A unified framework for the systematic detection of microproteins in standard proteomics workflows using a Ribo-seq informed transcriptomic language model

Technische Samenvatting: Een Verenigd Raamwerk voor de Detectie van Micro-eiwitten

Probleemstelling
Ondanks de brede translatie van niet-canonieke open leesramen (ncORFs) die aan het licht zijn gekomen door ribosoomprofilering (Ribo-seq), blijft het integreren van deze kennis in routinematige massaspectrometrie (MS)-workflows moeilijk. Huidige genomische annotaties vertrouwen op willekeurige lengtedrempels (bijv. ~100 codons), waardoor duizenden functionele micro-eiwitten systematisch worden uitgesloten. Hoewel gespecialiseerde proteogenomische benaderingen bestaan, kampen deze met aanzienlijke barrières:

1. Biochemische beperkingen: Micro-eiwitten zijn vaak laag-abundant en genereren weinig tryptische peptiden, wat ze moeilijk detecteerbaar maakt via standaard shotgun MS.
2. Computationele beperkingen: Zoeken tegen uitputtende databases die alle voorspelde micro-eiwitten bevatten (bijv. OpenProt) vergroot de zoekruimte drastisch, wat de sensitiviteit voor canonieke eiwitten vermindert en excessieve computationele middelen vereist.
3. Incompatibiliteit van de workflow: Het combineren van Ribo-seq en proteomics op hetzelfde monster is vaak onpraktisch vanwege de verschillende eisen voor monsterpreparatie, kosten en technische complexiteit, wat routine-integratie in standaardlaboratoria verhindert.

Bestaande deep learning-modellen voor het voorspellen van translatie-initiatieplaatsen (TIS), zoals de oorspronkelijke TIS Transformer, worden beperkt door hun trainingsdata, die sterk leunt op canonieke Ensembl-annotaties. Bijgevolg slagen ze er niet in om niet-AUG startplaatsen en ncORFs nauwkeurig te voorspellen, die wel prevalent zijn in Ribo-seq data.

Methodologie
De auteurs stellen een verenigd raamwerk voor dat de kloof tussen canonische en niet-canonieke proteoomanalyse overbrugt zonder dat er voor elk monster gespecialiseerde experimentele protocollen nodig zijn. De methodologie bestaat uit drie primaire componenten:

1. Ribo-seq Meta-analyse en Datacuratie:

   • De auteurs verwerkten 108 Ribo-seq experimenten (771 FASTQ-bestanden) uit 74 studies van 50 menselijke cellijnen en weefsels.
   • Met behulp van de RiboTIE-tool identificeerden zij 87.110 unieke ORFs, waarbij 40.832 niet-canonieke TISs (ncTISs) werden geëxtraheerd die geassocieerd zijn met 19.585 verschillende ncORFs. Deze dataset bevatte diverse biotypen (uORFs, uoORFs, intORFs, etc.) en niet-AUG initiatiecodons (bijv. CUG, GUG).

2. Her-training van TIS Transformer (TISnc Transformer):

   • De auteurs hebben de TIS Transformer deep learning-model opnieuw getraind door de 40.832 experimenteel afgeleide ncTISs toe te voegen als positieve labels naast de oorspronkelijke 96.555 canonieke TISs van Ensembl.
   • Deze her-training had tot doel het model te leren de sequentiekenmerken te herkennen die uniek zijn voor ncORFs, terwijl het vermogen om canonieke TISs te voorspellen behouden bleef.
   • Het resulterende model, de TISnc Transformer, werd gekalibreerd om een recall-rate van 91–92% voor canonieke TISs te handhaven.

3. Constructie van de Swiss-Prot/MicroProt Database:

   • Een op grootte gecontroleerde database werd gecreëerd door de canonieke Swiss-Prot sequenties te combineren met de 48.265 door de TISnc Transformer voorspelde ncORF-afgeleide micro-eiwitten.
   • Deze database is ontworpen om compatibel te zijn met standaard zoekmachines (specifiek MaxQuant/Andromeda) om routine-identificatie van micro-eiwitten mogelijk te maken zonder de computationele straf van uitputtende, ongefilterde databases.

