Rapid and robust sex determination from ancient enamel proteomes using protSexInferer

O artigo apresenta o protSexInferer, uma pipeline bioinformática de código aberto que automatiza e padroniza a determinação do sexo biológico em restos arqueológicos por meio de paleoproteômica, utilizando uma abordagem baseada em razão de peptídeos (RAMELY) para superar as limitações e falsos positivos dos métodos atuais.

O essencial

Imagine que você encontrou um dente antigo, talvez de um ancestral humano ou de um animal extinto, e precisa saber se era de um homem ou de uma mulher. Antigamente, isso era como tentar adivinhar o sexo de alguém apenas olhando para a forma do osso, o que muitas vezes dava errado se o osso estivesse quebrado ou se a pessoa fosse muito jovem.

Hoje, os cientistas usam uma técnica chamada paleoproteômica. Pense nisso como uma "fotografia química" das proteínas que restaram no dente. Como o esmalte dos dentes é super resistente (é a parte mais dura do corpo), ele guarda essas proteínas por milhares de anos, mesmo quando o DNA já desapareceu.

O problema é que, até agora, ler essa "fotografia química" era como tentar ler um livro escrito em uma língua estranha, onde você precisava procurar manualmente por uma única palavra específica para saber o sexo. Se essa palavra aparecesse, era homem; se não, era mulher. Mas, às vezes, a máquina de leitura fazia "alucinações" e inventava essa palavra onde ela não existia, confundindo os cientistas e exigindo horas de trabalho manual para verificar cada caso.

A Solução: O "ProtSexInferer"

Os autores deste artigo criaram um novo programa de computador chamado protSexInferer. Para entender como ele funciona, vamos usar uma analogia simples:

A Analogia da Festa de Casamento

Imagine que o dente antigo é uma festa e as proteínas são os convidados.

• Existem dois tipos de convidados: os do Clube X (mulheres) e os do Clube Y (homens).
• O dente de uma mulher tem apenas convidados do Clube X.
• O dente de um homem tem convidados de ambos os clubes, mas com uma diferença: ele tem um número específico de convidados do Clube Y que as mulheres não têm.

O Método Antigo (A "Caça ao Tesouro" Falha):
Os cientistas antigos diziam: "Se encontrarmos pelo menos um convidado do Clube Y, é um homem!".

• O Problema: Às vezes, a máquina de leitura confundia um convidado do Clube X com um do Clube Y (um erro de leitura). Se isso acontecesse, eles pensavam que era um homem, mas era uma mulher. Para evitar isso, eles tinham que olhar cada "convidado" um por um, manualmente, o que era lento e chato.

O Novo Método (A "Contagem de Proporção"):
O novo programa, protSexInferer, mudou a regra. Ele não olha apenas se o convidado do Clube Y existe. Ele faz uma contagem de proporção.

• Ele pergunta: "De todos os convidados dos Clubes X e Y que conseguimos ver, qual a porcentagem que são do Clube Y?"
• Se a porcentagem for muito baixa (perto de zero), é uma mulher.
• Se a porcentagem for significativa, é um homem.

Por que isso é genial?
Mesmo que a máquina cometa um erro e "invente" um convidado do Clube Y em uma festa de mulheres (o que acontece às vezes), a porcentagem total ainda será baixíssima, porque a maioria esmagadora dos convidados reais é do Clube X. O programa entende que aquele único "convidado falso" é apenas ruído e não muda a conclusão. É como se você tivesse 1000 pessoas em uma festa e apenas 1 fosse um intruso; você não diria que a festa inteira é de um grupo diferente só por causa daquela uma pessoa.

O Que Isso Significa na Vida Real?

1. Automatização: O programa faz todo o trabalho sujo sozinho. Você joga os dados brutos do laboratório nele, e ele devolve a resposta: "Homem", "Mulher" ou "Não temos certeza".
2. Precisão: Ele consegue identificar o sexo mesmo em dentes muito antigos, quebrados ou de bebês, onde os métodos antigos falhavam.
3. Robustez: Ele funciona bem mesmo quando a máquina de leitura faz erros ocasionais, porque ele olha para o "todo" e não apenas para "pedaços" isolados.

Resumo da Ópera:
Os cientistas criaram um "detetive digital" que não se deixa enganar por erros de leitura. Em vez de procurar uma única prova que pode ser falsa, ele analisa o equilíbrio geral das evidências. Isso torna a determinação do sexo de restos antigos muito mais rápida, confiável e acessível para arqueólogos e historiadores em todo o mundo.

Resumo técnico

Título: Determinação Rápida e Robusta do Sexo a partir de Proteomas de Esmalte Antigo usando o protSexInferer

1. O Problema

A determinação precisa do sexo biológico de restos antigos é fundamental para estudos arqueológicos, antropológicos e forenses. No entanto, métodos tradicionais enfrentam limitações significativas:

• Morfologia: A avaliação baseada em traços osteológicos é pouco confiável quando os elementos diagnósticos estão ausentes, fragmentados ou subdesenvolvidos (comum em subadultos).
• DNA: Técnicas moleculares baseadas em DNA dependem da preservação do material genético, o que é frequentemente inviável em amostras altamente degradadas ou em contextos de clima quente.
• Proteômica Atual: Embora a identificação de isoformas do gene amelogenina (AMELX no cromossomo X e AMELY no Y) em esmalte dentário seja uma solução promissora devido à alta estabilidade do esmalte, os fluxos de trabalho atuais apresentam falhas:
  • Baseiam-se na detecção manual de poucos peptídeos específicos (ex: 59M).
  • Carecem de padronização e automação.
  • São suscetíveis a falsos positivos de sinais AMELY (devido a erros de busca em bancos de dados ou homologia), exigindo verificação manual demorada e subjetiva por especialistas.

