RegEvol: detection of directional selection in regulatory sequences through phenotypic predictions and phenotype-to-fitness functions

RegEvol is een nieuw raamwerk dat machine learning-voorspellingen van transcriptiefactorbinding koppelt aan evolutionaire modellen om gerichte selectie in niet-coderende regulatorische sequenties te detecteren, waardoor voor het eerst kwantitatief kan worden vastgesteld welke DNA-regio's onder adaptieve druk staan.

De kern

RegEvol: De "Detective" die de geheime taal van DNA leest

Stel je voor dat het DNA van een organisme niet alleen een receptboek is voor het bouwen van een lichaam, maar ook een enorme verzameling van schakelaars en dimmers. Deze schakelaars (de regulerende sequenties) bepalen wanneer en hoe hard een lampje (een gen) moet branden. Soms veranderen deze schakelaars een beetje, en dat kan leiden tot nieuwe eigenschappen, zoals een andere vachtkleur of een sterker immuunsysteem.

Het probleem? De meeste wetenschappers kijken naar deze schakelaars alsof ze oude, verweerde muren zijn. Ze zoeken naar plekken die er al eeuwen hetzelfde uitzien (conservatie). Maar wat als een schakelaar verandert, maar de muur er nog steeds hetzelfde uitziet? Dan missen ze de verandering.

RegEvol is een nieuwe, slimme methode die dit probleem oplost. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Van "Wat er staat" naar "Wat het doet"

Vroeger keken onderzoekers alleen naar de letters in het DNA (A, C, G, T) en vroegen zich af: "Zien deze letters eruit alsof ze verandert zijn?"
RegEvol doet iets anders. Het gebruikt kunstmatige intelligentie (machine learning) om te voorspellen wat die letters doen.

• De Analogie: Stel je voor dat je een tekst in een vreemde taal ziet. De oude methode telde alleen de letters. RegEvol is als een vertaler die zegt: "Ah, deze zin betekent 'Licht aan' en die zin betekent 'Licht uit'."
• Het model simuleert duizenden kleine veranderingen in het DNA en kijkt: "Als ik hier één letter verander, wordt de schakelaar dan sterker, zwakker of blijft hij hetzelfde?"

2. De "Fitness-kaart" (Het doel van de verandering)

Nu weten we wat de veranderingen doen. Maar waarom zijn ze er?
RegEvol tekent een kaart van de fitness.

• Stabiliserende selectie: Stel je een bal voor die in een kuil ligt. Als je de bal een beetje duwt, rolt hij terug naar het midden. Dit is goed voor de schakelaar; veranderingen worden "teruggekaatst".
• Neutrale drift: De bal ligt op een plat veld. Hij rolt waar hij maar wil, zonder dat het uitmaakt.
• Directionele selectie (De winnaar): Stel je een bal voor die een berg afrolt. Hij wil altijd naar beneden. Dit betekent dat de evolutie actief op zoek is naar een nieuwe, betere instelling.

RegEvol kijkt naar de veranderingen die in de loop van de tijd zijn gebeurd en vraagt: "Past dit patroon bij een bal die terugrolt, een bal die willekeurig rolt, of een bal die bewust een berg afrolt?"

3. Waarom is dit zo slim? (De "Kwaliteitscontrole")

De oude methoden waren soms te makkelijk. Als er één heel grote verandering was, dachten ze: "Aha, dat is evolutie!" Maar dat kan ook gewoon toeval zijn.
RegEvol is als een zeer strenge detective.

• Het kijkt niet naar één verdachte, maar naar het hele team.
• Het zegt: "Oké, er was één grote verandering, maar de rest van de veranderingen waren willekeurig. Dus dit is waarschijnlijk geen bewuste evolutie, maar toeval."
• Hierdoor maakt het veel minder fouten (geen vals alarm) en is het betrouwbaarder, zelfs als er niet veel veranderingen zijn.

4. Wat hebben ze ontdekt?

De onderzoekers hebben deze methode getest op vliegen (Drosophila) en mensen.

