Scanning transcriptomes for nonlinear, domain-level similarities using hmSEEKR

Resumo Técnico: Escaneamento de Transcriptomas para Similaridades Não Lineares em Nível de Domínio usando hmSEEKR

Definição do Problema
Os RNAs longos não codificantes (lncRNAs) são reguladores críticos de processos biológicos, mas a vasta maioria dos lncRNAs anotados carece de funções atribuídas. Um desafio primário ao atribuir função a novos lncRNAs é que eles frequentemente carecem de similaridade de sequência linear significativa com RNAs funcionais conhecidos, tornando as ferramentas de alinhamento padrão ineficazes. Embora trabalhos anteriores tenham estabelecido que o conteúdo de k-mers não linear (via algoritmo SEEKR) poderia prever a ligação proteica e a localização celular, a estrutura original do SEEKR exigia que os usuários fragmentassem previamente os transcritos alvo em domínios. Esta é uma limitação significativa porque as fronteiras de domínios funcionais em lncRNAs não caracterizados são frequentemente desconhecidas; a fragmentação arbitrária corre o risco de dividir domínios funcionais e perder similaridades regionais.

Metodologia
Os autores introduzem o hmSEEKR, um Modelo Oculto de Markov (HMM) de dois estados projetado para escanear transcriptomas em busca de regiões de similaridade de sequência não linear com um domínio de consulta sem exigir conhecimento prévio das fronteiras dos domínios.

• Estrutura Algorítmica: O hmSEEKR compara um estado de "Consulta" (Q), representando um domínio de interesse, contra um estado "Nulo" (N), representando um conjunto de sequências de fundo (ex: o transcriptoma). Ele utiliza frequências de k-mers calculadas através de pavimentação (tiling) pelas sequências com um passo de nucleotídeo único.
• Emissão Condicionada: Para reconciliar a não independência dos k-mers gerados pelo passo de nucleotídeo único com as suposições de emissão independente dos HMMs padrão, o hmSEEKR emprega uma abordagem de "emissão condicionada". Esta calcula a probabilidade de um k-mer específico com base no k-mer precedente na sequência, efetivamente reduzindo a matriz de emissão aos quatro k-mers que podem seguir a posição atual.
• Otimização de Parâmetros: Como conjuntos de dados de treinamento adequados para probabilidades de transição de lncRNA são frequentemente indisponíveis, os autores desenvolveram uma função de busca em grade (grid-search). Esta deriva empiricamente as probabilidades de transição ideais ($qT$e$nT$) maximizando os valores de $r$ de Pearson derivados do SEEKR entre a consulta e os acertos (hits) em um conjunto de treinamento. Com base em testes extensivos, os parâmetros padrão de $qT=0,99$e$nT=0,90$ foram estabelecidos para $k=4, 5, 6$.
• Busca Combinatória: Um recurso de "sequências-para-resumo" (seqs-to-summary) permite o escaneamento paralelo contra múltiplos domínios de consulta, agregando acertos para identificar transcritos contendo similaridades sequenciais em nível de domínio.

Resultos Principais
O estudo valida o hmSEEKR utilizando os lncRNAs conservados XIST, NEAT1 e MALAT1 como fontes de consulta dentro de transcriptomas associados à cromatina de células K562.

1. Recuperação de Domínios Inseridos: Quando domínios conhecidos de XIST, NEAT1 e MALAT1 foram inseridos aleatoriamente no transcriptoma, o hmSEEKR recuperou com sucesso 100% das inserções. O algoritmo demonstrou robustez à mutação, com $k=6$ apresentando o melhor desempenho na recuperação de fragmentos mutados.
2. Validação de Interação Proteica: Os acertos identificados pelo hmSEEKR dentro do transcriptoma exibiram enriquecimento significativamente maior para as mesmas proteínas de ligação ao RNA (RBPs) que seus domínios de consulta correspondentes, em comparação com controles embaralhados. Isso se manteve tanto para domínios individuais quanto para interações combinatórias (ex: domínios conhecidos por ligar-se a múltiplas proteínas simultaneamente).
3. Similaridade em Todo o Transcriptoma: Em limiares rigorosos ($p < 0,001$), muitos domínios dentro de XIST, NEAT1 e MALAT1 foram encontrados como únicos ou raros (correspondendo a <200 genes). No entanto, em níveis de rigor menores ($p < 0,05$), similaridades generalizadas foram detectadas tanto em genes codificadores de proteínas quanto em lncRNAs, frequentemente localizadas em íntrons distais.
4. Descoberta de Domínios Sequenciais:
   • Transcritos semelhantes a XIST: Buscas por transcritos contendo acertos sequenciais para domínios funcionais mínimos de XIST (Repeats A, F, B1/2, D, E) identificaram 674 candidatos a $p < 0,05$, a maioria proveniente de genes codificadores de proteínas. Esses candidatos mostraram redes de associação proteica significativamente mais similares ao XIST do que o transcriptoma de fundo.
   • Transcritos semelhantes a NEAT1: Buscas similares para domínios mínimos de NEAT1 identificaram 2.003 candidatos a $p < 0,05$. Esses candidatos foram significativamente enriquecidos para propriedades "semi-extratíveis" (uma característica marcante do NEAT1) e exibiram redes de associação proteica que se assemelham ao NEAT1.
5. Enriquecimento de Domínios Regulatórios: Ao buscar conjuntos de lncRNAs conhecidos como cis-ativadores e cis-repressores, os autores observaram enriquecimentos distintos. Domínios associados a complexos de promoção de transcrição (ex: MLL, Mediador, P300) foram enriquecidos em lncRNAs ativadores, enquanto domínios de ligação a HNRNP foram enriquecidos em lncRNAs repressores.

Significância e Alegações
Os autores posicionam o hmSEEKR como uma ferramenta de geração de hipóteses que preenche a lacuna entre sequência e função para lncRNAs. As principais alegações incluem:

• Requisitos Mínimos de Treinamento: Diferente de modelos de aprendizado profundo que requerem grandes corpora de treinamento curados (que ainda não existem para muitas funções de lncRNA), o hmSEEKR pode ser treinado usando um único domínio de um único lncRNA utilizando recursos computacionais padrão.
• Descoberta de Similaridades Não Lineares: A ferramenta permite a descoberta a priori de elementos funcionais baseados em conteúdo de k-mer compartilhado, mesmo quando o alinhamento linear falha.
• Relevância Biológica: A identificação de transcritos com similaridades de domínio sequenciais ao XIST e NEAT1, que posteriormente compartilham redes de associação proteica e propriedades biológicas (como a semi-extratibilidade), sugere que o hmSEEKR pode identificar RNAs com funções análogas.
• Reservatórios Intrônicos: Os achados apoiam a visão de que elementos intrônicos, particularmente em transcritos nascentes, podem servir como um reservatório de domínios regulatórios com funções além do controle de splicing.

O artigo conclui que o hmSEEKR oferece uma abordagem informada pela sequência para descobrir elementos funcionais dentro de transcriptomas não codificantes, fornecendo pontos de partida para futuras validações experimentais de mecanismos de lncRNA.