Anotação Genómica Integrativa: Pipelines Avançados para Descoberta Estrutural e Caracterização Funcional

A anotação do genoma é frequentemente apresentada como um fluxo de trabalho linear. Em projetos reais, comporta-se mais como um sistema de arbitragem. A montagem fornece a sequência, mas a sequência por si só não indica quais quadros de leitura abertos são reais, onde as fronteiras dos éxons devem estar, se dois segmentos codificadores vizinhos pertencem a um gene ou a dois, ou se um modelo que parece convincente é, na verdade, ruído derivado de repetição. Essas decisões tornam-se fiáveis apenas quando múltiplos tipos de evidência são forçados a concordar.

É por isso que programas de anotação robustos não dependem de um único preditor. Eles combinam modelagem ab initio consciente das espécies, homologia entre espécies, suporte de transcritos de leituras curtas, evidência de transcritos completos, mascaramento de repetições e revisão humana direcionada. A qualidade dos dados de origem é igualmente importante. Projetos que visam montagens prontas para anotação muitas vezes começam com sequenciação de genoma completo de novo de plantas e animaismais amplo apoio ao sequenciamento de genoma completo para montagens prontas para anotaçãoou, quando a continuidade é o fator limitante, sequenciação de telómero a telómero.

O objetivo não é produzir o maior número possível de modelos de genes. O objetivo é produzir o maior número possível de defensável modelos genéticos. Essa palavra importa. Um modelo defensável é aquele cuja estrutura pode ser explicada pelas evidências que o sustentam, e cujos pontos fracos ainda são visíveis em vez de estarem ocultos atrás de um rótulo confiante.

Esta é a verdadeira mudança por trás da anotação moderna. O problema difícil já não é gerar modelos candidatos em grande escala. O problema difícil é decidir qual camada de evidência deve dominar quando os dados discordam.

Figura 1: Esta figura mostra que a anotação não é um pipeline unidirecional, mas sim um problema de convergência em que a qualidade da montagem, a máscara de repetições, as evidências estruturais, as evidências funcionais e a revisão manual contribuem para o mesmo conjunto final de genes.

A anotação estrutural começa por definir o espaço genético.

A anotação estrutural coloca duas questões interligadas. Onde estão os genes e qual é a sua arquitetura exon-intrão? Nos genomas eucarióticos, essas questões são mais difíceis do que parecem. Os verdadeiros genes são interrompidos por intrões, rodeados por repetições, obscurecidos por fragmentos pseudogénicos e complicados pelo splicing alternativo. Portanto, um pipeline útil deve separar a verdadeira estrutura biológica dos padrões de sequência que apenas parecem semelhantes a genes.

O erro mais fácil nesta área é tratar todas as evidências como intercambiáveis. Não são. Cada classe de evidência é a melhor para resolver uma incerteza diferente.

Essa tabela captura a regra fundamental da anotação moderna: não pedir a um tipo de evidência que resolva um problema que pertence a outro.

A previsão ab initio continua a ser essencial, mas é apenas uma primeira hipótese.

A previsão ab initio continua a ser central porque oferece cobertura total do genoma. Ferramentas como AUGUSTUS e GeneMark analisam a montagem e identificam regiões cujas estatísticas de sequência parecem compatíveis com a estrutura codificadora. Elas são poderosas porque não precisam que cada locus tenha um homólogo próximo ou um transcrito expresso no tecido amostrado. Sem elas, genes específicos de linhagem e loci pouco expressos seriam muito mais difíceis de recuperar.

Mas a previsão ab initio é frequentemente explicada de forma demasiado vaga. Estas ferramentas não estão apenas "a adivinhar genes". Elas estão a avaliar uma paisagem de sequência construída a partir de sinais com formato de gene. Os códons de início e de paragem são importantes, mas também o são os padrões de doador e aceitador de splicing, a composição codificante, as distribuições de comprimento dos exões, a estrutura dos íntrons e as transições moldadas pelas espécies entre estados codificantes e não codificantes. Na prática, o preditor está a perguntar se a sequência local se comporta como um caminho plausível através da arquitetura do gene.

É exatamente por isso que a qualidade do treino altera tanto o resultado. Um modelo bem treinado aprende como é a estrutura de codificação na linhagem alvo. Um modelo mal treinado aprende uma aproximação. A saída pode ainda parecer polida, mas o perfil de erro muda rapidamente. Exões pequenos desaparecem. Genes vizinhos fundem-se. Um locus interrompido torna-se dois genes artificiais. Um fragmento repetido torna-se um modelo de codificação curto porque o seu sinal local é estatisticamente convincente o suficiente para passar.

O ponto chave é simples. A previsão ab initio é mais forte quando é tratada como a primeira versão da estrutura, não a verdade final.

A lógica HMM é importante porque os genes são transições de estado, não motivos isolados.

