🧬 biology

RECIPE bridges transcriptomics and proteomics with deep graph learning on Ribo-seq data

O artigo apresenta o RECIPE, uma estrutura de rede neural de grafos que aproveita dados de Ribo-seq ou transcriptômicos integrados com redes de interação proteína-proteína para prever com precisão as abundâncias de proteínas em todo o proteoma, superando efetivamente as limitações das medições proteômicas incompletas tanto em ambientes de bulk quanto de célula única.

Autores originais: Jun Ding, Luying Su, Bowen Zhao, Kailu Song, Dingfeng Zou, Jingtao Wang, Ziyang Wang, Wei Liu, Xiuhui Yang, Qinghui Duan, Qi Geng, Rong Huang, Heyun Guo, Yan Lu, Kai Li, David Eidelman, Wei Song

Publicado 2026-08-06

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Jun Ding, Luying Su, Bowen Zhao, Kailu Song, Dingfeng Zou, Jingtao Wang, Ziyang Wang, Wei Liu, Xiuhui Yang, Qinghui Duan, Qi Geng, Rong Huang, Heyun Guo, Yan Lu, Kai Li, David Eidelman, Wei Song

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo

Imagine que o seu corpo é uma cidade tecnológica e movimentada. Nesta cidade, as plantas de cada edifício estão armazenadas em uma biblioteca mestre chamada DNA. Mas as plantas sozinhas não constroem nada; elas precisam ser copiadas e enviadas para os canteiros de obras. Essas cópias são chamadas de RNA e atuam como as ordens dos mestres de obras. Finalmente, os edifícios reais — as proteínas — são construídos com base nessas ordens. As proteínas são os trabalhadores reais: elas constroem músculos, combatem infecções e mantêm suas células funcionando.

Por muito tempo, os cientistas tiveram dificuldade em contar os trabalhadores. Eles consegiam ler facilmente as plantas (DNA) e as ordens dos mestres de obras (RNA), mas contar os edifícios reais (proteínas) era como tentar contar cada tijolo de uma cidade enquanto ela estava sendo construída. As ferramentas eram lentas, caras e muitas vezes perdiam uma enorme parte da força de trabalho, especialmente em pequenos bairros de célula única. Isso deixou uma grande lacuna: sabíamos o que as instruções diziam, mas não sabíamos exatamente o que estava sendo construído. A grande questão era: poderíamos usar as ordens dos mestres de obras para prever o número de edifícios, mesmo que não pudéssemos ver os edifícios em si?

Aí entra o RECIPE, uma nova ferramenta digital criada por uma equipe de cientistas que atua como um detetive superinteligente para esta cidade. Os pesquisadores perceberam que, embora não possamos sempre ver os edifícios acabados, podemos observar as equipes de construção em ação. Eles usaram uma técnica chamada Ribo-seq, que é como tirar uma foto de alta velocidade dos canteiros de obras para ver exatamente onde os trabalhadores estão fazendo pausas e quão rápido estão construindo. Mas apenas olhar para a velocidade da construção não é suficiente, porque às vezes um edifício é demolido ou modificado depois de construído.

Para resolver isso, o RECIPE usa uma "rede neural de grafos", que é uma forma sofisticada de dizer que ele mapeia como todas as proteínas se conhecem. Pense nisso como uma rede social para proteínas. Se você sabe que a Proteína A é melhor amiga da Proteína B, e você sabe quantas Proteínas B estão sendo feitas, você pode fazer um palpite muito bom sobre quantas Proteínas A deveriam existir, mesmo que você não possa ver a Proteína A diretamente. O RECIPE combina as fotos da velocidade de construção (Ribo-seq) com este mapa de rede social para prever a população total de proteínas na célula.

A equipe testou essa ferramenta em células humanas e de camundongos, observando especificamente o que acontece quando interrompem uma parte fundamental da maquinaria de construção. Eles descobriram que o RECIPE era incrivelmente preciso. Ele não apenas adivinhou as proteínas que eram fáceis de ver; ele previu com sucesso a abundância de proteínas que eram completamente invisíveis para as ferramentas de medição tradicionais. De fato, quando compararam as previsões do RECIPE com as contagens reais de proteínas, os números coincidiram com uma correlação de 0,9682 em células humanas e 0,9657 em células de camundongos. Essa é uma correspondência muito forte, sugerindo que a ferramenta está fazendo algo certo.

Talvez ainda mais impressionante seja o fato de a ferramenta ter funcionado no modo "célula única". Normalmente, observar apenas uma célula é como tentar adivinhar o tempo olhando para uma única gota de chuva — é muito pequeno e caótico. Mas o RECIPE conseguiu prever os níveis de proteínas em células individuais ao aprender com o "bulk" (grandes grupos) de células primeiro e depois dar um zoom. Ele também funcionou quando eles tinham apenas as cópias das plantas (RNA) e nenhuma foto da construção (Ribo-seq), embora tenha sido ligeiramente menos preciso nesse modo.

