Sample-specific haplotype-resolved protein isoform characterization via long-read RNA-seq-based proteogenomics

Deze studie presenteert een end-to-end workflow die long-read RNA-seq-gebaseerde haplotype-resolutie integreert met massaspectrometrie om sample-specifieke proteomen te construeren, waardoor varianten en splice-isoformen kunnen worden gedetecteerd die met referentieproteomen onzichtbaar blijven.

De kern

Titel: De "Perfecte Receptenboek" voor je Eigen Cellen

Stel je voor dat je lichaam een enorme, drukke keuken is. In deze keuken worden constant nieuwe gerechten (eiwitten) bereid. Normaal gesproken gebruiken wetenschappers een standaardreceptenboek (het "referentieproteoom") om te kijken welke gerechten er gemaakt worden. Dit standaardboek is geweldig, maar het is niet perfect voor iedereen. Het is alsof je probeert het menu van een restaurant te voorspellen door alleen naar het menu van een ander restaurant te kijken, terwijl jouw chef-kok (jouw DNA) misschien een paar unieke ingrediënten heeft of een recept op een heel andere manier bereidt.

Deze nieuwe studie van David Wissel en zijn team is als het vinden van een manier om jouw persoonlijke, unieke receptenboek te maken, precies zoals het in jouw keuken wordt gebruikt op dit moment.

Hier is hoe ze dat deden, vertaald in alledaagse termen:

1. Het Probleem: De Standaardreceptenboeken zijn Onvolledig

In het verleden keken wetenschappers naar stukjes van de gerechten (peptiden) om te raden welk gerecht er gemaakt werd. Ze probeerden deze stukjes te matchen met het standaardreceptenboek.

• Het probleem: Soms maakt jouw lichaam een gerecht dat er heel anders uitziet dan in het standaardboek staat. Misschien heb je een genetische variatie (een "typfout" in je DNA) die een ander ingrediënt gebruikt, of misschien wordt het recept op een andere manier geknipt (splicing). Als je alleen naar het standaardboek kijkt, mis je deze unieke gerechten volledig.

2. De Oplossing: Een Lange Kijk op het Recept

De onderzoekers gebruiken een nieuwe technologie genaamd Long-read RNA-seq.

• De analogie: Stel je voor dat je eerder alleen korte zinnen uit een boek las om te raden wat het verhaal was. Dat is lastig. Met deze nieuwe technologie lees je nu het hele verhaal in één keer, van begin tot eind, inclusief alle kleine kanttekeningen en variaties in de tekst.
• Omdat ze het hele verhaal (het RNA) in één keer kunnen lezen, zien ze niet alleen welk recept er wordt gebruikt, maar ook welke specifieke versie van het recept (de haplotype) er wordt gebruikt. Ze zien direct welke variaties samen op één "pagina" van het DNA voorkomen.

3. De Werkwijze: Het Bouwen van een Persoonlijk Boek

De onderzoekers hebben een slimme computerprogramma (een "Snakemake-pipeline") gemaakt. Dit werkt als een super-efficient koksteam:

1. Lezen: Ze nemen de lange RNA-teksten van een cel (bijvoorbeeld een stamcel).
2. Sorteren: Ze kijken welke variaties (genetische verschillen) samen voorkomen. Ze zeggen: "Ah, deze variatie A en variatie B zitten altijd op dezelfde pagina." Dit noemen ze "faseren" (phasing).
3. Schrijven: Ze bouwen een nieuw, persoonlijk receptenboek. Dit boek bevat niet alleen de standaardrecepten, maar ook de unieke versies die specifiek voor die persoon of die cel gelden.
4. Zoeken: Ze vergelijken de stukjes gerechten die ze in de cel hebben gevonden (via massaspectrometrie) met dit nieuwe, persoonlijke boek.

4. Wat Vonden Ze?

Toen ze dit toepasten op cellen (zoals de WTC11 stamcel en cellen die zich ontwikkelen tot botcellen), ontdekten ze verrassende dingen:

• Meer gerechten: Ze vonden veel meer unieke eiwitten dan met het standaardboek mogelijk was.
• De "Link": Soms vonden ze een stukje van een gerecht dat direct bewees dat er een variatie was. Omdat ze wisten welke variaties samen zaten, konden ze ook andere variaties "afleiden" die ze niet direct zagen. Het is alsof je een stukje van een cake ziet en weet: "Als dit de cake is, moet er ook chocolade in zitten, ook al zie ik het stukje chocolade niet."
• Dynamiek: Ze zagen hoe het receptenboek verandert terwijl cellen zich ontwikkelen (van stamcel naar botcel). Het is een levend boek, geen statisch document.