4. Validatie en Heranalyse:

   • Het raamwerk werd getest door een uitgebreide HeLa cellijn MS-dataset (PXD004452) te heranalyseren met zowel de standaard Swiss-Prot database als de nieuwe Swiss-Prot/MicroProt database.
   • Geïdentificeerde micro-eiwitten werden gekruiscontroleerd met orthogonale bewijslast uit Ribo-seq (RiboCRYPT, TransCODE v35, RiboTIE) en onafhankelijke MS-studies (Wacholder et al., Deutsch et al., OpenProt).

Belangrijkste Resultaten

• Modelprestaties: Her-training met ncTISs verbeterde het vermogen van het model om ncORFs te detecteren aanzienlijk. De TISnc Transformer voorspelde 48.265 ncORFs vergeleken met 18.031 door het oorspronkelijke model, terwijl 98% van de oorspronkelijke canonieke ORF-voorspellingen behouden bleef. Statistische analyse bevestigde een zeer significante verrijking van gecureerde TransCODE ncORFs in de nieuwe voorspellingen (p < 10⁻⁴⁶), wat wijst op verbeterde sensitiviteit in plaats van enkel een toename in zoekvolume.
• Proteomische Concordantie: Het zoeken in de HeLa-dataset met Swiss-Prot/MicroProt behield een overlap van 98,83% in peptide-spectrum matches (PSMs) met de standaard Swiss-Prot zoekopdracht. Het totale aantal PSMs nam slechts met 0,49% af, en de kernset van 13.291 canonieke eiwitten bleef grotendeels onveranderd.
• Ontdekking van Micro-eiwitten: De uitgebreide database identificeerde 539 micro-eiwitten (die 3,87% van de totale eiwitgroepen vertegenwoordigen). Hiervan waren er 348 uniek voor de uitgebreide zoekopdracht, en 270 hadden orthogonale bewijzen van bestaan (uit Ribo-seq of andere MS-studies).
• Database Stabiliteit: De Jaccard-index voor leidende eiwitten tussen de twee zoekopdrachten was 94,1%, wat aantoont dat de inclusie van micro-eiwitten de identificatie van het canonieke proteoom niet heeft gedestabiliseerd.

Significantie en Claims
Het artikel claimt een verenigd raamwerk te bieden dat de systematische detectie van micro-eiwitten binnen conventionele proteomics-workflows faciliteert. Door Ribo-seq data te gebruiken om een taalmodel te informeren, hebben de auteurs een praktische database (Swiss-Prot/MicroProt) gecreëerd die:

• De Kloof Overbrugt: Het maakt simultane analyse van canonieke en niet-canonieke proteomen mogelijk zonder dat voor elke proteomische studie specifieke, sample-specifieke Ribo-seq experimenten nodig zijn.
• Sensitiviteit Behoudt: Het vermijdt het verlies aan sensitiviteit dat gepaard gaat met uitputtende databases door gebruik te maken van een op grootte gecontroleerde, hoog-betrouwbare set voorspelde micro-eiwitten.
• Routine-integratie Mogelijk Maakt: Het biedt een toegankelijk intermediair tussen exploratieve microproteoom-bronnen en breed gebruikte referentiedatabases, wat potentieel de methodologische bias kan verminderen die momenteel de regulatieve impact van micro-eiwitten onderschat.

De auteurs merken expliciet op dat deze benadering niet is ontworpen voor grensverleggend, gespecialiseerd micro-eiwitonderzoek dat lage moleculaire gewicht-verrijking of zeer gespecialiseerde pipelines vereist. In plaats daarvan is het bedoeld om een aanzienlijk deel van de biologische informatie terug te winnen in standaard shotgun proteomics-experimenten, waardoor de volledigheid van functionele proteomische studies wordt verbeterd.