生命は、DNAと呼ばれるコードに書かれた指示書によって構築されており、細胞はそのコードを読み取ってタンパク質を作り出します。これらのタンパク質は、食物の消化から病気に対する防御まで、生物体内におけるほぼすべての任務を遂行する働き手です。多くの場合、これらの働き手はグループで存在しており、共通の祖先から派生したために、多くのメンバーが似たような形状や機能を持っています。科学者たちは、これらのグループを「遺伝子ファミリー」と呼んでいます。ある生物がどのように機能するかを理解するためには、研究者はまずその遺伝子コード内にあるこれらのファミリーを見つけ出し、数を数えなければなりません。しかし、新しいゲノムの解読が急速に進むにつれ、膨大なデータ量によってこの作業は困難になっています。従来の手法は、既知のタンパク質の形状と新しい遺伝子配列との間の一致を検索することに依存していますが、単一の検索手法で完璧であるということはありません。既知の例と見た目が違いすぎるために見逃されるファミリーもあれば、無関係な小さな特徴を共有しているために誤って特定されてしまうものもあります。これにより、研究者は不完全なリストを抱え、結果を手動でチェックし整理するという退屈な作業を強いられています。
ビーブン・マンジェングワによって開発された「GWIscan」と呼ばれる新しいツールは、このプロセス全体を自動化することで解決策を提示します。このソフトウェアは、包括的なスキャナーとして機能し、漏れがないように2つの異なる検索戦略を組み合わせて、ゲノム全体の遺伝子ファミリーを探し出します。まず、特定の本のタイトルで本を探すのと同じように、既知のタンパク質配列への直接的な一致を探します。次に、たとえタイトルが変わっていたとしても、タンパク質の根底にある構造的な設計図を探す、より微細な第2の検索を行います。これら2つの検索結果を統合することで、ツールはより完全な候補リストを作成します。その後、ツールは厳格な編集者として機能し、各候補が特定の決定的な特徴を備えているかどうかを確認することで、その候補が本当にそのファミリーに属しているかを検証します。リストが確定されると、ソフトウェアは各メンバーの詳細な情報（サイズ、化学的特性、細胞内のどこで働く可能性が高いかなど）を自動的に収集します。このワークフロー全体が単一の自動実行で行われるため、研究者が異なるプログラムを繋ぎ合わせたり、データを手動で集計したりする必要はありません。
このアプローチが機能するかどうかをテストするため、研究者たちはGWIscanを、小さな花のつく雑草、トウモロコシ、そして一般的なインゲン豆という3種類の異なる植物の遺伝子コードに適用しました。彼らは、植物が環境を認識し相互作用するのを助けるレクチンと呼ばれる特定のタンパク質グループに焦点を当てました。チームは、GWIscanによる結果を、同じ植物におけるこれらのタンパク質を手動で数えた過去の研究と比較しました。雑草において、この新しいツールは、以前の研究で報告されていた217個の遺伝子のうち211個を見つけ出し、これまでの研究成果と同等またはそれを上回る成功率を示しました。トウモロコシとインゲン豆の研究では、このツールは既知のカウントを再現しただけでなく、従来の単一手法の検索で見落とされていた追加のメンバーをも発見しました。例えば、インゲン豆において、このツールは標準的な例とは構造がわずかに異なるために見逃されていた数十の新しいレクチン遺伝子を特定しました。これらの新しい発見はランダムな推測ではなく、ツールがこれらの追加の遺伝子がファミリーの一部であるための正しい構造的特徴を備えていることを確認したものでした。
この研究は、異なる検索手法を組み合わせることが、単一の手法に頼るよりも効果的であることを示しています。研究者が古い手法によって見落とされた遺伝子を詳しく調べたところ、一部は配列が違いすぎて単純な一致では捉えられず、また他のものは構造的な検索単独では複雑すぎることが分かりました。両方のアプローチを併用することで、GWIscanはこれらの失われた断片を回収しました。また、このツールは複数の種からのデータを同時に処理する能力も証明しており、異なる植物間で遺伝子ファミリーがどのように変化するかを示す明確な比較へと結果を整理します。このソフトウェアはあらゆる生物に対して機能するように設計されていますが、研究者たちは、高度な分析ステップのいくつかに学術利用のための特定のライセンスが必要であると指摘しています。最終的に、GWIscanは、複雑で手作業を要する作業を、信頼性の高い結果を生み出す合理化されたプロセスへと変え、科学者があらゆる種の遺伝子ファミリーをマッピングするための信頼できる自動化された手段を提供します。
GWIscanの技術要約
問題提起
保存されたドメイン（例：NBS-LRR抵抗性遺伝子、受容体キナーゼ、レクチンなど）によって定義される遺伝子ファミリーのゲノムワイドな調査は、機能特性評価のための標準的な前提条件である。現在のワークフローでは、通常、相同性検索（BLAST）またはプロファイルHMM検索を用いて候補を特定し、その後、InterProドメイン解析や物理化学的特性、局在、系統発生などのin silico特性の手動コンパイルが行われる。既存のパイプラインは、このプロセスの一部を自動化しているものの、単一の実行内で複数の検索戦略、詳細な特性評価、および多種解析を同時にサポートする統合されたソリューションを欠いている。さらに、単一の検索手法への依存は、代替のアプローチによって検出されるはずの、分岐が進んだファミリーメンバーの回収に失敗することが多い。
方法論
GWIscanは、相同性ベースの検索とプロファイルHMM検索戦略を、ダウンストリームの注釈付けおよび系統解析と統合するように設計されたPythonベースの自動化パイプラインである。本パイプラインは、family、multi-family、およびarchitectureの3つの異なるモードで動作する。ユーザー定義のプロテオーム（FASTA）と、Pfamアクセッション番号、カスタムHMM、またはリファレンス配列によってターゲットファミリーを定義する設定ファイル（config.yaml）を受け取る。
