Facilitating genome annotation using ANNEXA and long-read RNA sequencing

Este estudo apresenta uma versão atualizada do pipeline ANNEXA, desenvolvido em Nextflow, que integra ferramentas de reconstrução de transcriptoma e modelos de aprendizado profundo para aprimorar a anotação de genomas e o controle de qualidade de dados de sequenciamento de RNA de leitura longa, demonstrando sua eficácia na identificação de novos genes e transcritos em estudos comparativos de oncologia humana e canina.

O essencial

Imagine que o genoma de um ser vivo (seja um humano ou um cachorro) é como a receita completa de um livro de culinária gigante. Por muito tempo, tínhamos apenas os ingredientes listados, mas não sabíamos exatamente como eles se juntavam para criar o prato final (o funcionamento do corpo).

A ciência conseguiu, recentemente, escrever a "receita completa" (o genoma), mas agora precisamos entender como as receitas são lidas e seguidas. É aqui que entra o RNA, que são os "bilhetes de anotação" que a célula usa para copiar partes da receita e fazer as proteínas.

O problema é que, até pouco tempo, as tecnologias para ler esses bilhetes eram como tentar montar um quebra-cabeça gigante usando apenas pedacinhos minúsculos e desfocados. Era difícil saber se duas peças pertenciam à mesma imagem ou se eram de receitas diferentes.

Aqui está a explicação simples do que este artigo faz:

1. O Novo Olhar: "Long-Read" (Leitura Longa)

Os cientistas agora usam uma tecnologia chamada sequenciamento de leitura longa (Long-Read).

• A Analogia: Em vez de ler apenas uma palavra de cada vez e tentar adivinhar a frase, imagine que você agora consegue ler parágrafos inteiros de uma vez só. Isso permite ver a receita completa, do início ao fim, sem perder pedaços.

2. O Problema: "Alucinações" e Erros

Mesmo com essa tecnologia nova, às vezes o computador "alucina". Ele pode criar uma receita que não existe de verdade, ou cortar uma receita boa pela metade (como se a receita de bolo parasse no meio da mistura dos ovos).

• O Desafio: Como saber quais dessas novas receitas são reais e quais são apenas erros do computador?

3. A Solução: O "ANNEXA" (O Chefe de Cozinha Digital)

Os autores criaram um novo programa chamado ANNEXA. Pense nele como um Chefe de Cozinha Digital super rigoroso que organiza a biblioteca de receitas.

O ANNEXA faz quatro coisas principais:

1. Reúne as Receitas: Ele usa dois métodos diferentes (chamados Bambu e StringTie) para montar as receitas a partir dos dados. É como ter dois cozinheiros experientes trabalhando juntos; às vezes um vê algo que o outro não vê.
2. Filtro de Qualidade (O "Cheque-List"): Ele usa inteligência artificial para verificar se o início da receita (onde começa a cozinhar) faz sentido biológico. Se a receita parece estranha ou cortada, ele a descarta.
3. Separando o Salgado do Doce: Ele sabe diferenciar as receitas que fazem proteínas importantes (como músculos e ossos) das receitas que são apenas "acompanhamentos" ou reguladores (chamados de RNA não codificante).
4. Relatório Visual: Ele gera gráficos bonitos para que os cientistas possam ver, de um jeito fácil, o que foi encontrado de novo.

4. A Prova Real: Humanos e Cachorros

Para testar se o ANNEXA funcionava mesmo, os cientistas o usaram em um projeto de oncologia comparativa (estudo de câncer).

• Eles analisaram células cancerígenas de 8 cachorros e 2 humanos.
• O Resultado: O programa encontrou receitas novas que ninguém conhecia antes! E o mais legal: algumas dessas "novas receitas" eram muito parecidas entre humanos e cachorros. Isso é ótimo porque significa que podemos estudar o câncer em cachorros para ajudar a entender o câncer em humanos (e vice-versa).