O ângulo do seu artigo enfatiza corretamente a deteção de genes baseada em HMM. Isso merece um tratamento explícito porque é uma das partes menos bem explicadas do conteúdo de anotação pública.

A estrutura do gene não é definida por um único motivo. É definida por uma sequência de transições. A sequência codificadora tende a mover-se para as fronteiras de splicing, depois para os intrões, e novamente para a sequência codificadora. A sequência intergénica segue um padrão estatístico diferente. Modelos probabilísticos são úteis porque não avaliam cada sinal de forma isolada. Avaliam se a sequência se comporta como um caminho crível através dos estados do gene.

Isso importa na prática por duas razões.

Primeiro, uma boa modelagem do estado melhora a discriminação entre genes reais e iscas. Um verdadeiro exon não é apenas semelhante a um código. Está posicionado de uma maneira que faz sentido em relação aos sinais de splicing e ao contexto sequencial vizinho.

Em segundo lugar, o modelo torna-se altamente sensível a priors inadequados. Se os exemplos de treino forem fracos, contaminados, fragmentados ou taxonomicamente muito distantes, as transições de estado perdem nitidez. O software ainda retorna modelos de genes, mas a confiabilidade biológica diminui. É por isso que dois projetos podem afirmar usar o AUGUSTUS ou o GeneMark e ainda assim acabar com conjuntos de genes de qualidade muito diferente.

Uma forma mais forte de explicar isto aos leitores não é "qual preditor você executou?" A melhor pergunta é "que evidência ensinou ao preditor como é um gene antes de começar a analisar o genoma?"

Cobertura versus credibilidade: o verdadeiro compromisso na modelagem ab initio

Uma regra de decisão útil é pensar na saída ab initio em duas dimensões.

Cobertura pergunta se o preditor pode escanear todo o genoma e propor loci candidatos de forma suficientemente ampla.

Credibilidade pergunta se os loci propostos continuam a ser credíveis após serem confrontados com evidências de transcritos, evidências de homologia e filtragem consciente de repetições.

A anotação forte não sacrifica uma dimensão em detrimento da outra. Utiliza previsões ab initio para maximizar a cobertura e, em seguida, utiliza evidências ortogonais para proteger a credibilidade.

É por isso que a chamada estrutural puramente de novo quase sempre inflaciona a confiança. O software é permitido explicar demais com muito pouco constrangimento. Um pipeline mais disciplinado faz uma pergunta mais rigorosa: quais estruturas previstas permanecem intactas após as camadas de evidência começarem a discordar?

O mapeamento de homologia reduz o espaço de soluções.

A anotação baseada em homologia adiciona restrições biológicas. Se espécies relacionadas já tiverem proteínas curadas ou de alta confiança, essas sequências podem ser alinhadas à nova montagem para ancorar regiões codificantes plausíveis. Isto é especialmente útil quando modelos ab initio começam a exagerar nas chamadas, ou quando as evidências de expressão estão incompletas para os tecidos, estágios ou tratamentos que são mais relevantes.

O valor da homologia é frequentemente descrito de forma demasiado ampla. A sua principal força não é provar que um gene existe. A sua força reside no facto de tornar muitos modelos implausíveis muito mais difíceis de defender.

Uma proteína conservada pode estabilizar a estrutura do exon, preservar as expectativas do quadro de leitura e reduzir a probabilidade de que um ORF derivado de repetições seja confundido com um gene real. Isso funciona especialmente bem para enzimas conservadas, maquinaria celular central e famílias com uma arquitetura de domínio estável.

Mas a homologia tem limites rigorosos. Se a referência for demasiado distante, os limites dos exões desviam-se. Se a família se expandiu recentemente, uma proteína de referência pode corresponder a vários loci paralógicos. Se a linhagem-alvo ganhou um exão novo ou perdeu um domínio, um fluxo de trabalho baseado na homologia pode achatar a biologia real num modelo antigo.

É por isso que a homologia deve ser tratada como uma camada de restrição, não é um molde. Limita modelos inadequados. Não substitui evidências específicas de organismos.

A evidência de transcrição é o melhor antídoto para suposições estruturais.

Se a previsão ab initio fornece amplitude e a homologia fornece plausibilidade, a evidência de transcrição fornece localidade. Ela indica onde o organismo realmente transcreveu a sequência nas condições amostradas. Isso torna-a uma das correções mais fortes em todo o fluxo de trabalho estrutural.

Para muitos projetos, padrão Análise de RNA-Seq não é um conjunto de dados secundário. É um dos principais filtros que impede que o conjunto de genes estruturais se desvie das evidências reais de splicing. Leituras que suportam junções podem confirmar limites de exões, resgatar exões perdidos e rebaixar modelos que parecem estatisticamente plausíveis, mas que nunca recebem suporte de expressão.

