Riepilogo Tecnico: Annotazione di ncRNA cross-specie tramite somiglianza di embedding vincolata dalla sintenia

Definizione del Problebo

Il trasferimento di annotazioni basato su riferimento è ben consolidato per i geni codificanti proteine, ma rimane una sfida per gli RNA non codificanti (ncRNA). A differenza dei geni codificanti, gli ncRNA spesso presentano una debole conservazione della sequenza primaria, confini dei trascritti ambigui e annotazioni eterogenee tra le specie. La conservazione evolutiva negli ncRNA può essere limitata a brevi motivi o domini localizzati piuttosto che all'intero trascritto, e i confronti su interi loci possono diluire questi segnali localizzati. I metodi esistenti, come i modelli di covarianza (Infernal/Rfam) o gli allineamenti sensibili alla struttura (Locastar), dipendono da modelli di famiglia predefiniti o sequenze note, il che li rende meno adatti al trasferimento di annotazioni per loci di riferimento privi di modelli curati o per l'identificazione di sottoregioni conservate all'interno di grandi loci multi-esone.

Metodologia: La Pipeline CURIA

L'autore presenta CURIA, una pipeline computazionale che inquadra la corrispondenza cross-specie degli ncRNA come matching vincolato dalla sintenia nello spazio di embedding dell'RNA. La pipeline combina catene di allamento genomico con rappresentazioni derivate dal modello di fondazione per RNA RiNALMo.

Flusso di Lavoro Principale

1. Input e Pre-elaborazione: La pipeline accetta un genoma di riferimento con annotazioni ncRNA (BED12), un genoma query e catene di allineamento genomico pairwise (formato UCSC chain). Le isoforme allo stesso locus sono unite in un "modello di esone unione" per definire lo spazio di ricerca.
2. Predizione della Regione Candidata: Utilizzando un classificatore basato su catene adattato al framework di ortologia TOGA, CURIA proietta i loci di riferimento sul genoma query. Questo passaggio utilizza caratteristiche come il numero di geni della sintenia, l'occupanza esonica e la copertura delle regioni fiancheggianti per identificare regioni candidate grossolane senza ricostruire i trascritti completi.
3. Routing dei Rami (Branch Routing): I loci sono elaborati in base alla geometria piuttosto che al biotipo:
   • Ramo Compatto: I loci a singolo esone $\le$ 256 nt sono trattati come regioni complete.
   • Ramo della Sottoregione Localizzata: I loci a singolo esone più lunghi (>256 nt) e tutti i loci multi-esone scansionano per identificare regioni candidate localizzate nello spazio di embedding che siano adatte per il matching cross-specie.
4. Generazione di Embedding: Le sequenze sono rappresentate tramite embedding per nucleotide dal modello di fondazione RiNALMo (650 milioni di parametri). Vengono applicate due proiezioni PCA specifiche per il compito:
   • l=16 per il matching a livello di posizione.
   • k=64 per il rilevamento di sottoregioni localizzate.
5. Rilevamento e Matching:
   • Short ncRNAs: Le finestre candidate nel genoma query vengono confrontate con il riferimento utilizzando la Discrepanza della Media Massima (MMD) con un kernel RBF sugli embedding a 16 dimensioni. La finestra migliore viene raffinata tramite perturbazione dei confini locali.
   • Long/Multi-exon ncRNAs: Un rilevatore di regressione logistica identifica le "isole" (regioni localizzate con alta probabilità di contenere caratteristiche di ncRNA compatti) nel riferimento. Queste isole sono proiettate nel genoma query tramite catene di allineamento. Anche le isole query vengono rilevate in modo simile. Infine, le isole di riferimento e query vengono matchate utilizzando l'allineamento locale Smith–Waterman su una matrice di similarità del coseno per token (derivata dagli embedding a 16D).
6. Scoring: I match sono valutati da una distanza di embedding-SW $d = 1/(1+s)$, dove $s$ è il punteggio di allineamento. Un valore $d$ inferiore indica match più forti. Sono applicati vincoli di collinearità per filtrare le assegnazioni.

