Vipsania: Unsupervised Deep Gene Finding

Elke nieuwe levensvorm die we op aarde ontdekken, begint haar wetenschappelijke leven als een reeks letters: een lange, ononderbroken sequentie van DNA die de blauwdruk bevat voor het bouwen van een levend organisme. Maar een ruwe sequentie is als een boek geschreven in een taal waarin de spaties tussen woorden zijn gewist en de hoofdletters zijn verwijderd. Om te begrijpen hoe dat organisme werkt, moeten wetenschappers eerst de zinnen vinden—de genen—die de cel vertellen hoe ze eiwitten moet bouwen, de moleculaire machines die het eigenlijke werk van het leven verrichten. Dit proces, bekend als genvindend (gene finding), is de essentiële eerste stap voor bijna elk biologisch onderzoek. Zonder dit blijft het genoom een stille code. Decennialang was de meest betrouwbare manier om deze codes te lezen het zoeken naar aanwijzingen uit de buitenwereld, zoals het vergelijken van het DNA met bekende eiwitten van verwante soorten of het gebruiken van RNA-data om te zien welke delen van het genoom actief zijn. Deze aanpak loopt echter tegen een muur aan wanneer wetenschappers de enorme meerderheid van het leven op aarde tegenkomen, die geen nauwe verwanten met bekende genen heeft en geen RNA-data beschikbaar heeft. Voor deze organismen zijn de instructies voor het bouwen van het leven verborgen gebleven.

Een team onderzoekers aan de Universiteit van Greifswald heeft nu een nieuwe tool geïntroduceerd genaamd Vipsania, die verandert hoe we deze stille boeken lezen. In plaats van te vertrouwen op externe aanwijzingen of bestaande kaarten, leert Vipsania genen te vinden door de DNA-sequentie zelf te lezen, zonder enige voorkennis van hoe een gen eruitziet. De onderzoekers trainden dit computerprogramma op bijna één biljoen letters DNA van duizenden verschillende soorten, waarbij ze het leerden de volgende letter in een sequentie te voorspellen op basis van de letters die eraan voorafgingen. Hierbij leerde het programma per ongeluk de verborgen grammatica van het leven: de specifieke patronen die een gen onderscheiden van het niet-coderende DNA dat eromheen ligt. Het resultaat is een systeem dat accuraat genen kan identificeren in bijna elk eukaryoot organisme, van microscopische algen tot complexe dieren, zelfs wanneer nog nooit iemand een gen van die specifieke groep heeft gezien.

De uitdaging van het vinden van genen is bijzonder moeilijk omdat de instructies niet in een eenvoudige, continue lijn zijn geschreven. In complexe organismen worden de delen van een gen die coderen voor eiwitten vaak onderbroken door lange stukken niet-coderend DNA, vergelijkbaar met een zin waarin de belangrijke woorden gescheiden worden door willekeurige, betekenisloze opvulling. Om het gen te reconstrueren, moet een computer uitzoeken waar deze onderbrekingen beginnen en eindigen, en in welke richting de zin wordt gelezen. Traditionele methoden vertrouwen op "gesuperviseerd" leren, waarbij een computer duizenden voorbeelden van correcte genen uit goed bestudeerde soorten te zien krijgt en wordt geleerd de patronen te herkennen. Dit werkt goed voor bekende groepen zoals mensen of fruitvliegjes, maar faalt wanneer de computer een soort tegenkomt die te veel verschilt van zijn trainingsvoorbeelden. Als de computer alleen genen van zoogdieren heeft gezien, zal hij moeite hebben met het vinden van genen in een spons of een schimmel, waarbij hij ze vaak volledig mist of structuren verzint die niet bestaan.

