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

기술 요약: 마이크로단백질 검출을 위한 통합 프레임워크

문제 정의
리보솜 프로파일링(Ribo-seq)을 통해 밝혀진 비정형 개방 해독 틀(non-canonical open reading frames, ncORFs)의 광범위한 번역에도 불구하고, 이 지식을 일상적인 질량 분석법(MS) 워크플로우에 통합하는 것은 여전히 어렵습니다. 현재의 유전체 주석은 임의의 길이 임계값(예: ~100 코돈)에 의존하고 있어, 수천 개의 기능적 마이크로단백질을 체계적으로 배제합니다. 특화된 프로테오게노믹스 접근 방식이 존재하지만, 다음과 같은 상당한 장벽에 직면해 있습니다:

1. 생화학적 제약: 마이크로단백질은 종종 발현량이 적고 생성되는 트립틱 펩타이드(tryptic peptides)가 적어, 표준 샷건 MS를 통한 검출이 어렵습니다.
2. 계산적 한계: 모든 예측된 마이크로단백질(예: OpenProt)을 포함하는 철저한 데이터베이스를 대상으로 검색하면 검색 공간이 급격히 증가하여, 정형(canonical) 단백질에 대한 민감도가 감소하고 과도한 계산 자원이 필요합니다.
3. 워크플로우 불일치: Ribo-seq와 단백질체학을 동일한 샘플에서 결합하는 것은 샘플 준비 요구 사항, 비용 및 기술적 복잡성이 다르기 때문에 실무적으로 불가능하며, 이는 일반 실험실에서의 정기적인 통합을 방해합니다.

TIS(번역 개시 부위)를 예측하기 위한 기존의 딥러닝 모델(예: 오리지널 TIS Transformer)은 훈련 데이터가 주로 정형 Ensembl 주석에 의존한다는 점에서 한계가 있습니다. 결과적으로, 이들은 Ribo-seq 데이터에서 흔히 나타나는 비-AUG 개시(non-AUG starts) 및 ncORF를 정확하게 예측하지 못합니다.

방법론
저자들은 모든 샘플에 대해 특화된 실험 프로토콜을 요구하지 않으면서, 정형 및 비정형 단백질체 분석 사이의 간극을 메우는 통합 프레임워크를 제안합니다. 이 방법론은 세 가지 주요 구성 요소로 이루어져 있습니다:

1. Ribo-seq 메타 분석 및 데이터 큐레이션:

   • 저자들은 50개 인간 세포주 및 조직에서 추출한 74개 연구, 108개의 Ribo-seq 실험(771개 FASTQ 파일)을 처리했습니다.
   • RiboTIE 도구를 사용하여 87,110개의 고유한 ORF를 식별하였으며, 19,585개의 별도 ncORF와 연관된 40,832개의 비정형 TIS(ncTISs)를 추출했습니다. 이 데이터셋에는 다양한 바이오타입(uORF, uoORF, intORF 등)과 비-AUG 개시 코돈(예: CUG, GUG)이 포함되었습니다.

2. TIS Transformer의 재학습 (TISnc Transformer):

   • 저자들은 원래의 96,555개 정형 TIS(Ensembl 유래)와 함께, 실험적으로 도출된 40,832개의 ncTIS를 양성 레이블로 포함하여 TIS Transformer 딥러닝 모델을 재학습시켰습니다.
   • 이 재학습은 모델이 정형 TIS를 예측하는 능력을 유지하면서도 ncORF 고유의 서열 특징을 학습하도록 하는 것을 목표로 했습니다.
   • 결과물인 TISnc Transformer는 정형 TIS에 대해 91~92%의 재현율(recall rate)을 유지하도록 보정되었습니다.

3. Swiss-Prot/MicroProt 데이터베이스 구축:

   • 정형 Swiss-Prot 서열과 TISnc Transformer에 의해 예측된 48,265개의 ncORF 유래 마이크로단백질을 결합하여 크기가 제어된 데이터베이스를 생성했습니다.
   • 이 데이터베이스는 무분별한 전체 데이터베이스 사용 시 발생하는 계산적 패널티 없이도 루틴한 식별이 가능하도록 표준 검색 엔진(특히 MaxQuant/Andromeda)과 호환되도록 설계되었습니다.

