Massively parallel characterization and predictive modelling of neuronal regulatory variation

Resumo Técnico: Caracterização Massivamente Paralela e Modelagem Preditiva de Variação Regulatória Neuronal

Definição do Problema
Um desafio significativo na genômica é compreender as consequências funcionais de variantes não codificantes residentes em elementos regulatórios cis (CREs). Embora iniciativas de larga escala tenham catalogado milhões de CREs candidatos, os mecanismos precisos que codificam programas regulatórios específicos de tipos celulares permanecem incompletamente compreendidos. Uma questão central é como o impacto funcional de variantes regulatórias se relaciona com sua frequência alélica (AF) populacional. Enquanto variantes raras são frequentemente assumidas como tendo efeitos maiores devido à seleção purificadora, essa relação é confundida pela história demográfica e pelo desvio genético (drift). Além disso, modelos computacionais atuais baseados em localização genômica ou sítios de ligação de fatores de transcrição (TFBS) fornecem uma previsão incompleta da "gramática" regulatória. Há uma necessidade de ensaios funcionais de larga escala em contextos celulares relevantes para quantificar a atividade regulatória, avaliar a esparsidade dos elementos ativos e avaliar a capacidade de modelos de última geração de prever efeitos de variantes em resolução de nucleotídeo único.

Metodologia
Os autores realizaram um Ensaio de Repórter Massivamente Paralelo baseado em lentivírus (lentiMPRA) em larga escala em neurônios excitatórios humanos diferenciados de iPSCs WTC11 via indução por NGN2.

• Design da Biblioteca: O estudo visou 525 genes associados a doenças (neurológicos, cardíacos e clinicamente acionáveis) e 25 genes aleatórios. A partir desses loci, 27.209 regiões genômicas únicas (cCREs) dentro de 50 kb dos Sítios de Início de Transcrição (TSSs) foram selecionadas do registro ENCODE SCREEN v3.
• Seleção de Variantes: A biblioteca incluiu 46.374 variantes de nucleotídeo único (SNVs) naturalmente ocorrentes do gnomAD v3.1.2. Isso compreendeu mais de 22.000 variantes comuns (AF > 1%) e mais de 24.000 variantes raras e singletons. As variantes raras foram priorizadas usando uma estratégia baseada no Enformer para enriquecer aquelas com efeitos previstos de ativação ou repressão na acessibilidade da cromatina, juntamente com um subconjunto amostrado aleatoriamente para servir como controle imparcial.
• Execução Experimental: Sequências (oligos de 270 bp) foram sintetizadas, clonadas em construtos de repórter lentiviral com códigos de barras (barcodes) únicos, e transduzidas em neurônios derivados de NGN2 em três réplicas biológicas. A atividade regulatória foi quantificada através de razões de código de barras RNA-para-DNA.
• Análise e Modelagem: Os autores analisaram efeitos alélicos usando BCalm, estratificados por frequência alélica e classe mutacional. Eles também testaram o desempenho de anotações epigenômicas (ENCODE SCREEN v4) e ligação de fatores de transcrição (ReMap2022). Finalmente, avaliaram o desempenho preditivo de vários modelos de sequência-para-função (Enformer, AlphaGenome, CADD e um NGN2 chromBPNet correspondente ao tipo celular) contra os dados do MPRA. Eles também realizaram o ajuste fino (fine-tuning) de um codificador AlphaGenome no conjunto de dados MPRA para avaliar as capacidades de aprendizado por transferência (transfer learning).

Principais Resultados

• Atividade Regulatória e Esparsidade: Apenas uma minoria dos cCREs testados exibiu atividade significativa em relação aos controles scrambled (2,1% de aumento, 4,8% de diminuição). No entanto, elementos anotados como cCREs cerebrais foram enriquecidos para atividade e exibiram uma distribuição quase equilibrada de efeitos ativadores e repressores. Por outro lado, elementos sem anotações cerebrais foram fortemente enviesados para a repressão transcricional neste contexto neuronal.
• Frequência Alélica e Impacto Funcional: Efeitos alélicos significativos foram detectados em todo o espectro de frequência alélica (comuns, raros e singletons) em taxas comparáveis (~2,6–3,0%). Embora tenha ocorrido uma modesta diminuição monotônica na proporção de variantes ativadoras de singletons para variantes muito comuns, a magnitude dos tamanhos de efeito não mostrou dependência forte da frequência alélica. Isso sugere que a frequência populacional fornece informação limitada sobre o impacto regulatório por variante dentro dos efeitos mensuráveis do MPRA.
• Dependência de Contexto: A detectabilidade e as características dos efeitos das variantes foram governadas primariamente pela atividade basal do elemento regulatório envolvente e pelo contexto da sequência local, em vez da frequência alélica isoladamente. Variantes em elementos de baixa atividade foram mais propensas a mostrar efeitos de aumento, enquanto aquelas em elementos altamente ativos mostraram efeitos de diminuição.
• Arquitetura de Fatores de Transcrição: Os efeitos regulatórios foram distribuídos por inúmeros fatores de transcrição em vez de estarem concentrados em um pequeno conjunto de reguladores mestres. Análises de enriquecimento identificaram reguladores do neurodesenvolvimento (ex: SOX4, ASCL1, PAX6) em elementos ativos anotados para o cérebro, enquanto elementos não anotados para o cérebro foram associados a complexos correpressores.
• Desempenho de Modelos: Modelos de sequência de última geração (Enformer, AlphaGenome) mostraram discriminação modesta (ROC-AUC ~0,57–0,58) para prever efeitos alélicos significativos em todas as variantes. O desempenho melhorou quando restrito a variantes dentro de elementos ativos (dCREs) ou ao usar modelos correspondentes ao tipo celular (NGN2 chromBPNet). Crucialmente, o ajuste fino do codificador AlphaGenome nos dados do MPRA melhorou significativamente o desempenho (ROC-AUC ~0,78–0,81), demonstrando que representações de sequência pré-treinadas podem ser efetivamente adaptadas para sinais específicos de MPRA.

Significância e Alegações
Os autores estabelecem um catálogo de variantes funcionais de larga escala em neurônios excitatórios humanos, fornecendo um parâmetro (benchmark) para avaliar modelos de variação regulatória não codificante. O estudo afirma que:

1. A frequência é um substituto (proxy) fraco: A frequência alélica populacional carrega informação limitada sobre o impacto regulatório de variantes individuais; o contexto regulatório local é um preditor mais forte de detectabilidade de efeito.
2. Arquitetura Combinatória: A variação regulatória neuronal segue uma arquitetica de enhancer combinatória envolvendo muitos TFs, em vez de um pequeno conjunto de reguladores dominantes.
3. Limitações e Potencial de Modelos: Embora os modelos de sequência de uso geral atuais forneçam um enriquecimento modesto para variantes funcionais, seu desempenho é significativamente aprimorado pelo pareamento de tipo celular e pelo ajuste fino específico para a tarefa.
4. Utilidade do Recurso: O conjunto de dados serve como um recurso para acompanhamento mecanístico, oferecendo uma lista de candidatos para perturbação direcionada por CRISPR e análises de expressão alélica específica, particularmente para variantes que sobrepõem sinais de eQTL mapeados finamente e sinais de GWAS.

O artigo conclui que, embora modelos de sequência e anotações epigenômicas sejam heurísticas valiosas, ensaios funcionais de larga escala permanecem essenciais para resolver efeitos alélicos de grão fino em sistemas celulares relevantes para doenças e para treinar a próxima geração de modelos preditivos conscientes de contexto.