Waarom is dit belangrijk?

Voorheen dachten we dat we met het standaardreceptenboek alles al wisten. Deze studie laat zien dat iedereen en elke cel een beetje anders is.

• Voor ziektes: Sommige ziektes worden veroorzaakt door specifieke variaties die alleen in het persoonlijke boek staan. Als je alleen naar het standaardboek kijkt, mis je de oorzaak.
• Voor de toekomst: Dit is een gereedschapskist die het mogelijk maakt om precies te zien wat er in een patiënt of een specifieke cel gebeurt, inclusief de unieke "twisten" in het DNA.

Kortom: De onderzoekers hebben een manier bedacht om van een generiek, vaag receptenboek een scherpe, persoonlijke handleiding te maken voor elke cel, zodat we precies kunnen zien wat er in ons lichaam gebeurt, inclusief alle kleine, unieke details.

Technische samenvatting

Probleemstelling

De accurate identificatie en karakterisering van proteovormen (proteoforms) is een centrale uitdaging in de proteomica. Traditionele "bottom-up" massaspectrometrie (MS) is afhankelijk van database-zoekstrategieën die uitgaan van een referentieproteoom. Deze referenties zijn echter onvolledig en vertegenwoordigen vaak slechts één referentievolgorde per isoform. Dit leidt tot twee belangrijke beperkingen:

1. Genetische variatie: Individuen dragen verschillende genetische varianten (SNVs, indels) die leiden tot allel-specifieke eiwitsequenties (haplotypes). Deze worden zelden meegenomen in standaard databases.
2. Transcriptomische complexiteit: Alternatief splicing en genetische variatie kunnen gecombineerd voorkomen op hetzelfde chromosoom. Een nauwkeurige eiwitreferentie vereist dus kennis van zowel de specifieke varianten op elk allel als de volledige transcriptstructuur (splice-structuur) waarin deze tot expressie komen.

Bestaande proteogenomische workflows gebruiken vaak korte reads (short-read RNA-seq) die geen volledige transcripten kunnen reconstrueren, of ze gebruiken populatiegebaseerde haplotypes die niet specifiek zijn voor het onderzochte monster. Er is een behoefte aan een methode die monsterspecifieke, haplotype-opgeloste proteomen kan construeren door gebruik te maken van lange-read RNA-sequencing (lrRNA-seq).

Methodologie

De auteurs hebben een end-to-end workflow ontwikkeld, geïmplementeerd als een Snakemake-pipeline, die gekoppelde lrRNA-seq- en MS-data integreert. De kernstappen zijn:

1. Data Voorbereiding en Alignering:

   • lrRNA-seq-data (PacBio Iso-Seq) wordt gekwaliteitsgecontroleerd, gealigneerd aan het genoom (minimap2) en gebruikt voor variant calling (Clair3-RNA).
   • Transcript-discovery wordt uitgevoerd met Bambu om zowel bekende als nieuwe splice-isoformen te identificeren.

2. Variant Phasing (Fasering):

   • Een cruciale stap is het bepalen van welke varianten op hetzelfde chromosoom voorkomen (haplotypen). De auteurs hebben een benchmark uitgevoerd op PacBio-data van Genome-in-a-Bottle (GIAB) monsters (HG002, HG005).
   • Verschillende algoritmen (WhatsHap, HapCUT2, Margin, phASER, HiPhase) werden vergeleken op basis van switch error rate en volledigheid. WhatsHap bleek de beste prestaties te leveren en werd gekozen voor de workflow.
   • Varianten worden gefilterd en gepost-processed zodat ze continue "phase blocks" vormen over coderende sequenties (CDS).