Os pesquisadores também descobriram algo fascinante sobre as proteínas que eram mais difíceis de prever. Elas não eram erros aleatórios; eram tipos específicos de proteínas, frequentemente envolvidas na construção do esqueleto da célula ou na montagem de máquinas complexas. A ferramenta tinha dificuldade com elas porque seus números finais são controlados por regras após a construção (como quanto tempo duram ou como são montadas), e não apenas pela velocidade com que são construídas. Ao identificar essas proteínas "difíceis de prever", o RECIPE ajuda os cientistas a encontrar aquelas que estão sendo reguladas por essas regras ocultas de pós-construção.

Em resumo, o RECIPE preenche a lacuna entre as instruções e o produto final. Ele sugere que, ao combinar dados de velocidade de construção com um mapa de como as proteínas interagem, podemos obter uma imagem completa da força de trabalho da célula, mesmo para os trabalhadores que não conseguimos ver diretamente. Isso não significa que devemos parar de medir proteínas inteiramente, mas oferece uma nova maneira poderosa de preencher as lacunas, especialmente em situações onde a medição direta é impossível ou muito difícil. Os autores mostram que essa abordagem funciona bem em diferentes espécies e condições, proporcionando uma visão mais completa de como nossas células funcionam do que tínhamos anteriormente.

Resumo Técnico: RECIPE

Problema

A quantificação direta da abundância de proteínas permanece tecnicamente desafiadora, particularmente em configurações de baixo input e de célula única, onde as tecnologias proteômicas atuais capturam apenas uma fração esparsa do proteoma. Essa incompletude limita a capacidade de caracterizar a regulação ao nível proteico e de resolver a heterogeneidade celular. Embora o perfil de ribossomos (Ribo-seq) ofereça uma leitura em escala genômica da tradução que é próxima da produção de proteínas, converter esses sinais em estimativas precisas de abundância proteica — especialmente para proteínas que carecem de medições proteômicas diretas — permanece um desafio não resolvido. As abordagens existentes são amplamente limitadas a regimes de "conjunto fechado" (closed-set), onde a inferência é restrita às proteínas observadas durante o treinamento, impedindo a predição de alvos não medidos ou específicos de uma condição. Além que, os modelos baseados em RNA frequentemente falham devido à discordância transcrito-proteína causada pela regulação translacional e pós-traducional.

Metodologia: O Framework RECIPE

Os autores introduzem o RECIPE (Ribo-seq Expression & Connectivity Integration for Proteome Estimation), um framework de rede neural de grafos (GNN) projetado para fazer a ponte entre transcriptômica/translatômica e proteômica. O framework opera sob supervisão proteômica incompleta, permitindo a predição de todo o proteoma além das proteínas diretamente medidas.

Arquitetura Central

O RECIPE integra três componentes primários:

Extração de Características (FE):
- Embeddings de Sequência: As sequências de transcritos são codificadas usando DNABERT (k-mer=3), gerando representações ao nível de fragmento que são concatenadas para formar embeddings ao nível de transcrito.
- Abundância Translacional: As contagens de leituras de Ribo-seq são normalizadas e transformadas logaritmicamente para quantificar os níveis de tradução.
- Pausa de Ribossomo: Uma pontuação de pausa é calculada com base na densidade de pegada de códons específica para capturar a dinâmica de elongação.
- Nota: Na ausência de Ribo-seq, o framework pode operar em um modo apenas de RNA-seq, substituindo a abundância translacional pela abundância de transcrito e omitindo características de pausa, embora com fidelidade reduzida.
Módulo Bulk ( $F_B$ ):
- O modelo utiliza uma arquitetura GraphSAGE em uma rede de Interação Proteína-Proteína (PPI).
- Nós representam transcritos codificantes de proteínas e arestas representam PPIs curadas.
- As características dos nós (sequência, abundância, pausa) são projetadas em um espaço latente e agregadas via agregação de média para aprender representações conscientes do contexto.
- Uma cabeça de regressão prediz a abundância proteica. O modelo é treinado em um subconjunto de proteínas com rótulos proteômicos disponíveis, permitindo que ele se generalize para proteínas não medidas através da estrutura do grafo PPI.
Módulo de Refinamento de PPI ( $F_{PPI}$ ):
- Um classificador de arestas autossupervisionado ( $C_{PPI}$ ) avalia a probabilidade de interações com base nos embeddings de proteínas aprendidos.
- Este módulo refina a rede PPI prévia, removendo arestas provavelmente espúrias e introduzindo ligações ausentes de alta confiança, gerando um grafo de interação específico para o conjunto de dados que captura relações conscientes do contexto.
Módulo de Célula Única ( $F_{SC}$ ):
- Configuração de Modalidade Única: Quando medições proteicas de célula única não estão disponíveis, o modelo passa por um "alinhamento pseudo-bulk". Perfis de célula única são agregados para corresponder à proteômica bulk para treinamento, seguido de aprendizado de grafo ao nível de célula usando um Cell-GraphSAGE em um grafo KNN célula-célula.
- Configuração de Multi-ômica Pareada: Quando dados de proteína de célula única estão disponíveis para um subconjunto de observações, o modelo é ajustado (fine-tuned) usando essas medições diretas para melhorar as predições resolvidas em nível de célula.