Resumo da Ópera

O ANNEXA é uma ferramenta nova e poderosa que ajuda os cientistas a:

• Ler o "manual de instruções" do corpo com mais clareza.
• Descartar erros e focar no que é real.
• Descobrir novas partes do manual que estavam escondidas.
• Comparar a biologia de humanos e animais de estimação para combater doenças.

É como se eles tivessem dado um upgrade no sistema operacional da biologia, permitindo que a gente veja o código-fonte da vida com muito mais detalhes e precisão. E o melhor: essa ferramenta é gratuita e de código aberto, para que qualquer cientista no mundo possa usá-la!

Resumo técnico

Título: Facilitando a anotação genômica utilizando ANNEXA e sequenciamento de RNA de leitura longa (LR-RNAseq)

1. O Problema

Com o advento de montagens genômicas completas (telômero a telômero), o desafio na pesquisa genômica mudou da melhoria da completude do genoma para o refinamento da anotação. Embora o sequenciamento de RNA de leitura longa (LR-RNAseq), fornecido por plataformas como PacBio e Oxford Nanopore, tenha revolucionado a anotação de transcriptomas ao permitir a reconstrução de transcritos completos, ele ainda enfrenta desafios significativos:

• Fragmentação de transcritos: Modelos de transcritos truncados, especialmente nas extremidades 5' (Sítios de Início de Transcrição - TSS).
• Representação incompleta de isoformas: Dificuldade em capturar todas as variantes de splicing.
• Falta de Controle de Qualidade (QC) Robusto: A necessidade de estratégias para filtrar artefatos e distinguir entre transcritos biologicamente válidos e ruído de reconstrução.
• Limitações de Ferramentas Existentes: Muitas ferramentas de pipeline são específicas para uma tecnologia (ex: apenas Nanopore ou PacBio) ou não distinguem adequadamente entre RNAs codificantes (mRNAs) e não codificantes longos (lncRNAs), nem avaliam a qualidade das novas anotações de forma integrada.

2. Metodologia: O Pipeline ANNEXA

O estudo apresenta o ANNEXA, um pipeline baseado em Nextflow projetado para estender anotações de referência usando dados de LR-RNAseq, integrando controle de qualidade rigoroso. O pipeline é compatível com dados de Nanopore e PacBio e opera através de quatro módulos principais:

1. Reconstrução e Quantificação do Transcriptoma:

   • Integra duas ferramentas de montagem distintas: Bambu (algoritmo de aprendizado de máquina baseado em referência) e StringTie2 (montagem baseada em grafos de splicing).
   • Permite a escolha do usuário entre sensibilidade e precisão, ajustando parâmetros como a Taxa de Descoberta de Novos (NDR) no Bambu.
   • Gera anotações estendidas unificadas a partir de múltiplas amostras.

2. Avaliação de Potencial Codificante e Classificação:

   • Utiliza o FEELnc para classificar sistematicamente novos transcritos em mRNAs (codificantes) e lncRNAs (não codificantes).
   • Emprega o TransDecoder para identificar regiões codificantes (ORFs) em transcritos preditos como proteicos.
   • Usa o GffCompare para classificar transcritos em relação à anotação de referência (ex: isoformas alternativas, antisense, intergênicos).

3. Filtragem e Avaliação de Transcritos Completos (Full-Length):

   • Aplica filtros rigorosos para remover modelos incompletos:
     • Corte NDR: Derivado do Bambu para avaliar a confiança das previsões.
     • Corte TransforKmer: Um modelo de deep learning (baseado em DNABERT e fine-tuned em TSSs conhecidos) que avalia a probabilidade biológica dos Sítios de Início de Transcrição (TSS) de novos transcritos.
   • Oferece modos de filtragem "união" (retém se passar em um filtro) ou "interseção" (retém apenas se passar em ambos), permitindo flexibilidade no equilíbrio entre sensibilidade e precisão.