3. Constructie van Haplotype-opgeloste Proteomen:

   • Met behulp van Haplosaurus worden eiwit-haplotypes gegenereerd door de gefaseerde varianten te projecteren op de transcripten.
   • De workflow combineert:
     • Referentie-isoformen (uit GENCODE).
     • Alternatief gespleten isoformen (uit lrRNA-seq).
     • Isoformen met homozygote varianten.
     • Isoformen met heterozygote varianten (haplotype-opgelost).
   • Er worden decoy-sequenties gegenereerd (met DecoyPYrat) voor FDR-berekening.

4. Massaspectrometrie Zoekopdracht:

   • De gegenereerde, monsterspecifieke database wordt gezocht tegen de MS-data met Sage.
   • Na de zoekopdracht volgt eiwit-inferentie (met een greedy set cover benadering) en annotatie om te bepalen hoe geïdentificeerde eiwitten afwijken van de referentie.

Belangrijkste Bijdragen

• Eerste End-to-End Workflow: Dit is de eerste pipeline die haplotype-opgeloste, monsterspecifieke proteomen direct construeert en doorzoekt op basis van gekoppelde lrRNA-seq en MS-data.
• Benchmarking van Phasing: De auteurs tonen aan dat read-based phasing op PacBio lrRNA-seq-data zeer nauwkeurig is, met WhatsHap als aanbevolen tool voor proteogenomische toepassingen.
• Integratie van Variatie en Splicing: De methode lost het probleem op van het gezamenlijk modelleren van allel-specifieke combinaties van varianten en splice-keuzes, wat eerder onmogelijk was met referentie-databases.
• Snakemake Framework: Een modulaire, reproduceerbare workflow die bestaande tools integreert en aanpasbaar is voor verschillende biologische contexten.

Resultaten

De workflow werd toegepast op twee scenario's:

1. WTC11 iPSC-lijn:

   • De monsterspecifieke database identificeerde 10.757 eiwitgroepen, wat 55 meer was dan de GENCODE-referentie.
   • Hoewel de meeste geïdentificeerde peptiden (99,3%) overeenkwamen met de referentie, leverde de haplotype-database unieke detecties op voor varianten en splice-varianten die in andere databases ontbraken.
   • Linkage: Door phasing konden varianten worden afgeleid die niet direct door een peptide werden ondersteund, maar wel op hetzelfde haplotype zaten. Dit leidde tot een aanzienlijke uitbreiding van de variantdekking (bijv. 1.072 homozygote varianten geïdentificeerd, waarvan veel via linkage).
   • Genetische variatie bleek de belangrijkste drijver van proteomische complexiteit, gevolgd door alternatief splicing. Er was weinig overlap tussen de twee (slechts 0,1% van de isoformen vertoonde beide).

2. iPSC-naar-Osteoblast Differentiatie:

   • De methode toonde aan dat het mogelijk is om verschillen in eiwitexpressie tussen condities te analyseren op haplotype-niveau.
   • Een specifiek voorbeeld (DSP-gen) toonde aan dat beide haplotypes aanwezig waren, maar met verschillende abundanties tijdens differentiatie, wat direct kon worden gekwantificeerd via MS.

Betekenis en Toekomstperspectief

De studie bewijst dat lrRNA-seq-gebaseerde phasing haalbaar en effectief is voor proteogenomics. De belangrijkste implicaties zijn:

• Verbeterde Isoform Karakterisering: Het stelt onderzoekers in staat om allel-specifieke eiwitisoformen te detecteren die anders onzichtbaar zouden blijven.
• Klinische Relevantie: De methode is toepasbaar op ziektegerelateerde studies waar genetische haplotypes een rol spelen (bijv. bij kanker of zeldzame genetische aandoeningen).
• Schaalbaarheid: De workflow is ontworpen als een uitbreidbaar fundament. Hoewel de huidige studie beperkt is tot PacBio-data en specifieke cellijnen, biedt het een blauwdruk voor toekomstige toepassingen met toenemende sequentie- en MS-accuraatheid.
• Beperkingen: De auteurs merken op dat de detectie van indels via directe peptide-bewijslast beperkt blijft, maar dat linkage-analyse hier een oplossing voor biedt. Ook wordt er gewezen op de uitdagingen van FDR-calibratie bij zeer grote, monsterspecifieke databases.

Kortom, dit werk levert een praktische raamwerk om de dynamische en complexe wereld van het menselijk proteoom, inclusief genetische variatie en splicing, op een nauwkeurige en monsterspecifieke manier in kaart te brengen.