VaLPAS: Leveraging variation in experimental multi-omics data to elucidate protein function

Dit artikel introduceert VaLPAS, een Python-framework dat variatie in multi-omics data benut om via associaties met bekende moleculen de functies van onbekende eiwitten te onthullen, wat wordt gedemonstreerd op de gist *Rhodotorula toruloides*.

De kern

De "Gok op de Buik" voor Onbekende Eiwitten: Een Simpele Uitleg van VaLPAS

Stel je voor dat je een enorme bibliotheek binnenloopt waar miljoenen boeken staan. De meeste boeken hebben een duidelijke titel en een samenvatting op de rug: "Dit is een recept voor cake" of "Dit is een handleiding voor auto's". Maar er zijn ook duizenden boeken die alleen een nummer hebben, zoals "Boek 4582". Niemand weet wat erin staat. In de wereld van de biologie zijn dit de eiwitten in onze cellen. We weten dat ze er zijn, maar we weten vaak niet wat ze doen.

Tot nu toe probeerden wetenschappers deze "boeken" te begrijpen door te kijken naar hoe ze eruit zagen (hun vorm) of hoe ze op andere bekende boeken leken. Maar dat werkt niet altijd goed, net zoals twee boeken die er hetzelfde uitzien, heel verschillende verhalen kunnen vertellen.

Wat is VaLPAS?

De auteurs van dit paper hebben een nieuwe tool bedacht, genaamd VaLPAS. Je kunt VaLPAS zien als een detective die niet kijkt naar de kaft van het boek, maar naar de buurt.

In plaats van te vragen: "Op wie lijkt dit eiwit?", vraagt VaLPAS: "Met wie loopt dit eiwit altijd samen?"

Hoe werkt het? (De Analogie van het Feest)

Stel je een groot feest voor in een laboratorium:

• De gasten zijn de verschillende eiwitten en genen.
• De verschillende situaties zijn de experimenten: soms is het feest koud, soms heet, soms is er veel eten, soms weinig. Dit zijn de "multi-omics data" (alle meetgegevens van het feest).

VaLPAS kijkt naar het gedrag van de gasten tijdens dit feest:

1. Als gast A (een bekend eiwit, bijvoorbeeld de "DJ") altijd begint te dansen zodra gast B (een onbekend eiwit) de dansvloer opkomt, dan is er een sterke kans dat ze vrienden zijn of samenwerken.
2. Als gast C (een onbekend eiwit) altijd verdrietig wordt als gast D (een bekend eiwit) weggaat, dan werken ze misschien samen in een team.

VaLPAS pakt al deze patronen uit de data en zegt: "Hé, dit onbekende eiwit gedraagt zich precies hetzelfde als dat bekende eiwit dat we weten dat 'vetten opslaat'. Dus, dit onbekende eiwit doet waarschijnlijk ook iets met vetten!"

De Slimme Manier: De "Neurale Netwerk" als een Super-Geheugen

De auteurs hebben niet alleen gekeken naar simpele lijntjes (zoals "wie loopt samen met wie?"). Ze hebben een heel slim computerprogramma gebouwd, een auto-encoder.

Stel je dit voor als een super-geheugen dat alle gesprekken op het feest heeft opgenomen. Dit geheugen leert niet alleen wie samen praat, maar ook waarom ze praten. Het ziet patronen die een mens nooit zou zien. Het kan zeggen: "Zie je hoe deze drie gasten zich gedragen als het regent, maar anders als het zonnig is? Ze vormen een onzichtbaar team dat alleen werkt onder die specifieke omstandigheden."

Wat hebben ze ontdekt?

Ze hebben deze tool getest op een gist (een soort micro-organisme) genaamd Rhodotorula toruloides. Ze keken naar duizenden eiwitten waarvan niemand wist wat ze deden.

• Het resultaat? VaLPAS kon met een hoge zekerheid voorspellen wat een groot deel van deze "geheimzinnige" eiwitten doet.
• Het was alsof ze duizenden boeken met alleen een nummer hadden, en VaLPAS de inhoud ervan had geraden door te kijken naar wie er bij elkaar in de bibliotheek zat.

Waarom is dit belangrijk?

Vroeger moesten we wachten tot iemand een eiwit in een laboratorium "uitzocht" door het te breken en te bestuderen. Dat kost jaren. Met VaLPAS kunnen we nu, puur door te kijken naar de data die we al hebben, snel nieuwe ideeën krijgen over wat deze eiwitten doen.

Kort samengevat:
VaLPAS is een slimme, digitale detective die zegt: "Je kent die onbekende gast niet? Geen probleem. Kijk maar eens wie zijn beste vrienden zijn. Als hij altijd bij de kookclub zit, is hij waarschijnlijk een chef-kok." Hiermee helpen ze wetenschappers om de "donkere materie" in onze cellen op te helderen en te begrijpen hoe het leven precies werkt.

Technische samenvatting

Probleemstelling

Ondanks de snelle vooruitgang in sequencing en computationele functiebepaling, blijft een groot deel van de ruimte van genen, eiwitten en metabolieten functioneel onbekend ("functionele donkere materie"). De huidige methoden voor het toewijzen van functies zijn voornamelijk gebaseerd op homologie-zoekopdrachten en het overdragen van annotaties van bekende eiwitten. Deze benadering heeft echter beperkingen:

• Ze faalt vaak om beschikbare experimentele 'omics'-data (zoals die gegenereerd door massaspectrometrie) optimaal te benutten.
• Zelfs bij goed bestudeerde modelorganismen (zoals E. coli en S. cerevisiae) ontbreekt er functionele annotatie voor 20% tot 35% van de eiwitcoderende genen.
• Nieuwe methoden op basis van eiwitstructuurvoorspelling hebben nog steeds te kampen met verminderde voorspellende kracht wanneer evolutionaire relaties onduidelijk zijn.