コアとなるワークフローは、以下の3つのフェーズで進行する：
- 入力とセットアップ： パイプラインは入力を検証し、必要なリファレンスデータ（Pfam HMM、Gene Ontology用語）をダウンロードし、入力プロテオームからDIAMONDデータベースを構築する。
- 推定候補の特定：
- Family/Multi-family モード： 候補は2つの並行するアプローチによって特定される。(i) ファミリーモデルに対する
hmmsearchを用いたプロファイルHMM検索、および(ii) 2段階のDIAMOND BLASTp検索。第1ラウンド（R1）はリファレンス配列を使用して、長さ正規化されたBlast Score Ratio（BSR）に基づく第2ラウンド（R2）のシードを作成する。両方のメソッドからのヒットセットはマージされる。GWIscanは、2つのメソッド間のコンコーダンス（一致性）を評価するためにJaccard指数を計算し、ファミリーを「concordant（一致）」、「hmm-dominant（HMM優位）」、または「blast-dominant（BLAST優位）」とラベル付けする。
- Architecture モード： 特定のドメインの組み合わせ（主要なシードドメイン ＋ 必須ドメイン）を検出するための、2パスHMMER検索によって候補が特定される。
- 検証： すべての推定候補は、定義されたファミリーのシグネチャー（Pfam、CDD、またはPANTHER）の存在を確認するためにInterProScan（ローカルまたはAPI）にかけられる。
- 注釈付けとダウンストリーム解析： 確認されたメンバーには、ゲノム座標、物理化学的特性（BiopythonのProtेंParam経由）、膜貫通トポロジー（DeepTMHMM）、シグナルペプチド（TargetP）、および細胞内局在（DeepLoc）の注釈が付与される。オプションのダウンストリーム・トラックとして、de novoモチーフ発見（MEME）、多重配列アライメント（MAFFT）、および最大尤度系統樹推定（IQ-TREE）を実行する。
本パイプラインは、バリアースケジューリングスキームを介してマルチスピーシーズ実行をサポートしており、すべての種が次のステージに進む前に、すべての種が特定のステージを完了することを保証する。また、ツールのバージョンや入力のチェックサムを含む、再現可能なプロベナンス（由来）記録を生成する。
主な貢献
- 統合されたワークフロー： GWIscanは、識別、シグネチャー確認、および包括的なin silico特性評価を単一の再現可能な実行へと集約し、異種ツールの手動組み立てを削減する。
- ハイブリッド検索戦略： BLASTとプロファイルHMM検索を組み合わせることで、単一手法のアプローチによる限界に対処し、どちらか一方の方法だけでは見逃される可能性のある候補を回収する。
- 柔軟性： 3つの運用モード（family、multi-family、architecture）をサポートし、単一または複数の種を同時に処理できる。
- アクセシビリティ： BiocondaおよびGitHubを通じてMITライセンスで配布されており、プラットフォームに依存せず、パラメータ調整のための詳細な設定オプションが含まれている。
結果
著者は、Arabidopsis thaliana、Zea mays、およびPhaseolus vulgarisにおける公開されたレクチン目録に対して、GWIscanのmulti-familyモードのベンチマークを行った。
- 公開データの再現： A. thalianaにおいて、GWIscanは先行研究で報告された217個のレクチン遺伝子のうち211個を回収し、12のファミリーのうち9つで同一のカウントを示した。不一致は特定の遺伝子に起因しており、特にGWIscanによって除外された2つの遺伝子は期待されるレクチンドメインを欠いており、より高い特異性を示唆していた。
- 追加メンバーの発見： オリジナルの研究が相同性検索のみに依存していたP. vulgarisにおいて、GWIscanはLysM（3倍増）、GNA（1.9倍増）、およびLegume（1.1倍増）といったファミリーにおいて、大幅に多くのメンバーを特定した。これらの追加候補には、BLASTのみのアプローチでは見逃されたが、HMMとシグネチャー確認の組み合わせ戦略によって検証されたキメラレクチン（融合ドメイン）が含まれていた。
- 特異性： Z. maysにおいて、本パイプラインは、以前の調査に含まれていた、関連はあるが異なるドメイン（例：レクチンドメインではなく配糖体加水分解酵素）を持つと注釈付けされた遺伝子を正しく除外した。
意義
本論文は、GWIscanが、確立された目録を再現しつつ、単一の戦略検索では見逃されるメンバーを回収する感度を備えた、堅牢で自動化されたゲノムワイドな遺伝子ファミリー同定のためのソリューションを提供すると主張している。タンパク質（プロテオーム）から系統樹までの一連のパイプラインを自動化することで、生命の樹全体における高信頼度の機能特性評価を促進する。著者は、GWIscanが比較ゲノミクスおよび遺伝子ファミリーの機能検証を行う研究者にとって、日常的なツールとなることを意図していると結論付けている。
毎週最高の biology 論文をお届け。
スタンフォード、ケンブリッジ、フランス科学アカデミーの研究者に信頼されています。
受信トレイを確認して登録を完了してください。
問題が発生しました。もう一度お試しください。
スパムなし、いつでも解除可能。
週刊ダイジェスト — 最新の研究をわかりやすく。登録