New genetic codes in bacteria and archaea identified with a fast k-mer based algorithm

De auteur presenteert een snelle k-mer-gebaseerde methode om genetische codes direct uit geassembleerde genomen te afleiden, waardoor duizenden nieuwe bacteriële en archaeale sequenties kunnen worden geanalyseerd en nieuwe variaties, waaronder de eerste zintuiglijke codonhertoewijzing bij archaea, zijn ontdekt.

De kern

Stel je voor dat het leven een gigantische bibliotheek is, en elk organisme (van bacteriën tot mensen) heeft zijn eigen instructieboekje. Dit boekje vertelt de cellen hoe ze eiwitten moeten bouwen, de bouwstenen van het leven. De "taal" in dit boekje is de genetische code.

Normaal gesproken gebruiken bijna alle organismen dezelfde taal. Als je in het boekje de code "ACA" ziet, betekent dat voor iedereen: "bouw hier een aminozuur genaamd Threonine". Het is als een universeel woordenboek.

Maar, zoals in elke taal, zijn er dialecten. Soms verandert een organisme de betekenis van een woord. Voor hen betekent "ACA" plotseling "Aspartaat" in plaats van "Threonine". Tot nu toe was het vinden van deze rare dialecten heel moeilijk en duur, alsof je handmatig elke pagina van miljoenen boeken moest lezen om één verkeerd geschreven woord te vinden.

De nieuwe uitvinding: De "Snelle Woordenzoeker"

Artem Melnykov, de schrijver van dit artikel, heeft een slimme nieuwe manier bedacht om deze dialecten te vinden. Hij noemt zijn methode KACI.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het oude probleem: Te traag

Vroeger gebruikten wetenschappers een methode die leek op het vergelijken van hele zinnen. Ze keken naar een stukje DNA, vertaalden het naar een eiwit, en vergeleken dat eiwit met duizenden andere bekende eiwitten om te zien of er fouten in stonden. Dit was als het lezen van een heel boek om te zien of één woord verkeerd staat. Het kostte een supercomputer dagen of weken om dit voor duizenden bacteriën te doen.

2. De nieuwe oplossing: K-meren (Kleine Woordjes)

De nieuwe methode, KACI, doet iets slims. In plaats van hele zinnen te lezen, kijkt hij naar kleine woordjes (in de vaktaal: k-mers).

• De Analogie: Stel je voor dat je een onbekend dialect wilt leren. In plaats van hele zinnen te analyseren, kijk je naar korte, bekende zinsdelen die in bijna elke taal voorkomen, zoals "de hond" of "de kat".
• Hoe KACI werkt: Het programma heeft een enorme lijst met deze korte, bekende "woordjes" uit bekende eiwitten. Wanneer het een nieuw bacterie-DNA bekijkt, zoekt het niet naar hele zinnen, maar naar deze korte woordjes.
  • Als het woordje "de hond" in het nieuwe boekje staat, maar het woordje "de kat" erachter staat waar normaal "de hond" zou moeten staan, dan weet het programma: "Aha! Hier is de betekenis van dit woord veranderd!"

3. Het resultaat: Snelheid en nieuwe ontdekkingen

Door alleen naar deze korte woordjes te kijken, is de nieuwe methode 144 keer sneller dan de oude. Het is alsof je van het lezen van hele boeken bent gegaan naar het scannen van de titels van de hoofdstukken. Je kunt nu duizenden nieuwe bacteriën en archaea (een soort primitieve eencelligen) in een handomdraai analyseren op een gewone laptop, in plaats van een supercomputer nodig te hebben.

Wat hebben ze gevonden?

Met deze snelle "woordjes-scanner" heeft Artem nieuwe dialecten ontdekt die niemand eerder zag:

1. Bacteriën: Hij vond bacteriën die het woord "ACA" gebruiken voor een heel ander aminozuur dan normaal. Dit is een heel zeldzame verandering voor dit specifieke woord.
2. Bacteriën (nog een): Hij vond een groep bacteriën in de menselijke darm en varkensstallen die het woord "CGG" gebruiken voor een ander aminozuur.
3. Archaea (De grote verrassing): Hij vond een organisme in de diepe zee (bij thermale bronnen) dat het woord "CGG" gebruikt voor een aminozuur dat normaal gesproken een stopsein is. Dit is de eerste keer dat men een dergelijke verandering vindt in deze groep organismen.

