Vipsania: Unsupervised Deep Gene Finding

Cada nova forma de vida que descobrimos na Terra começa sua vida científica como uma sequência de letras: uma sequência longa e ininterrupta de DNA que detém o projeto para construir um organismo vivo. Mas uma sequência bruta é como um livro escrito em uma língua onde os espaços entre as palavras foram apagados e as letras maiúsculas removidas. Para entender como esse organismo funciona, os cientistas devem primeiro encontrar as sentenças — os genes — que dizem à célula como construir proteínas, as máquinas moleculares que realizam o trabalho real da vida. Esse processo, conhecido como busca de genes (gene finding), é o primeiro passo essencial para quase qualquer pesquisa biológica. Sem ele, o genoma permanece um código silencioso. Durante décadas, a maneira mais confiável de ler esses códigos tem sido procurar pistas do mundo exterior, como comparar o DNA com proteínas conhecidas de espécies relacionadas ou usar dados de RNA para ver quais partes do genoma estão ativas. No entanto, essa abordagem encontra um obstáculo quando os cientistas encontram a vasta maioria da vida na Terra, que não possui parentes próximos com genes conhecidos e nenhum dado de RNA disponível. Para esses organismos, as instruções para construir a vida permaneceram ocultas.

Uma equipe de pesquisadores da Universidade de Greifswald introduziu agora uma nova ferramenta chamada Vipsania, que muda a forma como lemos esses livros silenciosos. Em vez de depender de pistas externas ou mapas pré-existentes, a Vipsania aprende a encontrar genes lendo a própria sequência de DNA, sem qualquer conhecimento prévio do que um gene parece ser. Os pesquisadores treinaram este programa de computador com quase um trilhão de letras de DNA de milhares de espécies diferentes, ensinando-o a prever a próxima letra em uma sequência com base nas anteriores. Ao fazer isso, o programa acidentalmente aprendeu a gramática oculta da vida: os padrões específicos que distinguem um gene do DNA não codificante que o rodeia. O resultado é um sistema que pode identificar genes com precisão em quase qualquer organismo eucariote, desde algas microscópicas até animais complexos, mesmo quando ninguém jamais viu um gene desse grupo específico antes.

O desafio de encontrar genes é particularmente difícil porque as instruções não são escritas em uma linha simples e contínua. Em organismos complexos, as partes de um gene que codificam proteínas são frequentemente interrompidas por longos trechos de DNA não codificante, muito parecido com uma sentença onde as palavras importantes são separadas por preenchimentos aleatórios e sem sentido. Para reconstruir o gene, um computador deve descobrir onde essas interrupções começam e terminam, e em qual direção a sentença está sendo lida. Os métodos tradicionais dependem de aprendizado "supervisionado", onde um computador recebe milhares de exemplos de genes corretos de espécies bem estudadas e é ensinado a reconhecer os padrões. Isso funciona bem para grupos familiares como humanos ou moscas-das-frutas, mas falha quando o computador encontra uma espécie que é muito diferente de seus exemplos de treinamento. Se o computador só tiver visto genes de mamíferos, ele terá dificuldade em encontrar genes em uma esponja ou em um fungo, muitas vezes perdendo-os completamente ou inventando estruturas que não existem.

A Vipsania segue um caminho diferente. É um sistema "não supervisionado", o que significa que nunca lhe foi mostrado um único exemplo de um gene correto durante seu treinamento. Em vez disso, recebeu sequências brutas de DNA e foi solicitada a preencher as lacunas. Os pesquisadores mascararam letras aleatórias na sequência e pediram ao modelo que adivinhasse quais eram, com base no contexto circundante. Para tornar essa tarefa possível, eles construíram uma camada especial no "cérebro" do computador que atua como um verificador gramatical. Esta camada impõe as regras da estrutura do gene, como garantir que a matriz de leitura permaneça consistente e que os sinais de parada apareçam nos lugares certos. À medida que o modelo tentava prever as letras ausentes, ele tinha que aprender a estrutura subjacente do genoma para ter sucesso. Com o tempo, o modelo descobriu os padrões dos genes por conta própria, aprendendo a distinguir entre regiões codificantes e não codificantes sem nunca ter sido informado sobre o que era um gene.

Os resultados dessa abordagem são impressionantes. Quando testada contra as melhores ferramentas existentes, a Vepsania provou ser mais precisa em quase todos os grupos de organismos examinados. Enquanto outros métodos frequentemente perdem precisão quando aplicados a espécies distantes, a Vipsania manteou seu desempenho, mostrando que havia aprendido as regras fundamentais da vida em vez de apenas memorizar exemplos específicos. Em testes envolvendo grupos como fungos, insetos e vários tipos de algas, a Vipsania identificou corretamente a estrutura dos genes na grande maioria dos casos, superando frequentemente ferramentas que dependem de enormes quantidades de dados externos. Ela até teve sucesso em encontrar genes em organismos que usam um código genético ligeiramente diferente, onde os sinais de "parada" padrão para genes significam algo inteiramente diferente. Simplesmente ajustando uma pequena configuração para corresponder ao código específico do organismo, os pesquisadores foram capazes de treinar a Vipsania em um único genoma em apenas algumas horas, e ela começou imediatamente a produzir anotações precisas.

Essa capacidade é crucial para o futuro da biologia. Um esforço global massivo está em curso atualmente para sequenciar os genomas de todas as espécies nomeadas na Terra, um projeto que visa criar uma biblioteca de referência para todos os 1,67 milhão de espécies eucariotes conhecidas. No entanto, o gargalo não é mais o sequenciamento do DNA; é a anotação dele. Atualmente, menos de 20 por cento dos genomas em bancos de dados públicos possuem uma anotação de genes, deixando ramos inteiros da árvore da vida, como muitos tipos de algas e animais microscópicos, sem qualquer mapa estrutural. A Vipsania oferece uma maneira de preencher essa lacuna. Como não requer dados de RNA ou espécies relacionadas para funcionar, ela pode ser aplicada a qualquer genoma, independentemente de quão pouco se saiba sobre esse organismo. Os pesquisadores lançaram modelos pré-treinados para 17 grandes grupos de vida, cobrindo mais de 99 por cento de todas as espécies eucariotes conhecidas, e forneceram um modelo geral para a fração restante.

O sucesso da Vipsania sugere que as regras da estrutura gênica são universais o suficiente para serem aprendidas apenas a partir do texto bruto do DNA. Ao remover a necessidade de evidências externas, os pesquisadores criaram uma ferramenta que pode trazer luz aos cantos mais escuros da árvore da vida. Embora ferramentas que utilizam dados de RNA possam ainda ser a melhor escolha para espécies bem estudadas, onde tais dados são abundantes, a Vipsania fornece uma solução de ponta para a vasta maioria da vida na Terra que nunca foi estudada desta forma. Ela representa uma mudança de depender do que já sabemos para descobrir o que está lá, simplesmente ouvindo a linguagem do próprio genoma. Pela primeira vez, os cientistas têm um método que pode gerar mapas gênicos de alta qualidade para virtualmente qualquer organismo eucariote, transformando as sequências silenciosas de DNA em instruções legíveis para a vida.