4. Controle de Qualidade (QC) e Visualização:

   • Gera relatórios automáticos comparando elementos conhecidos vs. novos (genes, transcritos, exons).
   • Calcula métricas estruturais (distribuição de comprimento, proporção de genes mono/multi-isoforma) e de quantificação (cobertura de leitura, contagem de reads).
   • Inclui análise de cobertura do corpo do gene para detectar viés 5'/3'.

3. Contribuições Principais

• Pipeline Integrado e Escalável: O ANNEXA é a primeira ferramenta que combina a montagem de transcriptoma (Bambu e StringTie), classificação de biotipos (FEELnc), validação de TSS via IA (TransforKmer) e QC visual em um único fluxo de trabalho reprodutível (Nextflow).
• Validação de TSS via Deep Learning: A introdução do modelo TransforKmer para filtrar transcritos truncados baseia-se em aprendizado profundo, oferecendo uma camada de validação biológica superior a filtros baseados apenas em cobertura.
• Análise Comparativa de lncRNAs: Capacidade de distinguir e analisar especificamente lncRNAs, uma classe frequentemente negligenciada ou mal anotada em pipelines padrão.
• Apoio a Múltiplas Tecnologias: Compatibilidade nativa com dados de Oxford Nanopore e PacBio.

4. Resultados

O pipeline foi aplicado e validado em um estudo comparativo de oncologia envolvendo 2 linhas celulares humanas e 8 linhas celulares caninas (melanoma mucoso, sarcoma histiocítico e osteossarcoma).

• Desempenho das Ferramentas de Montagem:
  • O Bambu demonstrou maior precisão na recuperação de elementos conhecidos (genes e transcritos já anotados) em todas as anotações de referência testadas (Ensembl, RefSeq, UU para cães; Gencode, CHESS para humanos).
  • O StringTie2 tendeu a identificar um número maior de elementos novos, mas com uma taxa mais alta de fragmentação e falsos positivos, especialmente em genomas menos anotados.
• Impacto da Filtragem:
  • A aplicação dos filtros do ANNEXA (especialmente a validação de TSS) reduziu drasticamente o número de genes novos propostos (ex: de ~9.600 para ~750 genes novos em cães), aumentando significativamente a confiança biológica.
  • A proporção de genes novos validados por dados ortogonais (CAGE) saltou de ~9% (conjunto não filtrado) para >50% (conjunto filtrado).
• Descoberta de Novos Genes e Conservação:
  • Identificou novos genes e transcritos em ambas as espécies.
  • Mapeamento de ortologia revelou que genes novos descobertos em cães frequentemente correspondem a genes conhecidos em humanos (e vice-versa), e foram identificados 5 pares de genes lncRNA novos e conservados entre as duas espécies, sugerindo função biológica.
• Classificação de lncRNAs:
  • O Bambu foi superior na detecção de lncRNAs antisense, enquanto o StringTie tendeu a classificar mais transcritos como intergênicos ou extensões de genes conhecidos.

5. Significância

O ANNEXA representa um avanço crucial na anotação de genomas não-modelo e na expansão de anotações de genomas modelo.

• Confiabilidade: Ao integrar filtros de IA e validação cruzada, o pipeline mitiga o problema de "ruído" comum em dados de leitura longa, garantindo que as novas anotações sejam biologicamente plausíveis.
• Versatilidade Translacional: A aplicação em modelos caninos (que são modelos espontâneos valiosos para câncer humano) demonstra a utilidade da ferramenta para descoberta translacional, permitindo a identificação de alvos terapêuticos conservados entre espécies.
• Reprodutibilidade: A implementação em Nextflow com contêineres (Docker/Singularity) garante que a análise seja reproduzível em diferentes ambientes computacionais, facilitando a adoção pela comunidade científica.
• Acesso Aberto: O código, os dados e as anotações estendidas são disponibilizados publicamente, promovendo a transparência e o avanço colaborativo na genômica funcional.

Em resumo, o ANNEXA fornece um framework robusto para transformar dados brutos de LR-RNAseq em anotações genômicas de alta qualidade, essenciais para a interpretação funcional de genomas completos.