Principais Contribuições

Inferência de Proteoma de Conjunto Aberto (Open-Set): O RECIPE introduz uma mudança de paradigma da predição de conjunto fechado para a inferência de conjunto aberto. Ao alavancar sinais resolvidos pela tradução e a topologia de PPI, ele prediz a abundância para proteínas inteiramente ausentes dos rótulos proteômicos de treinamento.
Refinamento de PPI Consciente do Contexto: O framework não trata as redes PPI como priors estáticos, mas as refina com base nas representações aprendidas, gerando mapas de interação específicos para o conjunto de dados que capturam estruturas regulatórias dependentes da condição.
Framework Unificado de Célula Única: O RECIPE fornece uma abordagem unificada para a inferência de proteína de célula única, capaz de operar com Ribo-seq de célula única, RNA-seq de célula única (como um fallback) ou dados de multi-ômica pareada.
Identificação do Desacoplamento Tradução-Proteína: O modelo identifica sistematicamente um subconjunto de proteínas "difíceis de predizer" onde a abundância está desacoplada da ocupação do ribossomo, apontando para mecanismos de regulação pós-traducional.

Resultados

O framework foi validado através de conjuntos de dados pareados humanos (HEK293T) e de camundongo (C18), incluindo experimentos de knockdown de DDX20 e estudos de privação de nutrientes.

Precisão de Predição Bulk: O RECIPE alcançou alta correlação entre a abundância proteica real e a predita (Pearson $r \approx 0,96$ em células HEK293T e C18), superando significativamente os sinais brutos de Ribo-seq e reduzindo o erro de predição em comparação com métodos de linha de base (XGBoost, Random Forest, SVM, scTranslator, etc.).
Recuperação de Proteínas Não Medidas: Crucialmente, o RECIPE previu com sucesso a abundância para proteínas mascaradas durante o treinamento (simulando proteínas não medidas), alcançando uma correlação de Pearson de $r \approx 0,80$ em células HEK293T. Isso demonstra uma extrapolação genuína em vez de interpolação.
Fidelidade Biológica: As predições preservaram sinais biológicos subsequentes. A análise de expressão diferencial mostrou forte concordância (RRHO) entre os conjuntos de dados reais e preditos. A análise de enriquecimento de Ontologia Gênica (GO) das proteínas preditas como reguladas negativamente recuperou as mesmas categorias funcionais (ex: ligação de proteína, ligação de RNA) que os dados reais.
Desempenho de Célula Única: Em configurações de célula única, o RECIPE resolveu estruturas de estado celular (ex: fases do ciclo celular) e variações específicas de condição (ex: privação de arginina/leucina) de forma mais precisa do que os sinais brutos de Ribo-seq de célula única. Ele generalizou com sucesso entre conjuntos de dados (ex: SVEC para linhagens C10) em configurações de multi-ômica pareada.
Refinamento de PPI: As redes PPI refinadas mostraram maior coerência funcional (compartilhamento de anotações de vias) e sinais de coexpressão mais fortes em comparação com arestas deletadas ou pares aleatórios não interagentes, validando a plausibilidade biológica das interações aprendidas.
Proteínas Desafiadoras: O modelo identificou um subconjunto reproduzível de proteínas com altos erros de predição. Essas proteínas foram enriquecidas para funções citosqueléticas e ribossomais e exibiram características de sequência específicas (ex: menor GC3, maior AT3), sugerindo que sua abundância é governada pela regulação pós-traducional (estabilidade, montagem de complexos) em vez de apenas pela taxa de tradução.

Significância e Alegações

O artigo afirma que o RECIPE aborda uma limitação fundamental da proteômica: a incapacidade de obter medições proteicas completas e resolvidas por condição. Ao permitir a inferência de todo o proteoma diretamente a partir de dados transcriptômicos e translatômicos amplamente disponíveis, o RECIPE transforma a proteômica de uma modalidade de medição parcialmente observada em uma base para inferência abrangente.

Os autores enfatizam que o framework fornece uma estratégia escalável para analisar a abundância de proteínas em regimes de dados esparsos, particularmente em configurações de célula única, onde a medição direta é inviável. Além disso, a capacidade de identificar proteínas onde a tradução e a abundância estão desacopladas oferece um ponto de entrada sistemático para o estudo da regulação pós-traducional. As redes PPI refinadas geradas como subproduto fornecem mapas de interação conscientes do contexto que podem facilitar a reconstrução de redes e a caracterização de vias a jusante.

O estudo conclui que o RECIPE serve como um framework geral para predizer a abundância de proteínas a partir de sinais resolvidos pela tradução (ou transcriptômica), apesar da supervisão proteômica incompleta, estendendo o escopo da análise centrada no proteoma tanto em estudos básicos quanto translacionais.