2. Metodologia: O Pipeline protSexInferer

Os autores desenvolveram o protSexInferer, um pipeline de bioinformática de código aberto e leve, escrito em Nextflow, projetado para automatizar a estimativa de sexo a partir de dados proteômicos paleontológicos.

• Abordagem Baseada em Proporção (RAMELY): Em vez de depender apenas da presença/ausência de sinais ou da intensidade absoluta de peptídeos, o método calcula a razão RAMELY:
  $$RAMELY = \frac{n_{AMELY}}{n_{AMELY} + n_{AMELX}}$$
  Onde $n$ representa a contagem de peptídeos específicos de AMELY e AMELX, respectivamente.
• Fluxo de Trabalho:
  1. Classificação de Peptídeos: O pipeline parseia resultados de motores de busca de proteínas (PEAKS, pFind, MaxQuant, DIA-NN). Filtra peptídeos que mapeiam exclusivamente para AMELY ou AMELX, excluindo aqueles que correspondem a regiões homólogas de ambos.
  2. Cálculo e Intervalo de Confiança: Calcula o valor RAMELY e estima intervalos de confiança de 95% assumindo uma distribuição Bernoulli.
  3. Determinação de Sexo: Compara o valor RAMELY de cada amostra com limites de threshold pré-calculados baseados em amostras de referência de sexo conhecido.
     • Fêmea: RAMELY ≤ limite superior do IC 95% das fêmeas de referência.
     • Macho: RAMELY ≥ limite inferior do IC 95% dos machos de referência.
     • Desconhecido: Valores que caem na zona de sobreposição ou fora dos limites definidos.
• Bancos de Dados: O pipeline utiliza bancos de dados de referência pré-construídos otimizados para diferentes contextos (ex: "Banco de dados de proteínas de esmalte de Hominídeos" como padrão), mas permite o uso de bancos personalizados.

3. Contribuições Principais

• Automação e Padronização: Elimina a necessidade de verificação manual de cada peptídeo, oferecendo uma solução "end-to-end" (de ponta a ponta) e reprodutível.
• Robustez contra Falsos Positivos: A abordagem de razão (RAMELY) mitiga o impacto de sinais AMELY falsos positivos. Mesmo que alguns peptídeos AMELY sejam erroneamente identificados em fêmeas, a proporção total permanece baixa o suficiente para uma classificação correta, ao contrário de métodos baseados apenas na intensidade de picos específicos.
• Versatilidade: Funciona com múltiplos motores de busca de espectrometria de massa e é aplicável a amostras com baixo rendimento de peptídeos, subadultos, dentes decíduos e permanentes, e amostras com preservação de DNA ausente.
• Validação Independente: O pipeline foi testado em conjuntos de dados de referência e validação independentes, demonstrando consistência entre diferentes softwares de busca.

4. Resultados

• Desempenho: Em 76 amostras de referência de sexo conhecido, os valores RAMELY formaram dois clusters distintos (machos e fêmeas) independentemente do software de busca utilizado. O PEAKS foi selecionado como padrão por apresentar a maior separação entre os clusters.
• Thresholds Definidos: Para o PEAKS, os thresholds estabelecidos foram: Macho (RAMELY > 0,088) e Fêmea (RAMELY < 0,055).
• Validação: Ao aplicar o método a 69 indivíduos de validação (incluindo amostras antigas de até ~2 milhões de anos e modernas), a atribuição de sexo foi consistente com determinações anteriores na quase totalidade dos casos.
• Correção de Erros: O método reclassificou corretamente o indivíduo JY63 (anteriormente avaliado morfologicamente como macho, mas reclassificado como fêmea pelo proteômico), alinhando-se com determinações proteômicas anteriores.
• Resiliência: A análise mostrou que o valor RAMELY não tem uma correlação forte com o número total de peptídeos de amelogenina detectados, indicando que a razão é estável mesmo em amostras degradadas.
• Aplicação Real: O pipeline foi aplicado com sucesso a 8 dentes dispersos do sítio arqueológico Xiawanggang (China, ~5.000 AP), classificando-os consistentemente como machos.

5. Significado e Conclusão

O protSexInferer representa um avanço significativo na paleoproteômica ao transformar a determinação de sexo em um processo automatizado, padronizado e estatisticamente robusto. Ao substituir a detecção binária ou baseada em intensidade por uma razão de peptídeos (RAMELY), o método supera as limitações de falsos positivos que afetavam abordagens anteriores.

Isso permite:

1. A análise de grandes volumes de amostras arqueológicas sem a necessidade de intervenção manual intensiva.
2. A determinação confiável de sexo em amostras onde o DNA está degradado ou ausente.
3. A inclusão de amostras subadultas e fragmentadas em estudos demográficos e sociais antigos.

O pipeline está disponível no GitHub e os dados brutos foram depositados no ProteomeXchange, facilitando a adoção pela comunidade científica e a reprodutibilidade dos estudos futuros.