Ainda assim, leituras curtas não resolvem tudo. Elas são fortes em cobertura, mas mais fracas na continuidade do transcrito. Quando os loci são altamente alternativos, quando os exões são curtos ou quando os parálagos são muito semelhantes, as leituras curtas frequentemente indicam que a transcrição ocorreu sem dizer exatamente quais exões pertencem à mesma molécula de transcrito.

É aí que a evidência de transcrições longas altera o problema.

Iso-Seq para descoberta de transcritos de comprimento completo e Sequenciação de transcritos completos por nanopore melhorar a cadeia de exões, a continuidade do transcrito, a recuperação de UTR e a resolução de isoformas. Não eliminam toda a ambiguidade. A expressão continua a ser influenciada pelo tecido, e transcritos de baixa abundância ainda podem ser perdidos. Mas reduzem significativamente a quantidade de inferência necessária em loci difíceis.

Uma forma concisa de explicar a hierarquia é esta:

• RNA-seq mostra onde existe suporte para transcrição
• mapeamento ciente de emendas mostra quais interseções são credíveis
• dados de transcrição completa mostram quais cadeias de exões pertencem juntas
• as provas combinadas mostram quais modelos estruturais sobrevivem à correção

Aquela última linha é a mais importante. A evidência não é simplesmente aditiva. É corretiva. Cada camada corrige um tipo diferente de erro.

Figura 2: Esta figura ilustra como um modelo inicial ab initio é editado pelo suporte de splicing, e depois refinado novamente com base em evidências de transcritos completos até que a estrutura final do isoforma se torne defensável.

O que fazer quando as provas discordam?

O desacordo é normal. A resposta errada é tratar tudo de forma mecânica.

Uma melhor resposta é perguntar qual tipo de evidência está melhor posicionado para resolver a incerteza específica:

• Se a incerteza for uma fronteira de exon, a evidência do transcrito deve geralmente dominar.
• Se a incerteza é se um ORF curto é real ou derivado de repetições, o contexto de repetição e a restrição de homologia devem dominar.
• Se a incerteza é se vários modelos semelhantes representam uma única família conservada ou uma expansão recente, a homologia e a estrutura de domínio devem dominar.
• Se a incerteza for a continuidade do transcrito ao longo de um locus complexo, a evidência do transcrito completo deve dominar.
• Se nenhuma destas camadas resolver o conflito de forma clara, o local deve permanecer provisório e ser enviado para revisão manual.

Esta estruturação centrada na decisão é uma das maneiras mais úteis de fazer um artigo de anotação parecer especializado em vez de genérico. Mostra aos leitores como as evidências devem ser ponderadas, e não apenas quais conjuntos de dados estão na moda.

A assembleia sob a anotação ainda decide o teto.

Um erro comum é discutir a montagem e a anotação como se fossem caixas de serviço separadas. Na prática, a qualidade da anotação herda os pontos fortes e fracos da montagem subjacente.

Uma montagem fragmentada separa loci. O colapso repetido distorce a densidade genética local. A duplicação haplotípica residual infla o número aparente de genes. Junções erradas criam uma falsa proximidade entre segmentos codificadores não relacionados. Uma vez que esses erros entram no substrato, mesmo um pipeline de anotação sofisticado só consegue contorná-los, não apagá-los.

É por isso que projetos prontos para anotação tratam cada vez mais a arquitetura do genoma como parte do planeamento da anotação, em vez de ser uma tarefa puramente a montante. Em genomas eucarióticos maiores, a construção de andaimes em escala cromossómica a partir de Sequenciação Hi-C pode reduzir a ambiguidade estrutural, melhorar a continuidade do lócus e tornar a arbitragem do modelo genético posterior mais fiável.

A regra prática é dura mas útil: a anotação pode refinar um genoma, mas não pode resgatar completamente um substrato fraco.

A máscara de repetição não é uma tarefa de manutenção; é um controlo de qualidade para todo o pipeline.

A máscara de repetições é um dos passos mais subestimados na anotação do genoma. Muitas vezes é descrita em uma frase e, em seguida, enterrada sob as partes mais visíveis da predição de genes. Esse tratamento é enganoso. O manuseio de repetições altera o ambiente de falsos positivos de todo o fluxo de trabalho.

Os genomas eucarióticos estão cheios de ADN repetitivo: elementos transponíveis, regiões de baixa complexidade, arranjos em tandem, repetições simples e famílias de repetições específicas de linhagem que podem não aparecer em bibliotecas genéricas. Alguns são claramente não codificantes. Alguns sobrepõem-se a genes. Alguns doam fragmentos que parecem semelhantes a exões. Alguns geram apenas a estrutura de ORF suficiente para enganar um preditor e fazer com que este chame um locus codificante.

Uma vez que isso acontece, o resto da pilha de anotações começa a desperdiçar esforço em artefatos.

