramento adatti per le probabilità di transizione degli lncRNA sono spesso non disponibili, gli autori hanno sviluppato una funzione di ricerca a griglia (grid-search). Questa deriva empiricamente le probabilità di transizione ottimali ($qT$e$nT$) massimizzando i valori di Pearson $r$ derivati da SEEKR tra la query e gli hit in un set di addestramento. In base a estesi test, sono stati stabiliti i parametri di default $qT=0.99$e$nT=0.90$ per $k=4, 5, 6$.
• Ricerca Combinatoria: Una funzionalità "seqs-to-summary" permette la scansione parallela contro molteplici domini di query, aggregando gli hit per identificare trascritti contenenti similitudini a livello di dominio sequenziale.

Risultati Chiave
Lo studio valida hmSEEKR utilizzando gli lncRNA conservati XIST, NEAT1 e MALAT1 come sorgenti di query all'interno di trascrittomi associati alla cromatina di cellule K562.

1. Recupero di Domini Inseriti: Quando domini noti di XIST, NEAT1 e MALAT1 sono stati inseriti casualmente nel trascrittoma, hmSEEKR ha recuperato con successo il 100% delle inserzioni. L'algoritmo ha dimostrato robustezza alla mutazione, con $k=6$ che ha ottenuto le prestazioni migliori nel recupero di frammenti mutati.
2. Validazione dell'Interazione Proteica: Gli hit identificati da hmSEEKR all'interno del trascrittoma hanno esibito un arricchimento significativamente maggiore per gli stessi RNA-binding proteins (RBP) dei loro corrispondenti domini di query rispetto ai controlli rimescolati (shuffled). Ciò è rimasto valido sia per i singoli domini che per le interazioni combinatorie (ad esempio, domini noti per legare più proteine simultaneamente).
3. Similitudine a Livello di Trascrittoma: A soglie rigorose ($p < 0.001$), molti domini all'interno di XIST, NEAT1 e MALAT1 sono risultati unici o rari (corrispondenti a <200 geni). Tuttavia, a una minore severità ($p < 0.05$), sono state rilevate ampie similitudini sia nei geni proteincodificanti che in quelli lncRNA, frequentemente localizzate in introni distali.
4. Scoperta di Domini Sequenziali:
   • Trascritti simili a XIST: Le ricerche per trascritti contenenti hit sequenziali ai minimi domini funzionali di XIST (Repeat A, F, B1/2, D, E) hanno identificato 674 candidati a $p < 0.05$, principalmente da geni proteincodificanti. Questi candidati hanno mostrato reti di associazione proteica significativamente più simili a XIST rispetto al trascrittoma di background.
   • Trascritti simili a NEAT1: Ricerche simili per i minimi domini di NEAT1 hanno identificato 2.003 candidati a $p < 0.05$. Questi candidati erano significativamente arricchiti per proprietà "semi-estraibili" (un tratto distintivo di NEAT1) ed esibivano reti di associazione proteica simili a NEAT1.
5. Arricchimento di Domini Regolatori: Cercando set di lncRNA noti come cis-attivatori e cis-repressori, gli autori hanno osservato arricchimenti distinti. I domini associati a complessi che promuovono la trascrizione (ad esempio, MLL, Mediator, P300) erano arricchiti negli lncRNA attivatori, mentre i domini di legame HNRNP erano arricchiti negli lncRNA repressivi.

Significato e Rivendicazioni
Gli autori posizionano hmSEEKR come uno strumento di generazione di ipotesi che colma il divario tra sequenza e funzione per gli lncRNA. Le rivendicazioni chiave includono:

• Requisiti di Addestramento Minimi: A differenza dei modelli di deep learning che richiedono grandi corpora di addestramento curati (che non esistono ancora per molti funzioni degli lncRNA), hmSEEKR può essere addestrato su un singolo dominio da un singolo lncRNA utilizzando risorse computazionali standard.
• Scoperta di Similitudini Non Lineari: Lo strumento consente la scoperta a priori di elementi funzionali basati sul contenuto di k-mer condiviso, anche quando l'allineamento lineare fallisce.
• Rilevanza Biologica: L'identificazione di trascritti con similitudini di dominio sequenziale a XIST e NEAT1, che successivamente condividono reti di associazione proteica e proprietà biologiche (come la semi-estraibilità), suggerisce che hmSEEKR possa identificare RNA con funzioni analoghe.
• Serbatoi Intronici: I risultati supportano la visione che gli elementi intronici, in particolare nei trascritti nascenti, possano fungere da serbatoio di domini regolatori con funzioni che vanno oltre il controllo dello splicing.

L'articolo conclude che hmSEEKR offre un approccio informato dalla sequenza per scoprire elementi funzionali all'interno dei trascrittomi non codificanti, fornendo punti di partenza per la futura validazione sperimentale dei meccanismi degli lncRNA.