Waarom is dit belangrijk?

Stel je voor dat je een recept voor een taart leest, maar de ingrediëntenlijst is in een vreemd dialect. Als je denkt dat "suiker" "zout" betekent, wordt je taart onsmakelijk.

• Betere databases: Als we de taal van deze bacteriën verkeerd begrijpen, bouwen we de verkeerde eiwitten in onze computerdatabases. Dit maakt het lastig om nieuwe medicijnen te vinden of ziektes te bestrijden.
• Evolutie: Het helpt ons begrijpen hoe het leven zich aanpast. Soms verandert een organisme zijn taal omdat het in een extreme omgeving leeft (zoals hete bronnen of zure mijnwater).

Conclusie

Dit artikel vertelt ons dat we nu een supersnelle zoekmachine hebben om de geheimtaal van duizenden nieuwe micro-organismen te kraken. In plaats van maanden te zoeken, vinden we nu in seconden nieuwe "dialecten" in de taal van het leven. Dit helpt ons niet alleen om de evolutie beter te begrijpen, maar zorgt er ook voor dat onze medische en biologische databases veel nauwkeuriger worden.

Technische samenvatting

Probleemstelling

De genetische code wordt vaak als universeel beschouwd, maar er zijn talloze uitzonderingen gedocumenteerd, vooral in organellen en bij parasitaire eukaryoten, maar ook bij bacteriën en archaea. Het identificeren van deze varianten is cruciaal voor het begrijpen van de evolutie van de genetische code en voor het verbeteren van de nauwkeurigheid van proteïne-databases en genoomannotaties.

Het huidige probleem is dat de bestaande methoden, zoals het tool Codetta, te computatie-intensief zijn. Codetta vertrouwt op Hidden Markov Models (HMM) en uitgebreide sequentie-uitlijningen om geconserveerde aminozuurresiduen te analyseren. Hoewel nauwkeurig, vereist deze aanpak enorme rekenkracht (een cluster van 30.000 cores voor 250.000 genomen), waardoor het onpraktisch is om toe te passen op de duizenden nieuwe, niet-gekweekte soorten (MAGs - Metagenome-Assembled Genomes) die momenteel uit omgevingsmonsters worden geassembleerd. Er is behoefte aan een sneller alternatief dat schaalbaar is voor grote datasets.

Methodologie: KACI (K-mer Assisted Code Inference)

De auteur introduceert KACI, een nieuw algoritme dat de genetische code infereert op basis van geassembleerde genomen, maar met een drastisch versnelde aanpak.

• Principe: In plaats van tijdrovende HMM-uitlijningen te gebruiken, vervangt KACI de zoektocht naar geconserveerde eiwitregio's door het opzoeken van korte peptiden (aminozuur k-mers) in een vooraf berekende referentietabel.
• Referentieconstructie:
  • Bekende eiwitfamilies (uit Pfam) worden opgesplitst in overlappende k-mers van een vaste lengte.
  • K-mers die op één positie variëren, worden gegroepeerd tot een referentie-k-mer met een onzekerheidssymbool ("?") op die positie, vergezeld van een waarschijnlijkheidsverdeling voor de aminozuren op die plek.
  • Alleen k-mers met voldoende conservatie (bepaald door een "link number" drempel) worden opgenomen.
• Inference-proces:
  1. Het onbekende genoom wordt vertaald in zes open leesframes (ORF's) met de standaard genetische code (zonder stopcodons als tijdelijke aanname).
  2. Deze ORF's worden opgesplitst in k-mers.
  3. Voor elke positie in een query-k-mer wordt het aminozuur vervangen door "?" en wordt gezocht naar een match in de referentietabel.
  4. Als een match wordt gevonden, worden de waarschijnlijkheidsgegevens uit de referentie gebruikt om de decoderingskans voor het corresponderende codon te berekenen.
  5. Na normalisatie wordt de waarschijnlijkheid voor elke codon bepaald.
• Parameters: De optimale k-mer-lengte werd bepaald als k=11 en de link number (drempel voor conservatie) als 20. Dit resulteert in een referentietabel van ongeveer 4 GB op schijf (15 GB RAM).