O RepeatModeler e o RepeatMasker são importantes porque bibliotecas genéricas não são suficientes.

Um fluxo de trabalho comum combina o RepeatModeler com o RepeatMasker. A lógica é simples. Bases de dados de repetições genéricas não capturam todas as famílias específicas de linhagens, especialmente em organismos não modelo. A descoberta de repetições de novo fornece ao projeto uma biblioteca de repetições que realmente reflete o genoma que está a ser anotado. A máscara, então, marca essas regiões para que os passos estruturais subsequentes possam tratá-las com cautela.

O modo de mascaramento mais útil é geralmente o mascaramento suave. O mascaramento duro remove sequências de forma agressiva e pode apagar contextos que ainda são biologicamente informativos. O mascaramento suave preserva a sequência enquanto a sinaliza como derivada de repetições. Isso é uma melhor opção para anotação, pois reduz os falsos positivos sem fingir que o repetoma é biologicamente irrelevante.

A fraca máscara de repetição produz uma ecologia de erros, não um erro isolado.

Quando a máscara de repetição é fraca, o dano não aparece num só lugar. Ele propaga-se.

Esse padrão é a razão pela qual a máscara de repetição deve ser enquadrada como uma porta de controlo de qualidade, não uma tarefa de pré-processamento. Se o repetoma estiver mal modelado, cada camada de evidência posterior é forçada a trabalhar em um espaço de busca mais sujo.

Figura 3: Esta figura demonstra como a mascaragem fraca cria vários tipos de erro estrutural ao mesmo tempo, em seguida contrasta isso com a interpretação mais clara produzida pela correção consciente da repetição.

A anotação consciente de repetições requer julgamento, não apenas mascaramento.

O repetoma não deve ser tratado apenas como um obstáculo. É também uma camada biologicamente significativa do genoma. As repetições moldam o tamanho do genoma, a arquitetura local, a inovação regulatória e a estrutura específica de linhagem. Um fluxo de anotação maduro deve, portanto, fazer duas coisas ao mesmo tempo.

Deve suprimir a estrutura falsa derivada de repetições durante a previsão de genes.

Deve também preservar a anotação de repetições como uma característica genómica interpretável para análises posteriores.

Esse papel duplo é uma das razões pelas quais o tratamento repetido merece o seu próprio espaço conceptual no artigo. Não está apenas lá para tornar a anotação do código mais clara. Também determina quão honestamente o genoma é representado.

A anotação funcional começa quando a confiança estrutural é suficientemente alta.

Uma vez que um conjunto de genes estruturais existe, a próxima pergunta é óbvia: o que fazem esses genes? A resposta superficial é realizar uma pesquisa de similaridade, pegar o melhor resultado e transferir o rótulo. Essa abordagem é rápida, familiar e muitas vezes demasiado confiante.

Uma pergunta melhor é esta: que combinação de semelhança, arquitetura de domínio e contexto de ortólogos suporta a chamada de função mais defensável?

Essa mudança é importante porque a transferência de função falha de maneiras previsíveis. Os parálagos parecem próximos, mas comportam-se de forma diferente. As proteínas parciais herdam nomes excessivamente específicos. As proteínas de múltiplos domínios emprestam rótulos de um domínio preservado enquanto ignoram os outros. Famílias expandidas criam muitas correspondências próximas, nenhuma das quais merece uma transferência direta de nome um-para-um.

É por isso que uma boa anotação funcional deve comportar-se como uma arbitragem de evidências em camadas, assim como a anotação estrutural faz.

A pesquisa de similaridade rápida é útil porque constrói um bairro, não porque fornece uma resposta final.

Ferramentas como o DIAMOND são valiosas porque tornam viável a pesquisa de similaridade em escala de proteoma. Elas permitem que um projeto identifique rapidamente uma vizinhança de correspondências plausíveis em grandes bases de dados de proteínas. Isso é operacionalmente importante, mas o valor mais profundo é interpretativo. A pesquisa rápida permite que o fluxo de trabalho reúna contexto em vez de forçar um único resultado a carregar todo o significado da proteína.

Usado corretamente, a pesquisa de similaridade responde a perguntas como estas:

• Quais proteínas conhecidas esta sequência se assemelha?
• A semelhança é ampla ou estreita?
• O jogo suporta um rótulo a nível familiar ou um rótulo preciso?
• A sequência está bem representada nas bases de dados existentes, ou parece estar mais fraca em termos de conservação?

Esses são resultados úteis. Nenhum deles, por si só, é suficiente para justificar uma transferência de nome altamente específica.

Esse é o ponto onde a segunda metade do artigo começa: inferência a nível de domínio com HMMER, mapeamento de ontologia com GO, KEGG e eggNOG, quando chamadas de função devem ser rebaixadas para rótulos amplos ou provisórios, como a curadoria manual se encaixa em loci difíceis e como escolher entre a lógica de anotação do MAKER, BRAKER e Ensembl.

