De novo protein discovery in non-model organisms

De auteurs ontwikkelden "plant", een de novo computationele methode analoog aan chromatografie die de vergelijking, annotatie en kwantificatie van proteïnedomeinen over transcriptomen van niet-modelorganismen mogelijk maakt zonder een referentiegenoom te vereisen, zoals aangetoond door een analyse van *Selaginella*-soorten met 1KP RNA-seq-data.

De kern

Stel je voor dat je twee verschillende bibliotheken met boeken hebt, maar geen van beide bibliotheken heeft een inhoudsopgave en de boeken zijn geschreven in talen die je niet spreekt. Om ze te vergelijken, zou je normaal gesproken een meestervertaler of een naslagwerk nodig hebben. Maar wat als je deze bibliotheken wilde vergelijken zonder al dat hulpmateriaal?

Dat is het probleem waar wetenschappers mee te maken kregen toen ze probeerden planten te bestuderen die geen "referentiegenoom" (een masterontwerp) beschikbaar hadden. Om dit op te lossen, creëerden ze een nieuw digitaal hulpmiddel genaamd plant (wat staat voor Parallel Annotation of Transcriptomes).

Hier is hoe het werkt, met een eenvoudige analogie:

De koffiefilter-analogie
Denk aan een complex mengsel van koffiepoeder en water. Om te begrijpen wat erin zit, zou je misschien een filter gebruiken om het vocht van de vaste stoffen te scheiden. De plant-methode werkt op vergelijkbare wijze, maar in plaats van een fysiek filter gebruikt het een computerprogramma. Het neemt de rommelige, ruwe data uit de genetische code van een plant (RNA-seq) en "filtreert" deze om de specifieke bouwstenen te isoleren waaruit de eiwitten zijn opgebouwd.

De LEGO-blokkenvergelijking
Meestal vergelijken wetenschappers planten door te kijken naar specifieke genen, wat vergelijkbaar is met het proberen twee verschillende sets LEGO-instructies te vergelijken die volledig verschillende benamingssystemen gebruiken. Het is moeilijk om ze op elkaar af te stemmen.

In plaats daarvan negeert plant de specifieke instructies en kijkt het naar de LEGO-blokken zelf (universele eiwitdomeinen). Net zoals een "2x4 rood blok" hetzelfde is, of het nu in een kasteelset of een ruimteschipset zit, zijn deze eiwitbouwstenen universeel over verschillende soorten heen. Door te tellen hoeveel van elk "blok" in de ene plant versus de andere wordt gebruikt, kan het hulpmiddel ze direct vergelijken, zelfs als de planten tot verschillende soorten behoren.

Het experiment
De onderzoekers testten dit op verschillende soorten Selaginella-planten (een type oude plant) met behulp van data uit het "1000 Plants"-project. Ze deden drie belangrijke dingen:

1. Legden de puzzel: Ze namen ruwe genetische data en legden deze in elkaar als een legpuzzel.
2. Identificeerden de onderdelen: Ze controleerden deze stukken tegen een enorme database (Pfam) om te zien wat voor soort "LEGO-blokken" (eiwitstructuren) het waren.
3. Telden de onderdelen: Ze maten hoeveel van elk blok er werd gebruikt.

Het resultaat
Door het "wat" (de eiwitstructuur) te combineren met het "hoeveel" (de hoeveelheid), konden ze precies zien welke eiwitstructuren in de planten actief waren. Omdat ze zich richtten op deze universele blokken, konden ze de planten eerlijk vergelijken, zelfs zonder een masterontwerp.

Ze vonden ook enkele unieke "blokken" die alleen voorkwamen in specifieke soorten en konden deze terugvinden tot het exacte gen dat ze maakte. Tot slot creëerden ze een kleurrijke "belplot" (een type grafiek) om te visualiseren hoe deze eiwitonderdelen over de verschillende planten waren verdeeld, waardoor het eenvoudig was om de patronen in één oogopslag te zien.

Kortom, deze methode stelt wetenschappers in staat om de interne werking van verschillende planten te vergelijken door zich te richten op hun gedeelde, universele bouwstenen, in plaats van verdwaald te raken in de verschillen van hun specifieke genetische talen.