4. 검증 및 재분석:

   • 본 프레임워크는 표준 Swiss-Prot 데이터베이스와 새로운 Swiss-プト/MicroProt 데이터베이스를 모두 사용하여 포괄적인 HeLa 세포주 MS 데이터셋(PXD004452)을 재분석함으로써 테스트되었습니다.
   • 식별된 마이크로단백질은 Ribo-seq(RiboCRYPT, TransCODE v35, RiboTIE) 및 독립적인 MS 연구(Wacholder et al., Deutsch et al., OpenProt)의 직교적 증거와 교차 참조되었습니다.

주요 결과

• 모델 성능: ncTIS를 통한 재학습은 ncORF 검출 능력을 크게 향상시켰습니다. TISnc Transformer는 오리지널 모델의 18,031개 대비 48,265개의 ncORF를 예측했으며, 기존 정형 ORF 예측의 98%를 유지했습니다. 통계적 분석 결과, 큐레이션된 TransCODE ncORF가 새로운 예측에서 매우 유의미하게 농축됨을 확인했습니다(p < 10⁻⁴⁶). 이는 단순히 검색 볼륨이 늘어난 것이 아니라 민감도가 향려되었음을 나타냅니다.
• 단백질체 일치도: HeLa 데이터셋을 Swiss-Prot/MicroProt로 검색했을 때, 표준 Swiss-Prot 검색과 98.83%의 펩타이드-스펙트럼 매치(PSM) 중첩을 유지했습니다. 총 PSM 수는 0.49%만 감소했으며, 13,291개의 핵심 정형 단백질 세트는 거의 영향을 받지 않았습니다.
• 마이크로단백질 발견: 확장된 데이터베이스는 539개의 마이크로단백질(전체 단백질 그룹의 3.87%를 차지)을 식별했습니다. 이 중 348개는 확장된 검색에서만 고유하게 나타났으며, 270개는 직교적 증거(Ribo-seq 또는 다른 MS 연구)를 보유하고 있었습니다.
• 데이터베이스 안정성: 주요 단백질에 대한 자카드 지수(Jaccard index)는 두 검색 간에 94.1%였으며, 이는 마이크로단백질의 포함이 정형 단백질체의 식별을 불안정하게 만들지 않았음을 입증합니다.

의의 및 주장
본 논문은 전통적인 단백질체학 워크플로우 내에서 마이크로단백질의 체계적인 검출을 용이하게 하는 통합 프레임워크를 제공한다고 주장합니다. Ribo-seq 데이터를 언어 모델에 활용함으로써, 저자들은 다음과 같은 실용적인 데이터베이스(Swiss-Prot/MicroProt)를 구축했습니다:

• 간극 해소: 샘-특이적인 Ribo-seq 실험을 매번 수행할 필요 없이, 정형 및 비정형 단백질체를 동시에 분석할 수 있게 합니다.
• 민감도 보존: 크기가 제어된 고신뢰도 예측 마이크로단질 세트를 사용하여, 철저한(exhaustive) 데이터베이스 사용 시 발생하는 민감도 저하를 피합니다.
• 루틴 통합 가능: 탐색적 마이크로프로테옴 자원과 널리 사용되는 참조 데이터베이스 사이의 접근 가능한 중간 매개체를 제공하여, 마이크로단백질의 조절 영향을 과소평가하는 방법론적 편향을 줄일 수 있습니다.

저자들은 이 접근 방식이 저분자량 농축이나 매우 특화된 파이프라인이 필요한 최첨단 전문 마이크로단백질 연구를 위해 설계된 것이 아님을 명시했습니다. 대신, 이는 표준 샷건 단백질체학 실험에서 상당한 양의 생물학적 정보를 회복하여, 기능적 단백질체 연구의 완결성을 높이기 위한 목적으로 설계되었습니다.