De novo protein discovery in non-model organisms

Os autores desenvolveram o "plant", um método computacional de novo análogo à cromatografia que permite a comparação, anotação e quantificação de domínios proteicos em transcriptomas de organismos não modelo sem exigir um genoma de referência, conforme demonstrado por meio de uma análise de espécies de *Selaginella* utilizando dados de RNA-seq do projeto 1KP.

O essencial

Imagine que você tem duas bibliotecas diferentes de livros, mas nenhuma delas possui um índice, e os livros estão escritos em idiomas que você não fala. Geralmente, para compará-las, você precisaria de um tradutor mestre ou de um guia de referência. Mas e se você quisesse comparar essas bibliotecas sem nada disso?

Esse é o problema que os cientistas enfrentaram ao tentar estudar plantas que não possuem um "genoma de referência" (um projeto mestre) disponível. Para resolver isso, eles criaram uma nova ferramenta digital chamada plant (que significa Anotação Paralela de Transcriptomas).

Veja como funciona, usando uma analogia simples:

A Analogia do Filtro de Café
Pense em uma mistura complexa de pó de café e água. Para entender o que há dentro, você pode usar um filtro para separar o líquido dos sólidos. O método plant funciona de maneira semelhante, mas, em vez de um filtro físico, ele usa um programa de computador. Ele pega os dados brutos e confusos do código genético de uma planta (RNA-seq) e os "filtra" para isolar os blocos de construção específicos que compõem suas proteínas.

A Comparação com Blocos de LEGO
Geralmente, os cientistas comparam plantas observando genes específicos, o que é como tentar comparar dois conjuntos diferentes de instruções de LEGO que usam sistemas de nomenclatura completamente distintos. É difícil fazê-los combinar.

Em vez disso, o plant ignora as instruções específicas e olha para os próprios blocos de LEGO (domínios proteicos universais). Assim como um "bloco vermelho 2x4" é o mesmo, seja em um conjunto de castelo ou em um conjunto de nave espacial, esses blocos de construção proteicos são universais entre diferentes espécies. Ao contar quantos de cada "bloco" estão sendo usados em uma planta versus outra, a ferramenta pode compará-las diretamente, mesmo que as plantas sejam de espécies diferentes.

O Experimento
Os pesquisadores testaram isso em vários tipos de plantas do gênero Selaginella (um tipo de planta antiga) usando dados do projeto "1000 Plants". Eles fizeram três coisas principais:

1. Montaram o quebra-cabeça: Eles pegaram dados genéticos brutos e os juntaram como um quebra-cabeça.
2. Identificaram as peças: Eles verificaram essas peças contra um banco de dados gigante (Pfam) para ver que tipo de "blocos de LEGO" (estruturas proteicas) elas eram.
3. Contaram as peças: Eles mediram quanto de cada bloco estava sendo usado.

O Resultado
Ao combinar o "o quê" (a estrutura proteica) com o "quanto" (a quantidade), eles puderam ver exatamente quais estruturas proteicas estavam ativas nas plantas. Como se concentraram nesses blocos universais, puderam comparar as plantas de forma justa, mesmo sem um projeto mestre.

Eles também encontraram alguns "blocos" únicos que apareceram apenas em espécies específicas e puderam rastrear sua origem até o gene exato que os produziu. Finalmente, eles criaram um colorido "gráfico de bolhas" (um tipo de gráfico) para visualizar como essas partes proteicas estavam distribuídas entre as diferentes plantas, tornando fácil ver os padrões de relance.

Em resumo, esse método permite que os cientistas comparem o funcionamento interno de diferentes plantas, focando em seus blocos de construção compartilhados e universais, em vez de se perderem nas diferenças de seus idiomas genéticos específicos.

Resumo técnico

Resumo Técnico: Descoberta de Proteínas De Novo em Organismos Não Modelo

Declaração do Problema
O desafio central abordado é a análise de dados de RNA-seq de organismos não modelo que carecem de genomas de referência. A análise tradicional de expressão gênica diferencial depende de mapeamentos gênicos específicos de cada espécie, os quais estão indisponíveis para muitas espécies. Consequentemente, há uma necessidade de um método capaz de comparar dados transcriptômicos entre diferentes espécies sem exigir um framework genômico pré-existente, focando especificamente na identificação e quantificação de componentes proteicos em vez de genes inteiros.

Metodologia
Os autores desenvolveram um framework computacional denominado plant (Anotação Paralela de Transcriptomas), que estabelece um paralelo conceitual com a cromatografia. Assim como a cromatografia filtra uma mistura complexa para isolar componentes individuais, o plant filtra dados transcriptômicos para identificar, anotar e quantificar componentes proteicos específicos.

O fluxo de trabalho procede da seguinte forma:

1. Aquisição e Montagem de Dados: Leitura bruta de RNA-seq de várias espécies de Selaginella (obtidas da iniciativa 1000 Plant transcriptomes, ou 1KP) foram montadas em transcritos utilizando o Trinity.
2. Anotação de Domínios: Os transcritos montados foram pesquisados contra o banco de dados de domínios proteicos Pfam utilizando o InterProScan. Isso desloca a unidade de comparação de genes específicos de cada espécie para domínios proteicos universais.
3. Quantificação: Os transcritos foram quantificados utilizando o kallisto.
4. Integração: Os autores mesclaram os dados de anotação (presença de estruturas proteicas específicas) com os dados de quantificação (níveis de expressão). Isso permite determinar com que frequência uma estrutura proteica prevista é expressa.
5. Visualização: Um gráfico de bolhas foi gerado para visualizar a distribuição de anotações Pfam e termos de Ontologia Gênica (GO) entre as espécies estudadas.

Principais Contribuições e Resultados
A contribuição primária é um método que permite a comparação entre espécies baseada em anotações de domínios proteicos universais em vez de genes ortólogos. Ao ancorar as comparações em domínios proteicos, o método facilita a análise de organismos separados por distâncias evolutivas relativamente curtas sem um genoma de referência.

As principais descobertas e capacidades demonstradas incluem:

• Comparabilidade entre Espécies: As anotações quantificadas de domínios proteicos mostraram-se comparáveis entre diferentes espécies.
• Identificação de Especificidade: O método identificou com sucesso a presença de domínios proteicos específicos de cada espécie.
• Rastreabilidade: O pipeline permite que os pesquisadores rastreiem anotações de domínios específicos de volta aos seus genes de origem.
• Visualização: O estudo produziu representações visuais (gráficos de bolhas) da distribuição de anotações funcionais entre as espécies de Selaginella analisadas.

Significado e Alegações
O artigo alega que o plant oferece uma abordagem viável para a descoberta de proteínas de novo e transcriptômica comparativa na ausência de genomas de referência. Ao tratar o transcriptoma como uma mistura a ser filtrada e analisada por seus domínios proteicos constituintes, o método fornece uma maneira de comparar o potencial funcional de diferentes espécies. Os autores posicionam isso como uma ferramenta para "ver com que frequência uma estrutura proteica prevista é expressa" entre as espécies, oferecendo um caminho para analisar dados transcriptômicos complexos onde as abordagens tradicionais centradas em genes falham. O significado reside na capacidade de realizar análises comparativas em organismos não modelo utilizando dados de RNA-seq publicamente disponíveis, desde que a distância evolutiva entre as espécies seja relativamente curta.