Figura 4: Esta figura apresenta a pilha de evidências funcionais ao mostrar como a similaridade de sequência, a deteção de domínios e o contexto ortólogo progressivamente restringem uma chamada de função.

Inferência a nível de domínio com HMMER: porque a arquitetura conservada é importante

A pesquisa de similaridade rápida fornece um bairro útil. Não diz, por si só, se a função proposta é estruturalmente coerente. Essa é a tarefa da inferência a nível de domínio.

Ferramentas construídas em torno de Modelos Ocultos de Markov de perfil, como o HMMER, fazem uma pergunta mais rigorosa: a proteína prevista contém a assinatura estatística conservada esperada para um verdadeiro membro de uma família de domínios? Isso é importante porque muitos erros de anotação não são causados pela ausência de semelhança. Eles são causados por especificidade mal colocadaUma proteína pode parecer amplamente semelhante a uma família conhecida, mas pode faltar o domínio catalítico, o módulo de ligação, a cauda reguladora ou a ordem dos domínios necessária para a função específica que está a ser transferida.

É por isso que a análise de domínio deve ser tratada como um ponto de verificação em vez de um passo acessório. Ajuda de pelo menos quatro maneiras.

Primeiro, resgata chamadas de funções quando a identidade completa é modesta, mas a arquitetura central está intacta. Em segundo lugar, rejeita rótulos excessivamente confiantes quando apenas parte da estrutura esperada está presente. Em terceiro lugar, expõe a troca de domínios, que é comum em genomas eucarióticos e muitas vezes altera a interpretação biológica. Em quarto lugar, ajuda a separar um verdadeiro membro de uma família de um parente truncado, fundido ou degenerado.

O valor prático é simples. A similaridade dá vizinhança. Os domínios dão mecanismo. Quando os dois concordam, a confiança aumenta. Quando discordam, a anotação deve tornar-se mais ampla, não mais específica.

Quando as chamadas de função devem ser rebaixadas

Um dos hábitos mais úteis na anotação do genoma é saber quando não transferir um nome de função detalhado. É aqui que muitos pipelines se tornam excessivamente confiantes. Uma anotação limpa não é o mesmo que uma honesta.

Uma chamada de função deve geralmente ser rebaixada para um rótulo amplo ou provisório nas seguintes condições:

• Arquitetura de domínio parcialA sequência corresponde a uma família conhecida, mas apenas parte da estrutura do domínio esperada está presente.
• Apoio de ortologia fracoa proteína tem homólogos, mas a sua posição dentro de grupos ortólogos é instável ou demasiado ampla.
• Expansão da famíliao gene pertence a uma família de parálagos que se expandiu rapidamente, onde a transferência de hit mais próximo é especialmente arriscada.
• Principais sucessos conflitantesdiferentes jogos de alta pontuação implicam funções específicas diferentes.
• Loci adjacentes repetidos ou estruturalmente instáveiso modelo de proteína em si pode estar incompleto ou incorreto.
• Sequência de codificação fragmentadaa proteína prevista está truncada, fundida ou quebrada ao longo de um intervalo de montagem difícil.

Nesses casos, um rótulo amplo não é uma fraqueza. É uma salvaguarda técnica. Indica aos utilizadores a montante que a sequência pertence a um bairro funcional credível, mas que as evidências atuais não justificam uma reivindicação excessiva.

Esta é uma das razões pelas quais a anotação funcional deve ser escrita como uma escada de confiança em vez de uma chamada binária. Um bom sistema de saída distingue entre:

• função específica de alta confiança
• função a nível familiar
• proteína contendo domínio
• proteína hipotética ou não caracterizada

Essa hierarquia é muito mais útil do que forçar cada sequência a ter um nome que pareça confiante.

GO, KEGG e eggNOG: transformando genes em sistemas interpretáveis

Uma vez que as evidências a nível de sequência e a nível de domínio sejam suficientemente fortes, o próximo passo é conectar os genes a estruturas biológicas maiores. É aqui que a ontologia e o mapeamento de ortologia se tornam centrais.

VÁ! é útil porque organiza a anotação em função molecular, processo biológico e componente celular. Isso confere ao conjunto de genes um vocabulário controlado. Em vez de transportar apenas nomes de proteínas em texto livre, a anotação começa a apoiar a análise de enriquecimento, comparação a nível de processo e uma interpretação mais estável entre projetos.

KEGG adiciona lógica de via. Isto é importante quando a verdadeira questão biológica não é "como se chama esta proteína?" mas "este genoma codifica os componentes necessários para uma via, módulo ou ramo metabólico?" O mapeamento de vias transforma uma lista de produtos génicos numa imagem a nível de sistemas.

eggNOG adiciona uma estrutura consciente da ortologia. Isso é especialmente importante quando uma proteína pertence a uma grande família com muitos parálagos. A transferência de similaridade direta pode se ajustar excessivamente à sequência mais próxima. O agrupamento consciente da ortologia oferece uma estrutura mais conservadora e muitas vezes melhora a disciplina da atribuição de GO e de vias a jusante.