• Bij vliegen: Ze vonden dat ongeveer 5% van de schakelaars actief aan het veranderen was om iets nieuws te bereiken. Deze schakelaars zaten vaak bij genen die te maken hebben met voortplanting en immuunsysteem.
  • Metaphor: Het is alsof de vliegen hun "reproductie-app" en "veiligheidssysteem" continu updaten om te overleven en zich voort te planten.
• Bij mensen: Omdat mensen minder snel evolueren dan vliegen, was het lastig om veranderingen in één stukje DNA te zien. Dus hebben ze alle schakelaars in een bepaald orgaan bij elkaar opgeteld (zoals een "stemmenoptelling").
  • Ze ontdekten dat het zenuwstelsel (hersenen) en het mannelijke voortplantingssysteem de meeste tekenen van actieve evolutie vertonen.
  • Metaphor: Het is alsof de hersenen en de voortplanting bij mensen nog steeds druk bezig zijn met "software-updates" om slimmer en succesvoller te worden, terwijl andere delen van het lichaam stabiel blijven.

Samenvattend

RegEvol is een nieuwe bril waarmee we naar het DNA kunnen kijken. In plaats van alleen te kijken naar hoe oud de tekst is, kijken we naar wat de tekst betekent en of de veranderingen erin een doel hebben. Het helpt ons begrijpen hoe organismen zich aanpassen aan hun omgeving, niet door toeval, maar door slimme, gerichte veranderingen in hun "schakelaars".

Technische samenvatting

Probleemstelling

De evolutie van cis-regulatieve sequenties (zoals enhancers en promotors) is cruciaal voor fenotypische diversiteit en aanpassing. Het detecteren van selectie in deze niet-coderende regio's blijft echter een grote uitdaging. Bestaande methoden vertrouwen voornamelijk op:

1. Sequentiebehoud: Het vergelijken van substitutierates met neutrale verwachtingen (bijv. PhastCons, PhyloP).
2. Beperkingen: Deze methoden zijn indirect, kunnen verward worden door niet-adaptieve processen (zoals biased gene conversion), en zijn vaak ongeschikt voor snel evoluerende of recent verworven elementen die geen hoge sequentiebehoud vertonen.
3. Eerdere ML-benaderingen: Een voorgaande methode (Liu & Robinson-Rechavi, 2020) gebruikte machine learning om TF-binding te voorspellen en vergelijkingen te maken met een null-verdeling via permutatietests. Deze had echter beperkingen, waaronder opsporingsbias (ascertainment bias) door ChIP-seq data en een afnemende nauwkeurigheid bij grotere evolutionaire divergentie.

Er is een behoefte aan een methode die direct de functionele gevolgen van mutaties koppelt aan evolutionaire modellen, zonder uitsluitend te vertrouwen op behoud of substitutierates.

Methodologie: RegEvol Framework

RegEvol is een nieuw raamwerk dat machine learning-voorspellingen combineert met expliciete populatiegenetische modellen. De workflow bestaat uit de volgende stappen:

1. Genotype-naar-Fenotype Kaart (SVM):

   • Er worden gapped k-mer Support Vector Machines (gkm-SVM) getraind op ChIP-seq data om de binding van transcriptiefactoren (TFs) te voorspellen.
   • Voor elke regio wordt in silico mutagenese uitgevoerd op alle mogelijke puntmutaties.
   • De verandering in de voorspelde binding (∆SVM) definieert de Distribution of Phenotypic Effects (DPE) voor die specifieke regio. Dit beschrijft hoe sequentievariatie de moleculaire fenotypen (TF-binding) beïnvloedt.

2. Fenotype-naar-Fitness Functies:

   • RegEvol modelleert drie geneste evolutionaire scenario's die de relatie tussen het fenotypische effect (∆SVM) en fitness beschrijven, geparametriseerd door Beta-verdelingen:
     • Neutraal: Geen selectie op binding; fitness landschap is vlak (α = β = 1).
     • Stabiliserende selectie: De ancestrale binding is optimaal; afwijkingen worden bestraft (symmetrisch landschap rond ∆SVM = 0, α = β ≠ 1).
     • Directionele selectie: Selectie bevoordeelt mutaties die de binding verhogen of verlagen (asymmetrisch landschap, α ≠ β).