Belangrijkste Bijdragen

1. Snelheid: KACI is 144 keer sneller dan Codetta (met een bereik van 100x tot 200x), waardoor het mogelijk wordt om duizenden genomen te analyseren op een standaard werkstation in plaats van een supercomputer.
2. Nieuwe Ontdekkingen: Toepassing op ~2,7 miljoen bacteriële en archaeale genomen leidde tot de identificatie van drie nieuwe kandidaat-codonherindelingen, waaronder de eerste bevestigde herindeling van een zinscodon (sense codon) in archaea.
3. Validatie: Het algoritme bevestigde alle bekende herindelingen en leverde resultaten die voor 99,85% overeenkwamen met Codetta voor zinscodons, met slechts een zeer kleine daling in gevoeligheid.

Resultaten

De analyse van grote datasets leverde de volgende specifieke bevindingen op:

1. Bacteriën: ACA herindeling (Threonine -> Aspartaat)

   • Gevonden in >30 genomen (o.a. familie RAAP-2).
   • Bewijs: Phylogenetische samenhang, afwijkende tRNA-UGU sequenties (ontbreken van het klassieke G1:C72 basepaar), en conservatie van aspartaat in het COX1-eiwit waar threonine normaal zou staan.
   • Oorzaak: Hoog GC-gehalte (60-70%) drijft de frequentie van het ACA-codon omlaag, wat de herindeling mogelijk maakt.

2. Bacteriën: CGG herindeling (Arginine -> Alanine)

   • Gevonden in 11 genomen uit menselijke en varkensmicrobiomen (geslacht RGIG3102).
   • Bewijs: tRNA-CGG sequenties missen het canonieke Arginine-identiteits-element (A20) en hebben in plaats daarvan het G3:U70 paar dat kenmerkend is voor Alanine-tRNA's.
   • Opmerking: Deze herindeling is minder zeker dan de ACA-variant, maar wordt ondersteund door tRNA-structuur en eiwituitlijningen.

3. Archaea: CGG herindeling (Arginine -> Tryptofaan)

   • Gevonden in twee genomen afkomstig van mariene hydrothermale bronnen.
   • Significantie: Dit is de eerste keer dat een zinscodon (sense codon) in archaea wordt herindeld.
   • Bewijs: Bevestigd door zowel KACI als Codetta. De tRNA-CGG ontbreekt het Arginine-identiteits-element en toont een ongewone "bulge" in de acceptorstam. De herindeling wordt ondersteund door conservatie van tryptofaan in ribosomale eiwitten (L32e, S27).
   • Mogelijke neveneffect: Het codon CGA (verwant aan CGG) lijkt in deze organismen een stopcodon te zijn geworden, aangezien het cognate tRNA-UCG ontbreekt.

Beperkingen:

• KACI kan soms foutieve resultaten geven bij herindeling van Arginine-codons naar Lysine (een bekend artefact van de methode).
• Verontreiniging van MAGs met sequenties van andere soorten kan leiden tot valse positieven, vooral bij stopcodons.
• Directe inferentie van stopcodons is niet mogelijk; dit moet worden afgeleid uit de afwezigheid van tRNA's of andere indirecte bewijzen.

Betekenis en Conclusie

Dit artikel presenteert een doorbraak in de bio-informatica voor genoomannotatie. Door de rekenlast met twee orders van grootte te verminderen, maakt KACI het mogelijk om systematisch te scannen naar varianten in de genetische code in de enorme hoeveelheid data die gegenereerd wordt door omgevingssequencing.

De ontdekking van nieuwe herindelingen, met name de eerste in archaea, benadrukt dat de "universele" genetische code nog veel meer variatie vertoont dan eerder gedacht. KACI biedt een essentieel instrument om deze variatie te kaarten, wat essentieel is voor het verbeteren van de kwaliteit van proteïne-databases en het begrijpen van de evolutionaire dynamiek van het genetisch systeem. De auteur concludeert dat er waarschijnlijk nog veel meer varianten te ontdekken zijn die nu met dit snellere algoritme toegankelijk worden.