Um fluxo de trabalho funcional forte, portanto, move-se em camadas:

1. Utilize a pesquisa de similaridade para identificar um bairro funcional plausível.
2. Utilize modelos de domínio para testar se a arquitetura suporta essa interpretação.
3. Utilize a ortologia para decidir se o rótulo deve permanecer amplo ou pode tornar-se mais específico.
4. Mapear a sequência para GO, KEGG e sistemas relacionados apenas depois de a pilha de evidências estar coerente.
5. Preservar a incerteza quando a pilha não convergir totalmente.

Figura 5: Esta figura ilustra que a anotação funcional é um processo de afunilamento em camadas, e não uma transferência de rótulo em um único passo.

O paradoxo da curadoria manual

A automação é essencial na anotação do genoma. Também é incompleta por design. A maior parte dos loci pode ser processada de forma adequada por pipelines automatizados, mas os loci que mais importam para a interpretação biológica são frequentemente aqueles que a automação lida pior.

Esse é o paradoxo da curadoria manual.

Os casos mais difíceis geralmente incluem famílias duplicadas em tandem, locos adjacentes a repetições, genes que contêm microexões, vizinhanças ricas em pseudogenes, UTRs longas e variáveis, transcrição aninhada e famílias com rápida expansão específica de linhagem. Estas são exatamente as regiões onde um modelo de gene automatizado refinado pode ainda estar errado de uma maneira biologicamente importante.

É por isso que ambientes de revisão baseados em navegador, como o Apollo e o JBrowse, continuam a ser importantes. Eles permitem que um curador inspecione o conjunto de evidências no contexto, em vez de tratar o arquivo de anotação final como um produto selado. Um curador pode fazer perguntas práticas:

• As junções de splicing têm suporte real?
• O quadro de codificação previsto permanece estável ao longo do locus?
• As evidências de homologia suportam um gene ou vários?
• O modelo aparente está a cruzar para uma sequência derivada de repetição?
• Os isoformas de leitura longa concordam com a estrutura de splicing de leitura curta?
• É o locus biologicamente importante o suficiente para justificar uma revisão, mesmo que o modelo seja apenas moderadamente incerto?

Um programa de anotação robusto não envia cada desacordo a um curador. Isso não é escalável. Em vez disso, ele classifica os desacordos de acordo com o seu provável impacto na interpretação biológica.

Uma regra de escalonamento útil é assim:

• Mantenha o locus automatizado quando a estrutura ab initio, a homologia, a evidência de transcritos e a interpretação funcional concordarem.
• Escalone o locus quando uma camada de evidência se desvia abruptamente das outras.
• Priorize a revisão humana quando a discordância afetar um objetivo crítico para o projeto, uma família biológica de alta prioridade ou um entregável altamente visível no estudo.

Esse último ponto é importante. A qualidade da anotação não é medida apenas por métricas de completude global. Também é avaliada pela forma como os loci que mais importam para o projeto foram tratados com o devido cuidado.

Figura 6: Esta figura revela quais tipos de loci passam da anotação automatizada para a revisão manual, e porquê.

MAKER vs. BRAKER vs. Ensembl: três lógicas de anotação diferentes

A pergunta comum é qual pipeline é o melhor. A pergunta mais útil é qual. lógica de anotação melhores correspondências para o projeto.

MAKER: integração modular de evidências e refinamento iterativo

MAKER é frequentemente a melhor opção quando o projeto necessita de flexibilidade. Foi concebido para combinar múltiplas fontes de evidência de forma modular, e funciona bem quando a anotação melhora ao longo de várias iterações, em vez de numa única passagem. Isso torna-o atraente para projetos que esperam atualizações iterativas, alterações nas entradas de evidência ou refinamentos repetidos nas escolhas de treino e filtragem.

A sua força não está em resolver automaticamente todos os problemas. A sua força está em dar ao projeto espaço para evoluir. As equipas podem comparar o comportamento dos preditores, incorporar novas evidências de transcrições e melhorar o conjunto de anotações sem ter de reconstruir a filosofia do fluxo de trabalho desde o início.

BRAKER: previsão estrutural automatizada com formação guiada por evidências

O BRAKER é frequentemente a escolha mais forte quando a necessidade imediata é uma base estrutural rápida e sólida em um genoma eucariótico com evidência de transcritos disponível. A sua principal vantagem é que automatiza uma das partes mais difíceis da previsão: moldar modelos conscientes da espécie usando evidências em vez de assumir que parâmetros genéricos são suficientemente bons.