3. Maximum Likelihood Schatting:

   • De waargenomen substituties langs een lijn (vergeleken met de ancestrale sequentie) worden vergeleken met de verwachte verdeling onder elk van de drie modellen.
   • Via maximum-likelihood schatting wordt het model bepaald dat de data het beste verklaart. Likelihood ratio tests worden gebruikt om de beste fit te selecteren.
   • Aggregatiestrategie: Voor korte evolutionaire takken met weinig substituties (waar statistische power laag is), worden likelihoods geaggregeerd over sets van regulatoire elementen (bijv. per weefsel) om de detectiekracht te vergroten.

Belangrijkste Bijdragen

• Van Rate naar Functie: RegEvol verschuift de focus van substitutierates naar de functionele impact van mutaties, waardoor het directer de evolutionaire krachten op moleculaire niveaus meet.
• Correctie van Bias: Het model corrigeert voor opsporingsbias (ascertainment bias) die eerdere permutatietests beïnvloedde, en is robuust tegen extreme substituties die per ongeluk kunnen optreden.
• Nestende Modellen: Door expliciet een stabiliserend selectiemodel te introduceren, kan het onderscheid maken tussen neutraliteit en stabiliserende selectie, wat de valse-positieven bij directionele selectie detectie vermindert.
• Flexibiliteit: Het raamwerk is onafhankelijk van het onderliggende voorspellingsmodel en kan toekomstige deep-learning modellen integreren.

Resultaten

1. Validatie en Simulaties:

   • RegEvol toont een hoge nauwkeurigheid in het detecteren van directionele selectie in gesimuleerde data, met een lage valse-positieve rate (FPR) zelfs bij hoge divergentie.
   • Het presteert significant beter dan de vorige permutatietest, vooral bij het detecteren van consistente, subtiele trendverschuivingen in plaats van alleen extreme uitbijters.
   • De methode is conservatief: het vereist consistente fenotypische verschuivingen over meerdere substituties om directionele selectie te claimen.

2. Toepassing op Drosophila melanogaster:

   • Geanalyseerd op >3 miljoen regulatorische regio's.
   • 5,1% van de pieken werd geïdentificeerd als onderhevig aan directionele selectie.
   • Deze regio's zijn verrijkt bij genen gerelateerd aan reproductie en immuniteit.
   • Er werd een verhoogde ratio van substituties tot polymorfismen (SNP's) gevonden in deze regio's, wat consistent is met recente selectieve sweeps.

3. Toepassing op Menselijke CTCF-binding:

   • Vanwege de beperkte substituties in menselijke lijnen, werd de aggregatiestrategie toegepast op weefsels.
   • Er werd een significante verrijking van directionele selectie signalen gevonden in het zenuwstelsel en het mannelijke reproductieve systeem.
   • Dit bevestigt eerdere bevindingen over snelle adaptieve evolutie in deze specifieke systemen.

Betekenis en Conclusie

RegEvol biedt een krachtig, functioneel onderbouwd raamwerk om adaptatie in niet-coderende regio's te bestuderen. Door de koppeling tussen sequentievariatie, voorspelde moleculaire effecten en fitness, overbrugt het de kloof tussen genotype en fenotype op een manier die traditionele behouds-methoden niet kunnen.

De methode is bijzonder waardevol omdat het:

• Selectie kan detecteren in regio's zonder hoge sequentiebehoud.
• Robuust is tegen technische biases in ChIP-seq data.
• Schaalbaar is van individuele elementen tot geaggregeerde biologische systemen.

Dit biedt nieuwe inzichten in de evolutionaire dynamiek van regulatorische elementen en hun rol in organismale aanpassing, met name in systemen die onderhevig zijn aan sterke seksuele selectie of pathogeen-druk.