Vipsania: Unsupervised Deep Gene Finding

Ogni nuova forma di vita che scopriamo sulla Terra inizia la sua vita scientifica come una stringa di lettere: una lunga, ininterrotta sequenza di DNA che contiene il progetto per costruire un organismo vivente. Ma una sequenza grezza è come un libro scritto in una lingua in cui gli spazi tra le parole sono stati cancellati e le lettere maiuscole rimosse. Per capire come funziona quell'organismo, gli scienziati devono prima trovare le frasi — i geni — che dicono alla cellula come costruire le proteine, le macchine molecolari che compiono il lavoro effettivo della vita. Questo processo, noto come identificazione dei geni (gene finding), è il primo passo essenziale per quasi ogni ricerca biologica. Senza di esso, il genoma rimane un codice silenzioso. Per decenni, il modo più affidabile per leggere questi codici è stato cercare indizi dal mondo esterno, come confrontare il DNA con proteine note di specie correlate o utilizzare i dati dell'RNA per vedere quali parti del genoma siano attive. Tuttavia, questo approccio si scontra con un muro quando gli scienziati incontrano la stragrande maggioranza della vita sulla Terra, che non ha parenti stretti con geni noti e non dispone di dati sull'RNA. Per questi organismi, le istruzioni per costruire la vita sono rimaste nascoste.

Un team di ricercatori dell'Università di Greifswald ha introdotto un nuovo strumento chiamato Vipsania che cambia il modo in cui leggiamo questi libri silenziosi. Invece di affidarsi a indizi esterni o mappe preesistenti, Vipsania impara a trovare i geni leggendo la sequenza di DNA stessa, senza alcuna conoscenza pregressa di cosa sia un gene. I ricercatori hanno addestrato questo programma per computer su quasi un trilione di lettere di DNA provenienti da migliaia di specie diverse, insegnandogli a prevedere la lettera successiva in una sequenza basandosi su quelle precedenti. In questo modo, il programma ha imparato accidentalmente la grammatica nascosta della vita: i pattern specifici che distinguono un gene dal DNA non codificante che lo circonda. Il risultato è un sistema in grado di identificare accuratamente i geni in quasi ogni organismo eucariotico, dalle alghe microscopiche agli animali complessi, anche quando nessuno ha mai visto un gene di quel gruppo specifico in precedenza.

La sfida di trovare i geni è particolarmente difficile perché le istruzioni non sono scritte in una linea semplice e continua. Negli organismi complessi, le parti di un gene che codificano per le proteine sono spesso interrotte da lunghi tratti di DNA non codificante, molto simile a una frase in cui le parole importanti sono separate da riempitivi casuali e privi di significato. Per ricostruire il gene, un computer deve capire dove iniziano e finiscono queste interruzioni e in quale direzione la frase viene letta. I metodi tradizionali si affidano all'apprendimento "supervisionato", dove un computer gli vengono mostrati migliaia di esempi di geni corretti da specie ben studiate e gli viene insegnato a riconoscere i pattern. Questo funziona bene per gruppi familiari come gli esseri umani o i moscerini della frutta, ma fallisce quando il computer incontra una specie troppo diversa dai suoi esempi di addestramento. Se il computer ha visto solo geni di mammiferi, farà fatica a trovare i geni in una spugna o in un fungo, spesso mancandoli del tutto o inventando strutture che non esistono.

Vipsania segue una strada diversa. È un sistema "non supervisionato", il che significa che non gli è mai stato mostrato un singolo esempio di un gene corretto durante l'addestramento. Invece, gli sono state date sequenze di DNA grezzo e gli è stato chiesto di riempire gli spazi vuoti. I ricercatori hanno mascherato lettere casuali nella sequenza e hanno chiesto al modello di indovinare quali fossero in base al contesto circostante. Per rendere possibile questo compito, hanno costruito uno strato speciale nel cervello del computer che agisce come un correttore grammaticale. Questo strato impone le regole della struttura genica, come garantire che la cornice di lettura rimanga coerente e che i segnali di stop appaiano nei punti corretti. Mentre il modello cercava di prevedere le lettere mancanti, doveva apprendere la struttura sottostante del genoma per avere successo. Nel tempo, il modello ha scoperto i pattern dei geni da solo, imparando a distinguere tra regioni codificanti e non codificanti senza mai essere stato istruito su cosa fosse un gene.

I risultati di questo approccio sono sorprendenti. Quando testato contro i migliori strumenti esistenti, Vipsania si è dimostrato più accurato in quasi tutti i gruppi di organismi esaminati. Mentre altri metodi perdono spesso accuratezza quando applicati a specie distanti, Vipsania ha mantenuto le sue prestazioni, dimostrando di aver appreso le regole fondamentali della vita piuttosto che aver solo memorizzato esempi specifici. Nei test che coinvolgevano gruppi come funghi, insetti e vari tipi di alghe, Vipsania ha identificato correttamente la struttura dei geni nella stragrande maggioranza dei casi, superando spesso strumenti che si affidano a enormi quantità di dati esterni. Ha avuto successo anche nel trovare geni in organismi che utilizzano un codice genetico leggermente diverso, dove i segnali di "stop" standard per i geni significano tutt'altro. Semplicemente regolando una piccola impostazione per adattarla al codice specifico dell'organismo, i ricercatori sono stati in grado di addestrare Vipsania su un singolo genoma in appena poche ore, e questo ha iniziato immediatamente a produrre annotazioni accurate.

Questa capacità è cruciale per il futuro della biologia. Un enorme sforzo globale è attualmente in corso per sequenziare i genomi di ogni specie nominata sulla Terra, un progetto che mira a creare una biblioteca di riferimento per tutti i 1,67 milioni di specie eucariotiche conosciute. Tuttavia, il collo di bottiglia non è più il sequenziamento del DNA; è l'annotazione. Attualmente, meno del 20 percento dei genomi nei database pubblici possiede un'annotazione genica, lasciando intere branche dell'albero della vita, come molti tipi di alghe e animali microscopici, senza alcuna mappa strutturale. Vipsania offre un modo per colmare questa lacuna. Poiché non richiede dati sull'RNA o specie correlate per funzionare, può essere applicato a qualsiasi genoma, indipendentemente da quanto poco si sappia di quell'organismo. I ricercatori hanno rilasciato modelli pre-addestrati per 17 gruppi principali di vita, coprendo più del 99 percento di tutte le specie eucariotiche conosciute, e hanno fornito un modello generale per la frazione rimanente.

Il successo di Vipsania suggerisce che le regole della struttura genica sono abbastanza universali da poter essere apprese dal testo grezzo del DNA da solo. Rimuovendo la necessità di prove esterne, i ricercatori hanno creato uno strumento che può portare la luce negli angoli più bui dell'albero della vita. Sebbene gli strumenti che utilizzano i dati dell'RNA possano ancora essere la scelta migliore per le specie ben studiate dove tali dati sono abbondanti, Vipsania fornisce una soluzione all'avanguardia per la stragrande maggioranza della vita sulla Terra che non è mai stata studiata in questo modo. Rappresenta un passaggio dal fare affidamento su ciò che già sappiamo al scoprire ciò che è presente, semplicemente ascoltando il linguaggio del genoma stesso. Per la prima volta, gli scienziati hanno un metodo che può generare mappe geniche di alta qualità per quasi ogni organismo eucariotico, trasformando le stringhe silenziose di DNA in istruzioni leggibili per la vita.