Isso torna o BRAKER especialmente útil para eucariotos não-modelo, onde a qualidade do treinamento é um determinante importante da qualidade da anotação. Reduz a carga manual sem fingir que o treinamento não importa.

A sua limitação é que permanece parte de um sistema maior. Oferece uma poderosa espinha dorsal estrutural, mas o manuseio repetido, a revisão de locais difíceis e a transferência de funções a montante ainda necessitam de uma disciplina separada.

Anotação ao estilo Ensembl: lógica de produção padronizada

A anotação ao estilo Ensembl é melhor compreendida como uma estrutura de produção em vez de uma escolha leve e autónoma. Enfatiza a padronização, o pré-processamento consciente de repetições, a integração de evidências, lançamentos estáveis e, em casos selecionados, a curadoria manual integrada no processo de construção.

A sua força é a consistência. Isso é crucial quando o objetivo não é apenas anotar um genoma, mas também manter a comparabilidade entre espécies, versões ou ciclos de lançamento.

A sua limitação é que este estilo de anotação geralmente faz mais sentido em programas orientados a referências do que em projetos menores que precisam principalmente de uma resposta rápida e adaptável.

Comparação prática

Uma regra de decisão prática funciona bem:

Escolher FABRICANTE quando o projeto é suscetível de mudar à medida que novas evidências surgem e o aperfeiçoamento iterativo faz parte do plano.

Escolha BRAKER quando a prioridade é uma base estrutural rápida e guiada por evidências para um genoma eucariótico.

Escolha um abordagem estilo Ensembl quando a prioridade é a disciplina de lançamento, a consistência entre as compilações e a qualidade da anotação orientada por referência.

Esta não é uma comparação em que o vencedor leva tudo. É uma comparação adequada ao propósito.

A qualidade da anotação é herdada do design a montante.

Neste estágio, um princípio deve estar claro. A qualidade da anotação não começa com o software de anotação. Começa com o design do projeto.

Uma montagem fragmentada limita a confiança estrutural. A modelagem fraca de repetições infla o espaço de falsos positivos. A amostragem deficiente de transcritos restringe a recuperação de isoformas. Conjuntos de homologia fracos reduzem a restrição biológica. A transferência descuidada de funções infla a especificidade. Nenhuma quantidade de polimento no final pode apagar completamente essas decisões anteriores.

É por isso que projetos fortes são cada vez mais concebidos a partir da questão biológica.

Se a questão principal depende da estrutura da isoforma, então sequenciação de transcritos completos ou Sequenciação de RNA direta por nanoporo pode ser central em vez de opcional.

Se a questão principal depende do contexto dos cromossomas e da continuidade do locus, então Sequenciação Hi-C torna-se parte da prontidão para anotação, não uma conveniência separada a jusante.

Se a questão principal depender da interpretação regulatória, então a anotação pode precisar de ser acompanhada por ATAC-Seq ou ChIP-Seq Assim, os modelos de genes podem ser interpretados em conjunto com o estado da cromatina e o contexto de ligação.

O melhor fluxo de trabalho não é aquele com a lista de métodos mais longa. É aquele em que cada tipo de evidência está presente, pois isso elimina uma incerteza conhecida.

Perspectiva final

A anotação genómica integrativa não é o ato mecânico de empilhar ferramentas até que um ficheiro GFF apareça. É o processo disciplinado de decidir quais as evidências que são fortes, quais as evidências que são fracas e quais os loci que ainda requerem julgamento humano.

A previsão ab initio oferece cobertura. A homologia fornece restrições. O RNA-seq oferece suporte a splicing. O Iso-Seq garante a continuidade do transcrito. A máscara de repetições reduz estruturas falsas. A análise de domínios previne transferências de nomes descuidadas. GO, KEGG e eggNOG conectam modelos genéticos a uma interpretação a nível de sistemas. A curadoria manual protege o projeto do pequeno número de erros que podem distorcer uma conclusão biológica muito grande.

Esse é o fluxo de trabalho moderno. Não é uma linha reta, mas uma negociação controlada entre camadas de evidência.

Perguntas Frequentes

Que combinação de evidências geralmente produz os modelos genéticos mais defensáveis?
Para a maioria dos genomas eucarióticos, a base mais sólida provém de uma montagem de alta qualidade, pré-processamento consciente de repetições, predição ab initio, homologia de proteínas e evidência de transcritos. A confiança melhora ainda mais quando dados de transcritos completos estão disponíveis para locos complexos.

Quanto de evidência de transcrição é suficiente para um novo projeto de anotação eucariótica?
Não há um único limiar, pois a resposta depende da complexidade do genoma, da diversidade dos tecidos e da questão do projeto. O RNA-seq de leituras curtas pode ser suficiente para um amplo suporte de splicing, mas os dados de transcritos de comprimento completo tornam-se muito mais importantes quando a estrutura dos isoformas é central para o estudo.