Er is een gebrek aan een gestandaardiseerd raamwerk om de relaties die inherent zijn aan abundantiepatronen in multi-omics data te exploreren en deze te gebruiken voor het overdragen van functionele annotaties.

Methodologie: VaLPAS Framework

De auteurs introduceren VaLPAS (Variation-Leveraged Phenomic Association Screen), een Python-framework dat ontworpen is om associaties tussen expressiepatronen van genen of eiwitten in multi-omics datasets te berekenen. Het doel is om onbekende functies van moleculen op te helderen via het principe van "guilt by association" (associatie met moleculen van bekende functie).

Technische implementatie:

• Platform: Geschreven in Python, beschikbaar via command line, API, of Jupyter notebooks.
• Afhankelijkheden: Gebruikt bibliotheken zoals bspline-mutual-information, numpy, networkx, pandas en scikit-learn.
• Associatie-inferentie: VaLPAS biedt zowel standaard statistische methoden als geavanceerde machine learning technieken:
  1. Standaard methoden: Pearson- en Spearman-correlatie, cosijn-similariteit en wederzijdse informatie (mutual information).
  2. Gewogen correlatie: Een supervised aanpak waarbij gebruikers een lijst van bekende relaties (bijv. uit STRING-database of KEGG-modules) kunnen invoeren. Een model (op basis van ridge-regressie) leert de gewichten van experimentele condities om deze te gebruiken in een gewogen correlatiebenadering.
  3. Autoencoder Architectuur (Nieuw): Een onbewaakte (unsupervised) aanpak die een latente ruimtereferentie leert voor individuele moleculen.
     • Het bestaat uit parallelle coderingspaden die "molecule embeddings" (expressievector over monsters) en "condition embeddings" (expressievector over moleculen) genereren.
     • Deze worden geïntegreerd via een gewogen decoder-netwerk dat de invoer-expressiematrix reconstrueert.
     • Dit stelt het model in staat om zowel molecuul-molecuul als conditie-conditie relaties vast te leggen in een verenigde latente representatie.

Validatie:
De prestaties worden geëvalueerd door voorspelde associaties te vergelijken met lidmaatschap van KEGG-modules (Knooppunten in metabole pathways).

• True Positives (TP): Genen/eiwitten die in dezelfde KEGG-module zitten en een voorspelde associatie hebben.
• Confidence Metric: De Positive Predictive Value (PPV) wordt gebruikt als vertrouwensmaatstaf voor de top-voorspellingen.

Kernbijdragen

1. VaLPAS Software: Een gebruiksvriendelijk, open-source Python-pakket dat onderzoekers in staat stelt om systematisch nieuwe moleculaire associaties te ontdekken die niet via sequentie- of structuurvergelijking te vinden zijn.
2. Nieuwe Autoencoder Architectuur: Een innovatieve deep learning-structuur die specifiek is ontworpen om multi-omics data te integreren en complexe, niet-lineaire relaties tussen moleculen en experimentele condities te leren.
3. Integratie van Multi-omics: Het framework kan diverse datatypes combineren (transcriptomics, proteomics, fitness-data) en toont aan dat deze datatypes unieke sets van voorspellingen leveren.

Resultaten

De auteurs testten VaLPAS op een reeds gepubliceerde multi-omics dataset van de olieproducerende gist Rhodotorula toruloides, gekweekt onder verschillende koolstof- en stikstofbronnen (11 experimentele condities).

• Prestatie van methoden: De nieuwe autoencoder-architectuur leverde de beste resultaten op met zeer hoge betrouwbaarheid (hoogste PPV) voor het voorspellen van functionele associaties. Pearson-correlatie leverde ook goede resultaten op, maar was minder rekenintensief.
• Complementariteit van datatypes: De analyse toonde aan dat transcriptomics, proteomics en fitness-data verschillende subsets van moleculen voorspellen. De overlap tussen de voorspellingen uit verschillende datatypes was beperkt, wat aangeeft dat het combineren van datatypes essentieel is voor een completer beeld.
• Betrouwbaarheid: Zelfs met een beperkt aantal experimentele condities (11), slaagde VaLPAS erin om veel significante associaties met hoge betrouwbaarheid te detecteren binnen de top 1000 voorspellingen.

Betekenis en Conclusie

VaLPAS biedt een krachtig alternatief voor traditionele sequentie-gebaseerde functiebepaling. Door gebruik te maken van variatie in experimentele multi-omics data, kan het framework functionele "donkere materie" verhelderen.

• Toekomstperspectief: De auteurs anticiperen dat de toepassing van VaLPAS op uitgebreidere datasets (met meer condities) zal leiden tot grotere sets van voorspellingen en een hogere kans op het ontdekken van nieuwe biologische inzichten.
• Validatiebreedte: Hoewel de huidige validatie beperkt was tot KEGG-modules, kan het framework worden uitgebreid met andere bronnen van functionele kennis om het "aperture" van nieuwe ontdekkingen te verbreden.
• Synergie: Het combineren van VaLPAS-voorspellingen met andere methoden (zoals structuurvoorspelling) wordt gezien als een veelbelovende route om de algehele nauwkeurigheid van functionele annotatie te verbeteren.

Kortom, VaLPAS is een belangrijke stap in het benutten van de groeiende hoeveelheid multi-omics data om de functionele kennis van organismen, zowel model- als niet-modelorganismen, aanzienlijk uit te breiden.