GREAC: An Open-source software for Genome Region Extraction and Classification

Resumo Técnico: GREAC - Um software de código aberto para Extração e Classificação de Regiões Genômicas

Problema
A análise de sequências genômicas enfrenta um desafio duplo: o crescimento exponencial dos dados de sequenciamento de alto rendimento e as limitações computacionais dos métodos tradicionais baseados em alinhamento. Enquanto as técnicas baseadas em alinhamento identificam regiões homólogas, elas dependem de programação dinâmica computacionalmente intensiva, criando gargalos para conjuntos de dados de grande escala. Por outro lado, os métodos livres de alinhamento, particularmente aqueles que utilizam frequências de k-mers, oferecem escalabilidade, mas frequentemente exacerbam a "maldição da dimensionalidade" ao converter sequências em vetores de características de alta dimensão. Essa alta dimensionalidade aumenta a complexidade computacional, as demandas de armazenamento e o risco de sobreajuste (overfitting), muitas vezes obscurecendo a interpretabilidade biológica dos resultados. Existe uma necessidade crítica de métodos que reduzam a dimensionalidade sem perder informações biológicas cruciais, mantendo a transparência e a explicabilidade na descoberta de padrões sem depender de genomas de referência.

Metodologia
Os autores apresentam o GREAC (Genomic Region Extraction and Classifier), uma nova metodologia computacional orientada por dados e livre de alinhamento, implementada na linguagem Julia. A abordagem é projetada para identificar regiões genômicas discriminativas e classificar sequências biológicas através de um fluxo de trabalho de três fases:

1. Extração de K-mers Exclusivos de Variantes:
   O método começa identificando k-mers que são únicos para variantes específicas dentro do conjunto de dados de entrada. Diferente de abordagens que comparam contra um genoma de referência, o GREAC deriva esses k-mers exclusivamente das informações inerentes das sequências de entrada. Ele emprega uma função de entropia máxima (semelhante ao GRAMEP) para selecionar os k-mers mais informativos, garantindo que apenas k-mers exclusivamente únicos a uma única variante sejam retidos, eliminando assim sequências compartilhadas ou não discriminativas.

2. Identificação de Regiões Discriminativas:
   Utilizando uma abordagem de janela deslizante, o algoritmo varre o genoma para localizar regiões que contenham os k-mers exclusivos identificados. O tamanho da janela é calculado como uma porcentagem do comprimento da sequência mais curta no conjunto de dados para acomodar variações de comprimento. Um contador posicional gera um histograma de frequência para cada variante; regiões que excedem um limiar de aparência específico através das amostras de treinamento são selecionadas como discriminativas. Para lidar com desvios de comprimento de sequência, uma margem de segurança é aplicada durante a extração. Essas regiões selecionadas são então unificadas em uma conjunção posicional para garantir uma representação consistente entre as variantes.

3. Construção de Sinal e Classificação:
   O método constrói um perfil de sinal de referência para cada variante com base na frequência relativa de k-mers dentro das regiões extraídas. Para a classificação, o GREAC calcula a distância entre o sinal de uma nova sequência e as distribuições de referência usando a distância de Manhattan.

   • Estratégias de Classificação: O artigo avalia duas abordagens de classificação. A primeira utiliza uma função de pertinência Gaussiana para atribuir pontuações de pertencimento probabilístico baseadas na distância. A segunda, que foi selecionada para a implementação final devido a restrições de desempenho e implantação, utiliza um classificador Random Forest. Esta abordagem baseada em árvores utiliza características derivadas dos sinais de referência, incluindo valores de pertinência e divergência de sinal (variações entre janelas consecutivas), para alcançar alta precisão.

Principais Contribuições

• Redução de Dimensionalidade: O GREAC reduz significativamente o volume de dados necessário para a análise ao focar apenas em regiões genômicas informativas, em vez de sequências inteiras.
• Operação Livre de Referência: O método opera sem a necessidade de um genoma de referência, eliminando o viés introduzido pela seleção de referência e permitindo a análise de sequências novas ou altamente divergentes.
• Explicabilidade: Ao extrair diretamente k-mers discriminativos e mapeá-los para coordenadas genômicas específicas, o GREAC fornece resultados transparentes. As regiões identificadas podem ser diretamente correlacionadas com características biológicas (ex: sequências codificantes, elementos regulatórios).
• Implementação de Código Aberto: O software é gratuito, modular e projetado para adaptação pela comunidade, com funções integradas para extração de características, ajuste de parâmetros, benchmarking e classificação.

Resultos
A metodologia foi validada em cinco conjuntos de dados virais diversos: SARS-CoV-2, HIV-1, Dengue (DENV), Hepatite B (HBV) e Monkeypox. Os principais achados incluem:

• Desempenho de Classificação: O GREAC demonstrou um desempenho robusto em todos os conjuntos de dados. Em testes comparativos contra KEVOLVE e CASTOR-KRFE, o GREAC alcançou F1-scores médios variando de 95,95% (SARS-CoV-2) a 98,90% (HBV e HIV). Notavelmente, o GREAC superou o KEVOLVE significativamente em todos os conjuntos de dados (ex: 95,95% vs. 4,82% para SARS-CoV-2) e geralmente igualou ou excedeu o CASTOR-KRFE, particularmente em cenários com dados de treinamento limitados onde o KEVOLVE teve dificuldades.
• Redução de Dimensionalidade: O método alcançou uma compressão de dados substancial para genomas maiores. Ele reduziu o conjunto de dados do SARS-CoV-2 em aproximadamente 67,8% e o do Monkeypox em 72,2%. Para genomas menores (HBV, HIV, DENV), a redução foi marginal (aprox. 100 nucleotídeos), refletindo a capacidade do método de preservar informações densas em genomas compactos enquanto comprime dados redundantes em genomas maiores.
• Relevância Biológica: As regiões extraídas mostraram uma sobreposição significativa com elementos funcionais conhecidos. Para o SARS-CoV-2, as regiões localizam-se predominantemente em sequências codificantes de proteínas estruturais. Para HBV e DENV, as regiões distribuíram-se por todo o genoma, alinhando-se com regiões gênicas conhecidas e estruturas secundárias de RNA. As regiões identificadas também se sobrepuseram a eventos mutacionais de alta frequência relatados pela Nextstrain.

Significância
O artigo posiciona o GREAC como uma ferramenta que aborda a necessidade crítica de explicabilidade e transparência na análise genômica. Ao focar em regiões informativas em vez de sequências completas, o método preenche a lacuna entre o aprendizado de máquina de alto desempenho e a interpretabilidade biológica. Os autores afirmam que o GREAC oferece uma solução escalável e orientada por dados que elimina a dependência de genomas de referência, tornando-o adequado para detectar variantes virais, caracterizar comportamentos de mutação e compreender mecanismos evolutivos como a especiação e a diferenciação populacional. A natureza de código aberto do software garante a replicabilidade e facilita o desenvolvimento de aplicações biotecnológicas customizadas.