Contributi Chiave

1. Formulazione: Il compito dell'annotazione cross-specie degli ncRNA viene ridefinito come matching vincolato dalla sintenia all'interno dello spazio di embedding dell'RNA, evitando la necessità di modelli di famiglia preesistenti o di una conservazione del trascritto end-to-end.
2. Sviluppo della Pipeline: Introduzione di CURIA, che integra la proiezione del locus basata su catene con il confronto di embedding localizzato.
3. Approccio a Strategia Duale: Sviluppo di strategie complementari per loci compatti (confronto globale basato su MMD) e loci estesi (rilevamento di isole localizzate e matching Smith–Waterman).
4. Applicazione su Scala Genomica: Dimostrazione dell'approccio attraverso 19 genomi di mammiferi, identificando corrispondenze ricorrenti candidate che le metriche di sequenza convenzionali non riescono a spiegare completamente.

Risultati

La pipeline è stata valutata su 19 coppie genoma umano-query (che spaziano da primati a marsupiali), utilizzando l'umano (hg38) come riferimento.

• Compact ncRNAs: Nella comparazione uomo-topo, il 52,4% dei loci di short-ncRNA predetti sovrapponeva un esone annotato. Gli score MMD erano fortemente anticorrelati con l'identità nucleotidica. Tuttavia, l'aggiunta di MMD a un baseline basato solo sulla sequenza ha fornito solo un miglioramento marginale nella predizione del supporto dell'annotazione ($\Delta$ROC-AUC = +0,0064), suggerendo che per gli ncRNA compatti, la similarità di embedding segue in gran parte le metriche di sequenza convenzionali.
• Sottoregioni Localizzate (Isole): Per i loci più lunghi, la pipeline ha identificato 27.784 isole di riferimento. Nelle comparazioni uomo-topo, il 50,1% dei match di isole query accettati sovrapponeva un esone annotato.
• Core Ricorrenti: Uno screening multi-specie ha identificato 1.693 loci lncRNA umani contenenti regioni ricorrenti supportate da embedding in almeno 17 dei 19 genomi query. Un sottoinsieme più rigoroso di 170 loci è stato identificato utilizzando una soglia di distanza $d \le 0,02$.
• Complementarità degli Embedding: Nel matching di sottoregioni localizzate, gli score basati su embedding hanno fornito informazioni di ranking oltre l'identità nucleotidica, l'allineamento locale, la similarità k-mer e la composizione. Per coppie con bassa similarità di sequenza, l'embedding-SW ha superato sostanzialmente il nucleotide Smith–Waterman nel classificare i partner assegnati (ROC-AUC 0,798 vs 0,615 per uomo-topo).
• Analisi Strutturale: I confronti esplorativi con ViennaRNA hanno mostrato un'eterogeneità nell'accordo strutturale. Mentre alcuni match (ad es. RNU6-7) mostravano un accoppiamento quasi identico, altri mostravano un accordo debole o dipendente dai confini, indicando che una forte corrispondenza di embedding non implica uniformemente una struttura secondaria conservata.

Significato e Rivendicazioni

L'autore inquadra questo lavoro come una prova di concetto piuttosto che come un framework di annotazione pronto per la produzione. Il significato primario risiede nel dimostrare che l'annotazione basata su embedding e vincolata dalla sintenia può recuperare corrispondenze informative di ncRNA cross-specie su scala genomica, specialmente nei casi in cui la conservazione della sequenza primaria è debole o eterogenea.

Le rivendicazioni chiave includono:

• Conservazione Localizzata: I risultati mostrano che la corrispondenza cross-specie rilevabile può essere concentrata in sottoregioni localizzate ("isole") piuttosto che distribuita sull'intero locus annotato.
• Segnale Complementare: Gli embedding dell'RNA localizzati forniscono un segnale comparativo che completa la conservazione convenzionale della sequenza. Ciò è particolarmente evidente nel ranking delle corrispondenze candidate per i lncRNA lunghi dove la similarità di sequenza è bassa.
• Fattibilità: Limitare il confronto ai loci candidati definiti dalle catene rende fattibile il compito computazionalmente intensivo della scansione genomica tramite embedding.
• Limitazioni: L'autore dichiara esplicitamente che il metodo non stabilisce l'ortologia evolutiva, la funzione biologica o una stabile struttura dell'RNA. I risultati sono corrispondenze candidate supportate congiuntamente da sintenia e similarità di embedding, che richiedono ulteriore validazione. L'approccio dipende fortemente dalla qualità delle catene di allineamento genomico e dalle rappresentazioni apprese dal modello di fondazione per l'RNA.