Sequence-Derived Representations versus Pfam-Domain Content for Biosynthetic Gene Cluster Retrieval

Nel profondo del mondo microscopico dei batteri del suolo, la natura gestisce una vasta e nascosta fabbrica chimica. Questi organismi unicellulari sono maestri chimici, capaci di assemblare molecole complesse che possono combattere le infezioni, rallentare il cancro o alterare la mente. Gli scienziati chiamano i progetti genetici per queste fabbriche "cluster di geni biosintetici". Pensate a questi cluster come a manuali di istruzioni scritti in un linguaggio di DNA, dove sezioni specifiche dicono alla cellula come costruire un particolare farmaco. Per decenni, i ricercatori hanno cercato di trovare nuovi medicinali cacciando questi manuali nei genomi di diversi batteri. La sfida risiede nel sapere quale manuale produca quale sostima chimica, specialmente quando le istruzioni appaiono leggermente diverse in specie differenti. Per risolvere questo problema, gli scienziati hanno sviluppato due modi principali per leggere questi testi genetici: uno osserva le specifiche parti proteiche elencate nelle istruzioni, mentre l'altro cerca di comprendere la forma e il flusso complessivi dell'intera frase genetica.

Uno studio recente si è posto l'obiettivo di testare quale di questi due metodi di lettura sia migliore nel trovare fabbriche chimiche correlate. I ricercatori si sono concentrati su un gruppo specifico di batteri del suolo noto come Streptomyces griseus, una specie famosa per produrre molti composti utili. Hanno raccolto una collezione massiccia di 6.953 manuali di istruzioni genetiche da 182 diverse versioni di questo batterio. Per garantire che il loro test fosse equo e rigoroso, hanno diviso attentamente questi manuali in gruppi separati per l'addestramento, la verifica e il test finale, assicurandosi che nessuna singola famiglia di batteri apparisse in più di un gruppo. Ciò ha impedito ai modelli informatici di limitarsi a memorizzare le risposte invece di imparare a riconoscere i pattern. Il team ha poi posto una domanda semplice: se mostri al computer una fabbrica chimica nota, può trovare altre fabbriche che producono la stessa cosa usando istruzioni genetiche diverse?

I ricercatori hanno confrontato due approcci. Il primo approccio si basava su un metodo tradizionale che conta le specifiche parti proteiche, o "domini", presenti nelle istruzioni. È come controllare una ricetta elencando ogni singolo ingrediente, come farina, zucchero e uova, senza preoccuparsi dell'ordine con cui vengono mescolati. Il secondo approccio utilizzava un sistema più recente e avanzato che analizza l'intera sequenza di lettere del DNA per comprendere la struttura e il contesto complessivi delle istruzioni, in modo simile a come un lettore umano comprende una storia attraverso il suo flusso piuttosto che solo attraverso un elenco di parole. Il team ha testato questi metodi vedendo quanto bene riuscissero a recuperare le fabbriche correlate corrette da un grande database.

I risultati sono stati chiari e sorprendenti per coloro che speravano in una rivoluzione nel modo in cui leggiamo questi testi genetici. Il metodo tradizionale, che si limita a contare le parti proteiche, ha performato eccezionalmente bene. Ha identificato con successo le fabbriche correlate corrette in quasi l'88 percento dei primi cinquanta tentativi. Il metodo più recente, che analizza la sequenza completa di lettere, non ha apportato miglioramenti. Infatti, quando i ricercatori hanno combinato l'analisi della sequenza con il vecchio conteggio delle proteine, il risultato è stato quasi identico all'uso del solo conteggio proteico. Persino una versione leggermente aggiustata del tradizionale conteggio delle parti ha superato il complesso approccio nuovo di un margine minimo e trascurabile.

Lo studio conclude che, per questo compito specifico di trovare fabbriche chimiche correlate, l'elenco dettagliato delle parti proteiche rimane il segnale più potente. L'idea che guardare la forma complessiva della sequenza genetica avrebbe aiutato a scoprire modi alternativi con cui la natura costruisce lo stesso farmaco non è stata supportata dai dati. I ricercatori hanno scoperto che gli strumenti complessi basati sulla sequenza non hanno recuperato questi percorsi alternativi meglio del metodo diretto. Questo non significa che i nuovi strumenti siano inutili, ma significa che per questo obiettivo specifico, il vecchio modo di contare le parti è ancora la guida più affidabile. Il lavoro evidenzia che prima di poter affermare che questi strumenti avanzati siano pronti per trovare nuovi medicinali, abbiamo bisogno di test ancora più accurati e di modi migliori per verificare che le fabbriche chimiche che troviamo stiano effettivamente producendo ciò che pensiamo.