SELECT-NET: Multiple contextual representations of bacterial genomes through selection-based subnetwork reconstruction

I batteri sono le forme di vita più di successo sulla Terra, poiché prosperano in ambienti che vanno dall'intestino umano alle sorgenti idrotermali profonde. Per capire come sopravvivano e causino malattie, gli scienziati hanno imparato a leggere i loro progetti genetici, le lunghe stringhe di DNA che dicono a un batterio come costruirsi. Tuttavia, la tecnologia moderna può ora sequenziare questi progetti così velocemente che i ricercatori si trovano spesso sopraffatti dal volume enorme di dati. Invece di un'immagine chiara di come funziona un batterio, si ritrovano con liste massicce di migliaia di geni e delle loro funzioni, molto simile ad avere una biblioteca di ogni libro mai scritto ma senza alcun modo per trovare la storia specifica che si sta cercando. La sfida non è più raccogliere l'informazione, ma dare un senso ad essa. Gli scienziati hanno bisogno di un modo per smistare queste liste genetiche per trovare le parti specifiche che contano per una particolare domanda, come ad esempio perché un ceppo di batteri causa malattie mentre un altro no, o come un microbo sopravviva in una miniera tossica.

Per risolvere questo problema, un ricercatore di nome Gerardo R. Amores ha sviluppato un nuovo strumento digitale chiamato SELECT-NET. Pensate a questo strumento come a un filtro intelligente che prende una lista massiccia e confusa di geni batterici e la riorganizza in una mappa visiva chiara basata su ciò che lo scienziato vuole sapere. Inveve di elencare solo i geni uno per uno, lo strumento li connette in una rete, mostrando come si trovino l'uno accanto all'altro nel DNA batterico e raggruppandoli in base ai loro ruoli biologici. I ricercatori hanno testato questo strumento su diversi tipi di batteri, tra cui ceppi innocui da laboratorio, patogeni pericolosi che causano intossicazioni alimentari e microbi presenti in ambienti estremi. Hanno scoperto che applicando diverse "lenti" o filtri, lo strumento poteva evidenziare diverse parti del genoma batterico. Ad esempio, un filtro poteva rimuovere i geni comuni condivisi da tutti i batteri per rivelare i tratti unici che rendono pericoloso uno specifico ceppo, mentre un altro filtro poteva evidenziare i geni che aiutano i batteri a sopravvivere ai metalli pesanti nel suolo.

Il processo funziona prendendo i dati genetici grezzi e facendoli passare attraverso una serie di passaggi che avvengono automaticamente in un browser web, il che significa che i ricercatori non hanno bisogno di computer potenti per usarlo. Per prima cosa, lo strumento legge il codice genetico e identifica i geni. Successivamente, applica una strategia specifica scelta dall'utente. Una strategia cerca i geni insolitamente abbondanti, suggerendo che siano critici per la vita quotidiana del batterio. Un'altra strategia rimuove i geni "core" che quasi tutti i batteri di quella specie condividono, lasciando dietro di sé solo i geni accessori unici che potrebbero spiegare perché un ceppo è diverso da un altro. Una terza strategia si concentra specificamente sui geni noti per causare malattie o resistere agli antibiotici, mentre una quarta cerca i geni che aiutano i batteri ad adattarsi a condizioni estreme, come calore elevato o sostanze chimiche tossiche. Una volta selezionati i geni rilevanti, lo strumento costruisce una rete attorno ad essi. Non si limita a elencare i geni selezionati; richiama anche i geni vicini che si trovano proprio accanto a loro sul filamento di DNA, perché nei batteri, i geni che siedono vicini spesso lavorano insieme come una squadra.

Quando i ricercatori hanno applicato questi filtri a diversi batteri, i risultati sono stati distinti e biologicamente significativi. Quando hanno esaminato un ceppo innocuo di laboratorio di E. coli, lo strumento ha identificato correttamente che mancava dei geni specifici associati alla malattia. Al contrario, quando hanno analizzato ceppi di E. coli noti per produrre la tossina Shiga, un veleno pericoloso, lo strumento ha evidenziato con successo i geni della tossina e altri fattori di virulenza, separandoli dal rumore di fondo comune. Lo strumento ha anche distinto tra due diversi ceppi produttori di tossine mostrando che uno trasportava geni specifici per la resistenza agli antibiotici mentre l'altro no. In un test diverso che coinvolgeva Clostridioides difficile, un batterio che causa gravi infezioni intestinali, lo strumento ha funzionato altrettanto bene sia che i ricercatori partissero da dati genetici grezzi sia da mappe genetiche preesistenti, dimostrando che il metodo è flessibile.

Forse la dimostrazione più sorprendente del potere di questo strumento è derivata dallo studio di Cupriavidus gilardii, un batterio trovato in una miniera in Messico dove l'acqua è ricca di metalli pesanti. I ricercatori hanno utilizzato il filtro tematico per cercare i geni relativi alla sopravvivenza allo stress da metalli. Lo strumento ha raggruppato con successo i geni noti per aiutare i batteri a resistere al rame, allo zinco e altri metalli tossici. Anche se i due ceppi di batteri studiati avevano disposizioni genetiche leggermente diverse, lo strumento ha rivelato che entrambi si affidavano allo stesso nucleo di strategie di sopravvivenza. Ciò ha dimostrato che lo strumento poteva trovare la stessa storia biologica anche quando la struttura genetica sottostante appariva diversa. I ricercatori hanno anche testato lo strumento su dati RNA, che mostrano quali geni vengono utilizzati attivamente, e hanno scoperto che poteva identificare geni di resistenza in un tipo diverso di batterio, suggerendo che il metodo potrebbe funzionare anche per studiare le infezioni attive.

Lo studio sottolinea che questo strumento è progettato per aiutare gli scienziati a esplorare e generare nuove idee, non per fornire una risposta finale e perfetta. Le connessioni che lo strumento crea si basano sulla prossimità fisica dei geni nel DNA e sulle funzioni note di tali geni, piuttosto che su esperimenti diretti che provino come essi interagiscano. Ciò significa che le reti che crea sono ipotesi — mappe ben informate che suggeriscono dove guardare successivamente. I ricercatori hanno scoperto che le impostazioni specifiche utilizzate per costruire queste mappe, come quanto lontano cercare per i geni vicini, non cambiavano i temi biologici principali che emergevano. Che guardassero un piccolo quartiere di geni o un'area più ampia, le stesse funzioni chiave, come il metabolismo o la risposta allo stress, rimanevano visibili. Questa stabilità suggerisce che le storie biologiche scoperte dallo strumento sono robuste e affidabili, indipendentemente da piccole variazioni nel modo in cui i dati vengono elaborati.

In definitiva, SELECT-NET offre un modo pratico per trasformare dati genetici travolgenti in storie visive comprensibili. Consentendo agli scienziati di osservare lo stesso genoma batterico attraverso diverse lenti, lo strumento aiuta loro a vedere diversi aspetti della biologia dell'organismo senza perdersi nei dettagli. Non sostituisce il duro lavoro degli esperimenti di laboratorio, ma fornisce un punto di partenza chiaro per essi. Che un ricercatore stia cercando di capire perché un patogeno si stia diffondendo, come un microbo sopravviva in un ambiente tossico o cosa renda unico un ceppo specifico, questo strumento organizza il caos dei dati genetici in un quadro coerente. Trasforma una lunga lista di parti in una mappa di relazioni, aiutando gli scienziati a porre domande migliori e a progettare esperimenti più mirati per comprendere il mondo microscopico che ci circonda.