A unified framework for the systematic detection of microproteins in standard proteomics workflows using a Ribo-seq informed transcriptomic language model

Resumo Técnico: Um Framework Unificado para Detecção de Microproteínas

Definição do Problema
Apesar da ampla tradução de quadros de leitura abertos não canônicos (ncORFs) revelados pelo perfil de ribossomos (Ribo-seq), integrar esse conhecimento aos fluxos de trabalho rotineiros de espectrometria de massas (MS) permanece difícil. As anotações genômicas atuais dependem de limiares de comprimento arbitrários (ex: ~100 códons), excluindo sistematicamente milhares de microproteínas funcionais. Embora existam abordagens proteogenômicas especializadas, elas enfrentam barreiras significativas:

1. Restrições Bioquímicas: As microproteínas são frequentemente de baixa abundância e geram poucos peptídeos tripticos, tornando sua detecção difícil via MS convencional de shotgun.
2. Limitações Computacionais: Pesquisar contra bancos de dados exaustivos contendo todos os microproteínas preditas (ex: OpenProt) aumenta drasticamente o espaço de busca, reduzindo a sensibilidade para proteínas canônicas e exigindo recursos computacionais excessivos.
3. Incompatibilidade de Fluxo de Trabalho: Combinar Ribo-seq e proteômica na mesma amostra é frequentemente impraticável devido às diferentes exigências de preparação de amostras, custos e complexidades técnicas, impedindo a integração rotineira em laboratórios padrão.

Modelos de aprendizado profundo existentes para prever locais de iniciação de tradução (TIS), como o TIS Transformer original, são limitados por seus dados de treinamento, que dependem fortemente das anotações canônicas do Ensembl. Consequentemente, eles falham em prever com precisão inícios não-AUG e ncORFs, que são prevalentes em dados de Ribo-seq.

Metodologia
Os autores propõem um framework unificado que preenche a lacuna entre a análise proteômica canônica e não canônica sem exigir protocolos experimentais especializados para cada amostra. A metodologia consiste em três componentes primários:

1. Meta-análise de Ribo-seq e Curadoria de Dados:

   • Os autores processaram 108 experimentos de Ribo-seq (771 arquivos FASTQ) de 74 estudos em 74 linhagens celulares e tecidos humanos.
   • Utilizando a ferramenta RiboTIE, identificaram 87.110 ORFs únicas, extraindo 40.832 TISs não canônicos (ncTISs) associados a 19.585 ncORFs distintas. Este conjunto de dados incluiu vários biotipos (uORFs, uoORFs, intORFs, etc.) e códons de iniciação não-AUG (ex: CUG, GUG).

2. Retreinamento do TIS Transformer (TISnc Transformer):

   • Os autores retreinaram o modelo de aprendizado profundo TIS Transformer incorporando os 40.832 ncTISs derivados experimentalmente como rótulos positivos ao lado dos 96.555 TISs canônicos originais do Ensembl.
   • Este retreinamento visou ensinar ao modelo características de sequência únicas para ncORFs, preservando sua capacidade de prever TISs canônicos.
   • O modelo resultante, denominado TISnc Transformer, foi calibrado para manter uma taxa de recall de 91–92% para TISs canônicos.

3. Construção do Banco de Dados Swiss-Prot/MicroProt:

   • Um banco de dados com tamanho controlado foi criado combinando as sequências canônicas do Swiss-Prot com as 48.265 microproteínas derivadas de ncORF preditas pelo TISnc Transformer.
   • Este banco de dados foi projetado para ser compatível com mecanismos de busca padrão (especificamente MaxQuant/Andromeda) para permitir a identificação rotineira de microproteínas sem a penalidade computacional de bancos de dados exaustivos e não filtrados.

4. Validação e Reanálise:

   • O framework foi testado pela reanálise de um conjunto abrangente de dados de MS da linhagem celular HeLa (PXD004452) usando tanto o banco de dados Swiss-Prot padrão quanto o novo banco de dados Swiss-Prot/MicroProt.
   • As microproteínas identificadas foram cruzadas com evidências ortogonais de Ribo-seq (RiboCRYPT, TransCODE v35, RiboTIE) e estudos independentes de MS (Wacholder et al., Deutsch et al., OpenProt).

Principais Resultados

• Desempenho do Modelo: O retreinamento com ncTISs melhorou significativamente a capacidade do modelo de detectar ncORFs, com o TISnc Transformer predizendo 48.265 ncORFs comparado a 18.031 pelo modelo original, enquanto mantinha 98% das predições originais de ORF canônicas. A análise estatística confirmou um enriquecimento altamente significativo de ncORFs curados do TransCODE nas novas predições (p < 10⁻⁴⁶), indicando melhoria na sensibilidade em vez de apenas aumento no volume de busca.
• Concordância Proteômica: A pesquisa do conjunto de dados HeLa com o Swiss-Prot/MicroProt manteve uma sobreposição de 98,83% nos matches de espectro-peptídeo (PSMs) com a busca padrão do Swiss-Prot. A contagem total de PSMs diminuiu em apenas 0,49%, e o conjunto central de 13.291 proteínas canônicas permaneceu amplamente inalterado.
• Descoberta de Microproteínas: O banco de dados expandido identificou 539 microproteínas (representando 3,87% do total de grupos proteicos). Destas, 348 foram únicas da busca expandida, e 270 possuíam evidência ortogonal de existência (de Ribo-seq ou outros estudos de MS).
• Estabilidade do Banco de Dados: O índice de Jaccard para as proteínas principais entre as duas buscas foi de 94,1%, demonstrando que a inclusão de microproteínas não desestabilizou a identificação do proteoma canônico.

Significância e Alegações
O artigo afirma fornecer um framework unificado que facilita a detecção sistemática de microproteínas dentro de fluxos de trabalho proteômicos convencionais. Ao utilizar dados de Ribo-seq para informar um modelo de linguagem, os autores criaram um banco de dados prático (Swiss-Prot/MicroProt) que:

• Preenche a Lacuna: Permite a análise simultânea de proteomas canônicos e não canônicos sem exigir experimentos de Ribo-seq específicos para cada amostra.
• Preserva a Sensibilidade: Evita a perda de sensibilidade associada a bancos de dados exaustivos através do uso de um conjunto de microproteínas preditas de alta confiança e tamanho controlado.
• Permite a Integração Rotineira: Oferece um intermediário acessível entre recursos exploratórios de microproteoma e os amplamente utilizados bancos de dados de referência, potencialmente reduzindo o viés metodológico que atualmente subestima o impacto regulatório das microproteínas.

Os autores observam explicitamente que esta abordagem não foi desenhada para pesquisa especializada de ponta em microproteínas que exija enriquecimento de baixo peso molecular ou pipelines altamente especializados. Em vez disso, ela se destina a recuperar uma fração significativa de informação biológica em experimentos padrão de proteômica de shotgun, melhorando assim a completude de estudos proteômicos funcionais.