A unified framework for the systematic detection of microproteins in standard proteomics workflows using a Ribo-seq informed transcriptomic language model

Sintesi Tecnica: Un Framework Unificato per il Rilevamento delle Microproteine

Problematica
Nonostante la diffusa traduzione di open reading frames non canoniche (ncORF) rivelate dal ribosome profiling (Ribo-seq), l'integrazione di queste conoscenze nei flussi di lavoro routinari di spettrometria di massa (MS) rimane difficile. Le attuali annotazioni genomiche si basano su soglie di lunghezza arbitrarie (ad es., ~100 codoni), escludendo sistematicamente migliaia di microproteine funzionali. Sebbene esistano approcci proteogenomici specializzati, essi affrontano barriere significative:

1. Vincoli Biochimici: Le microproteine sono spesso a bassa abbondanza e generano pochi peptidi triptici, rendendole difficili da rilevare tramite la standard MS shotgun.
2. Limitazioni Computazionali: La ricerca contro database esaustivi contenenti tutte le microproteine predette (ad es., OpenProt) aumenta drasticamente lo spazio di ricerca, riducendo la sensibilità per le proteine canoniche e richiedendo risorse computazionali eccessive.
3. Incompatibilità del Workflow: Combinare Ribo-seq e proteomica sullo stesso campione è spesso impraticabile a causa delle diverse esigenze di preparazione del campione, dei costi e delle complessità tecniche, impedendo l'integrazione di routine nei laboratori standard.

I modelli di deep learning esistenti per la predizione dei siti di inizio della traduzione (TIS), come l'originale TIS Transformer, sono limitati dai loro dati di addestramento, che si basano pesantemente sulle annotazioni canoniche di Ensembl. Di conseguenza, non riescono a predire accuratamente gli inizi non-AUG e le ncORF, che sono prevalenti nei dati Ribo-seq.

Metodologia
Gli autori propongono un framework unificato che colma il divario tra l'analisi del proteoma canonico e non canonico senza richiedere protocolli sperimentali specializzati per ogni campione. La metodologia consiste in tre componenti primarie:

1. Meta-Analisi Ribo-seq e Curatela dei Dati:

   • Gli autori hanno elaborato 108 esperimenti di Ribo-seq (771 file FASTQ) provenienti da 74 studi su 50 linee cellulari e tessuti umani.
   • Utilizzando lo strumento RiboTIE, hanno identificato 87.110 ORF uniche, estraendo 40.832 ncTIS (siti di inizio della traduzione non canonici) associati a 19.585 diverse ncORF. Questo dataset includeva vari biotipi (uORF, uoORF, intORF, ecc.) e codoni di inizio non-AUG (ad es., CUG, GUG).

2. Rieducazione del TIS Transformer (TISnc Transformer):

   • Gli autori hanno riaddestrato il modello di deep learning TIS Transformer incorporando i 40.832 ncTIS derivati sperimentalmente come etichette positive insieme agli originali 96.555 TIS canonici di Ensembl.
   • Questo riaddestramento mirava a insegnare al modello le caratteristiche di sequenza uniche delle ncORF pur preservando la sua capacità di predire i TIS canonici.
   • Il modello risultante, denominato TISnc Transformer, è stato calibrato per mantenere un tasso di recall del 91–92% per i TIS canonici.

3. Costruzione del Database Swiss-Prot/MicroProt:

   • È stato creato un database a dimensioni controllate combinando le sequenze canoniche di Swiss-Prot con le 48.265 microproteine derivate da ncORF predette dal TISnc Transformer.
   • Questo database è stato progettato per essere compatibile con i motori di ricerca standard (specificamente MaxQuant/Andromeda) per consentire l'identificazione di routine delle microproteine senza la penalità computazionale di database esaustivi e non filtrati.

4. Validazione e Rianalisi:

   • Il framework è stato testato rianalizzando un dataset MS completo della linea cellulare HeLa (PXD004452) utilizzando sia il database standard Swiss-Prot che il nuovo database Swiss-Prot/MicroProt.
   • Le microproteine identificate sono state incrociate con prove ortogonali da Ribo-seq (RiboCRYPT, TransCODE v35, RiboTIE) e studi MS indipendenti (Wacholder et al., Deutsch et al., OpenProt).

Risultati Chiave

• Performance del Modello: Il riaddestramento con gli ncTIS ha migliorato significativamente la capacità del modello di rilevare le ncORF; il TISnc Transformer ha predetto 48.265 ncORF rispetto alle 18.031 del modello originale, mantenendo il 98% delle predizioni originali delle ORF canoniche. L'analisi statistica ha confermato un arricchimento altamente significativo delle ncORF curate di TransCODE nelle nuove predizioni (p < 10⁻⁴⁶), indicando un miglioramento della sensibilità piuttosto che un semplice aumento del volume di ricerca.
• Concordanza Proteomica: La ricerca del dataset HeLa con Swiss-Prot/MicroProt ha mantenuto una sovrapposizione del 98,83% nei peptide-spectrum matches (PSM) con la ricerca standard Swiss-Prot. Il conteggio totale dei PSM è diminuito solo dello 0,49% e il set principale di 13.291 proteine canoniche è rimasto ampiamente indisturbato.
• Scoperta di Microproteine: Il database espanso ha identificato 539 microproteine (che rappresentano il 3,87% del totale dei gruppi proteici). Di queste, 348 erano uniche della ricerca espansa e 270 avevano prove ortogonali della loro esistenza (da Ribo-seq o altri studi MS).
• Stabilità del Database: L'indice di Jaccard per le proteine leader tra le due ricerche era del 94,1%, dimostrando che l'inclusione delle microproteine non ha destabilizzato l'identificazione del proteoma canonico.

Significatività e Rivendicazioni
Il paper sostiene di fornire un framework unificato che facilita la rilevazione sistematica delle microproteine all'interno dei flussi di lavoro proteomici convenzionali. Sfruttando i dati Ribo-seq per informare un modello linguistico, gli autori hanno creato un database pratico (Swiss-Prot/MicroProt) che:

• Colma il Divario: Permette l'analisi simultanea dei proteomi canonici e non canonici senza richiedere esperimenti di Ribo-seq specifici per il campione per ogni studio proteomico.
• Preserva la Sensibilità: Evita la perdita di sensibilità associata ai database esaustivi utilizzando un set di microproteine predette ad alta confidenza e a dimensioni controllate.
• Abilita l'Integrazione di Routine: Offre un intermediario accessibile tra le risorse esplorative del microproteoma e i database di riferimento ampiamente utilizzati, potenzialmente riducendo il bias metodologico che attualmente sottostima l'impatto regolatorio delle microproteine.

Gli autori sottolineano esplicitamente che questo approccio non è progettato per la ricerca specialistica all'avanguardia sulle microproteine che richiede l'arricchimento a basso peso molecolare o pipeline altamente specializzate. È invece destinato a recuperare una frazione significativa di informazioni biologiche negli esperimenti standard di proteomica shotgun, migliorando così la completezza degli studi proteomici funzionali.