Technische samenvatting

Technische Samenvatting: De Novo Ontdekking van Proteïnen bij Niet-Modelorganismen

Probleemstelling
De centrale uitdaging die wordt aangepakt, is de analyse van RNA-seq-gegevens van niet-modelorganismen die geen referentiegenomen hebben. Traditionele analyse van differentiële genexpressie is afhankelijk van soortspecifieke genmapping, die voor veel soorten niet beschikbaar is. Bijgevolg is er behoefte aan een methode die transcriptomische gegevens over verschillende soorten kan vergelijken zonder dat een bestaand genomisch raamwerk vereist is, met name gericht op het identificeren en kwantificeren van proteïnecomponenten in plaats van hele genen.

Methodologie
De auteurs ontwikkelden een computationeel raamwerk genaamd plant (Parallel Annotation of Transcriptomes), dat een conceptuele parallel trekt met chromatografie. Net zoals chromatografie een complex mengsel filtreert om individuele componenten te isoleren, filtreert plant transcriptomische gegevens om specifieke proteïnecomponenten te identificeren, te annoteren en te kwantificeren.

De workflow verloopt als volgt:

1. Dataverwerving en Assemblage: Ruwe RNA-seq-reads van verschillende Selaginella-soorten (gehaald uit het 1000 Plant transcriptomes-initiatief, of 1KP) werden geassembleerd tot transcripten met behulp van Trinity.
2. Domeinannotatie: De geassembleerde transcripten werden afgezet tegen de Pfam-proteïnedomeindatabase met behulp van InterProScan. Dit verschuift de eenheid van vergelijking van soortspecifieke genen naar universele proteïnedomeinen.
3. Kwantificering: Transcripten werden gekwantificeerd met kallisto.
4. Integratie: De auteurs voegden de annotatiegegevens (aanwezigheid van specifieke proteïnestructuren) samen met de kwantificeringsgegevens (expressieniveaus). Dit maakt het mogelijk om te bepalen hoe vaak een voorspelde proteïnestructuur tot expressie komt.
5. Visualisatie: Een bubbelplot werd gegenereerd om de verdeling van Pfam-annotaties en Gene Ontology (GO)-termen over de bestudeerde soorten te visualiseren.

Belangrijkste Bijdragen en Resultaten
De primaire bijdrage is een methode die cross-species vergelijking mogelijk maakt op basis van universele proteïnedomeinannotaties in plaats van orthologe genen. Door vergelijkingen te verankeren in proteïnedomeinen, faciliteert de methode de analyse van organismen die door relatief korte evolutionaire afstanden gescheiden zijn, zonder referentiegenoom.

Belangrijkste bevindingen en aangetoonde mogelijkheden zijn:

• Cross-Species Vergelijkbaarheid: De gekwantificeerde annotaties van proteïnedomeinen bleken vergelijkbaar te zijn over verschillende soorten.
• Identificatie van Specificiteit: De methode slaagde erin de aanwezigheid van soortspecifieke proteïnedomeinen te identificeren.
• Traceerbaarheid: De pijplijn stelt onderzoekers in staat om specifieke domeinannotaties terug te traceren naar hun oorspronkelijke genen.
• Visualisatie: Het onderzoek leverde visuele weergaven (bubbelplots) op van de verdeling van functionele annotaties over de geanalyseerde Selaginella-soorten.

Betekenis en Claims
Het artikel beweert dat plant een haalbare aanpak biedt voor de novo-proteïnediscovery en vergelijkende transcriptomica bij afwezigheid van referentiegenomen. Door het transcriptoom te behandelen als een mengsel dat moet worden gefilterd en geanalyseerd op basis van zijn samenstellende proteïnedomeinen, biedt de methode een manier om het functionele potentieel van verschillende soorten te vergelijken. De auteurs positioneren dit als een hulpmiddel om "te zien hoe vaak een voorspelde proteïnestructuur tot expressie komt" over soorten heen, en bieden zo een weg om complexe transcriptomische gegevens te analyseren waar traditionele gen-gerichte benaderingen falen. De betekenis ligt in het vermogen om vergelijkende analyses uit te voeren op niet-modelorganismen met behulp van publiek beschikbare RNA-seq-gegevens, mits de evolutionaire afstand tussen de soorten relatief kort is.