Ритм рибосом и эволюционная память объясняют, почему скрытые микропротеины ускользают от приборов
Аннотация Предыстория Неканонические открытые рамки считывания (ncORF) кодируют существенный, в значительной степени неизученный слой протеома человека. Короткие микропротеины, которые они производят, часто ускользают от обнаружения с помощью стандартных рабочих процессов масс-спектрометрии (МС), создавая «темный протеом», который затрудняет аннотацию генов и функциональную характеристику. Чтобы решить эту проблему, атрибуты, полученные из последовательности, были использованы для идентификации факторов, связанных с обнаруживаемостью репозитория MS, и для создания интерпретируемой системы прогнозирования, которая позволяет рационально расставлять приоритеты ncORF для протеомных открытий. Результаты. 7097 последовательностей ncORF (99% <150 остатков) были отобраны Консорциумом TransCODE и помечены данными уровня пептидов PeptideAtlas как обнаруженные с помощью MS (n = 1725) или необнаруженные (n = 5372). Ансамбль, сочетающий встраивания модели белкового языка ESM-2 с логистической регрессией и девятнадцатью биологическими функциями (ESM2-LR), достиг среднего значения ROC-AUC 0,721 (SD 0,018, коэффициент вариации 2.5% в десяти независимых экспериментах). Анализы SHAP, не зависящие от модели, и анализ важности перестановок согласованно оценили кумулятивную однородность следа рибосомы в кадре (CIF-HBP) как самый сильный связанный фактор, за которым следует эволюционная консервативность уровня ORF млекопитающих (ORBLv_mammal) и геномный биотип. Прогнозируемая плотность HLA-связывающего пептида класса I, которая отражает физико-химические свойства, перекрывающиеся с оптимальными характеристиками аналита ЖХ-МС/МС, также была положительно связана с обнаруживаемостью. Анализ позднего слияния показал, что встраивания и биологические особенности ESM-2 вносят дополняющие прогностические сигналы. Выводы. Эти результаты показывают, что устойчивая трансляция, очищающий отбор на структурную целостность ORF и благоприятная физикохимия пептидов сходятся, чтобы влиять на выявляемость ncORF. Структура ESM2-LR предоставляет воспроизводимый, масштабируемый инструмент для определения приоритета микробелков-кандидатов для целевой проверки MS, аннотации генов и интерпретации регуляторных вариантов, связанных с заболеванием, при условии будущей внешней проверки на независимых наборах данных.
## В чем суть открытия Себе, что вы видите автомобили на шоссе: только автомобили, движущиеся с постоянной скоростью и оснащенные проверенными временем конструкциями шасси, остаются видимыми достаточно долго, чтобы их могли зафиксировать высокоскоростные камеры дорожного движения, прежде чем они исчезнут в воздухе. ## Как это устроено: принцип работы Фреймворк извлекает глубокие представления последовательностей с использованием модели белкового языка ESM-2 и объединяет их с девятнадцатью биологическими особенностями посредством логистической регрессии. Он оценивает плавность трансляции по следам рибосом в рамке, эволюционную консервативность уровня ORF у млекопитающих и прогнозируемую плотность связывания HLA. Интерпретируемый анализ значимости показывает, что устойчивая, равномерная трансляция и структурный отбор определяют физическую обнаруживаемость аналитов. ## Что это меняет на практике Позволяет протеомным лабораториям вычислительно фильтровать и определять приоритетность неаннотированных микробелков для целевых масс-спектрометрических анализов, функциональной аннотации генов и обнаружения раковых неоантигенов. ## Границы метода и риски Ограничено историческими аннотациями PeptideAtlas на уровне репозитория с неравномерным охватом инструментов; не учитываются скорости внутриклеточной деградации в реальном времени, посттрансляционные модификации и динамика тканеспецифической экспрессии; не имеет внешнего проспективного экспериментального подтверждения. ## Результаты и доказательства - **Комплексный скор значимости:** 9.5 / 10.0 - **Уровень доказательности:** программный бенчмарк и верификация - **Бенчмарки и прирост:** ROC-AUC 0.721 ± 0.018, CV 2.5% - **Размер выборки / валидация:** N = 7,097 ncORF sequences (1,725 MS-detected, 5,372 undetected) - **Реализация в открытом доступе:** Да (верифицируемый репозиторий кода)