Vipsania kiest een ander pad. Het is een "ongesuperviseerd" systeem, wat betekent dat het tijdens de training geen enkel voorbeeld van een correct gen heeft gezien. In plaats daarvan kreeg het ruwe DNA-sequenties en de opdracht om de gaten in te vullen. De onderzoekers maskeerden willekeurige letters in de sequentie en vroegen het model om te raden wat deze waren op basis van de omliggende context. Om deze taak mogelijk te maken, bouwden ze een speciale laag in het "brein" van de computer die fungeert als een grammaticacontrole. Deze laag handhaaft de regels van de genstructuur, zoals het waarborgen dat het leesraam (reading frame) consistent blijft en dat stopsignalen op de juiste plaatsen verschijnen. Terwijl het model probeerde de ontbrekende letters te voorspellen, moest het de onderliggende structuur van het genoom leren om te slagen. Na verloop van tijd ontdekte het model de patronen van genen op eigen kracht, waarbij het leerde om onderscheid te maken tussen coderende en niet-coderende regio's zonder ooit te hebben geleerd wat een gen was.

De resultaten van deze aanpak zijn opmerkelijk. Bij tests tegenover de beste bestaande tools bleek Vipsania nauwkeuriger in bijna elke groep organismen die zij onderzochten. Terwijl andere methoden vaak aan nauwkeurigheid verliezen wanneer ze op verre soorten worden toegepast, behield Vipsania zijn prestaties, wat aantoont dat het de fundamentele regels van het leven heeft geleerd in plaats van slechts specifieke voorbeelden te hebben onthouden. In tests met groepen zoals schimmels, insecten en diverse soorten algen, identificeerde Vipsania de structuur van genen correct in de overgrote meerderheid van de gevallen, waarbij het vaak beter presteerde dan tools die afhankelijk zijn van enorme hoeveelheden externe data. Het slaagde er zelfs in om genen te vinden in organismen die een iets andere genetische code gebruiken, waarbij de standaard "stop"-signalen voor genen iets heel anders betekenen. Door simpelweg een kleine instelling aan te passen om te matchen met de specifieke code van het organisme, konden de onderzoekers Vipsania in slechts enkele uren trainen op een enkel genoom, waarna het onmiddellijk accurate annotaties begon te produceren.

Deze capaciteit is cruciaal voor de toekomst van de biologie. Er is momenteel een massale wereldwijde inspanning gaande om de genomen van elke benoemde soort op aarde te sequencen, een project dat tot doel heeft een referentieliberal voor alle 1,67 miljoen bekende eukaryote soorten te creëren. Echter, de flessenhals is niet langer het sequencen van het DNA; het is het annoteren ervan. Momenteel hebben minder dan 20 procent van de genomen in publieke databases een gen-annotatie, waardoor hele takken van de stamboom van het leven, zoals veel soorten algen en microscopische dieren, zonder enige structurele kaart blijven. Vipsania biedt een manier om deze kloof te dichten. Omdat het geen RNA-data of verwante soorten nodig heeft om te werken, kan het op elk genoom worden toegepast, ongeacht hoe weinig er over dat organisme bekend is. De onderzoekers hebben pre-getrainde modellen uitgebracht voor 17 belangrijke groepen leven, die meer dan 99 procent van alle bekende eukaryote soorten dekken, en hebben een algemeen model geleverd voor de resterende fractie.

Het succes van Vipsania suggereert dat de regels van genstructuur universeel genoeg zijn om geleerd te worden van de ruwe tekst van DNA alleen. Door de noodzaak van extern bewijs weg te nemen, hebben de onderzoekers een tool gecreëerd die licht kan brengen in de donkerste hoeken van de stamboom van het leven. Hoewel tools die RNA-data gebruiken nog steeds de beste keuze kunnen zijn voor goed bestudeerde soorten waar dergelijke data overvloedig aanwezig is, biedt Vipsania een state-of-the-art oplossing voor de overgrote meerderheid van het leven op aarde die nooit op deze manier is bestudeerd. Het vertegenwoordigt een verschuiving van het vertrouwen op wat we al weten naar het ontdekken van wat er is, simpelweg door te luisteren naar de taal van het genoom zelf. Voor het eerst hebben wetenschappers een methode die hoogwaardige genkaarten kan genereren voor vrijwel elk eukaryoot organisme, waardoor de stille sequenties van DNA worden omgezet in leesbare instructies voor het leven.