Qual é a diferença entre anotação estrutural e anotação funcional?
A anotação estrutural define onde estão os genes e como a sua arquitetura de exões e íntrons está organizada. A anotação funcional atribui papéis biológicos prováveis às proteínas e vias resultantes.

Por que é que a máscara de repetições é necessária antes da previsão de genes?
Porque o DNA repetitivo pode imitar sinais de codificação, atrair alinhamentos enganosos e inflacionar contagens falsas de genes. A máscara consciente de repetições reduz esse fundo antes que a previsão estrutural comece.

A previsão ab initio é suficiente para um novo genoma eucariótico?
Normalmente não. Oferece uma cobertura genómica ampla, mas a precisão melhora quando são adicionadas evidências de transcritos, evidências de homologia e filtragem consciente de repetições.

Por que é que os dados de transcritos de leitura longa são tão importantes?
Porque melhora a continuidade do transcrito, a resolução de isoformas, a recuperação de UTR e a ligação de éxons em loci onde leituras curtas deixam ambiguidade.

Quando deve um locus ser manualmente curado?
Quando as principais camadas de evidência discordam, ou quando o local pertence a uma família de alta prioridade e um erro de modelagem afetaria materialmente a conclusão biológica.

Onde se encaixa o eggNOG na anotação?
Fornece um contexto consciente de ortólogos, o que ajuda a transferir a função de forma mais conservadora do que a simples similaridade.

Uma anotação forte pode compensar uma montagem fraca?
Apenas em parte. Uma boa anotação pode reduzir alguma ambiguidade, mas a fragmentação, o colapso de repetições e a duplicação não resolvida continuam a limitar a confiança no conjunto final de genes.

Referências

1. Bruna T, Hoff KJ, Lomsadze A, Stanke M, Borodovsky M. BRAKER2: anotação automática de genomas eucariotos com GeneMark-EP+ e AUGUSTUS suportado por uma base de dados de proteínas. Genómica e Bioinformática NAR. 2021;3(1):lqaa108. DOI: 10.1093/nargab/lqaa108
2. Hoff KJ, Lange S, Lomsadze A, Borodovsky M, Stanke M. BRAKER1: anotação de genoma baseada em RNA-Seq não supervisionada com GeneMark-ET e AUGUSTUS. Bioinformática. 2016;32(5):767-769. DOI: 10.1093/bioinformatics/btv661
3. Holt C, Yandell M. MAKER2: uma pipeline de anotação e ferramenta de gestão de base de dados genómica para projetos de genoma de segunda geração. BMC Bioinformática. 2011;12:491. DOI: 10.1186/1471-2105-12-491
4. Campbell MS, Holt C, Moore B, Yandell M. Anotação e Curadoria do Genoma Usando o MAKER e o MAKER-P. Protocolos Atuais em Bioinformática. 2014;48:4.11.1-39. DOI: 10.1002/0471250953.bi0411s48
5. Hoff KJ, Stanke M. Predição de Genes em Genomas Únicos com o AUGUSTUS. Protocolos Atuais em Bioinformática. 2019;65(1):e57. DOI: 10.1002/cpbi.57
6. Smit AFA, Hubley R, Green P. RepeatMasker Open-4.0. Documentação de software e projeto. Disponível no site do projeto RepeatMasker.
7. Buchfink B, Reuter K, Drost HG. Alinhamentos de proteínas sensíveis à escala da árvore da vida usando DIAMOND. Nature Methods. 2021;18(4):366-368. DOI: 10.1038/s41592-021-01101-x
8. Eddy SR. Pesquisas Aceleradas de Perfis HMM. PLoS Biologia Computacional. 2011;7(10):e1002195. DOI: 10.1371/journal.pcbi.1002195
9. Huerta-Cepas J, Szklarczyk D, Heller D, et al. eggNOG 5.0: um recurso de ortologia hierárquico, funcional e filogeneticamente anotado. Pesquisa em Ácidos Nucleicos. 2019;47(D1):D309-D314. DOI: 10.1093/nar/gky1085
10. Kanehisa M, Furumichi M, Sato Y, Kawashima M, Ishiguro-Watanabe M. KEGG para análise de vias e genomas baseada em taxonomia. Pesquisa em Ácidos Nucleicos. 2023;51(D1):D587-D592. DOI: 10.1093/nar/gkac963
11. O Consórcio de Ontologia Genética. A base de conhecimento da Ontologia Genética em 2023. Genética. 2023;224(1):iyad031. DOI: 10.1093/genetics/iyad031
12. Korlach J, Gedman G, Kingan SB, et al. Montagens de genoma aviano de leitura longa e faseada de novo da PacBio corrigem e adicionam genes importantes na investigação em neurociência. Gigaciência. 2017;6(10):1-16. DOI: 10.1093/gigascience/gix085