Un estudio presenta RiboTIE, una herramienta basada en IA que mejora el análisis de datos de ribosoma para identificar regiones de ARN que se traducen en proteínas, tanto en tejidos sanos como en cáncer.
La traducción de ARN es un proceso biológico fundamental para la vida celular, ya que convierte la información genética en proteínas funcionales. Este proceso es crucial en la regulación de enfermedades, especialmente en el cáncer, donde alteraciones en la traducción pueden afectar el crecimiento y la supervivencia de las células tumorales. Sin embargo, identificar con precisión las regiones del ARN que se traducen en proteínas, conocidas como open reading frames (ORFs) es un desafío debido a la complejidad del proceso y a las limitaciones técnicas.
En este estudio publicado en Nature Communications, los investigadores presentan RiboTIE un modelo basado en una tecnología de inteligencia artificial (IA) que mejora el análisis de datos de ribosoma profiling o Ribo-Seq, una técnica que permite estudiar la actividad de los ribosomas en la traducción de ARN. RiboTIE es capaz de identificar con alta precisión y sensibilidad las regiones de ARN que se traducen en proteínas, incluso en muestras de tejido canceroso, como el meduloblastoma, un tipo de tumor cerebral.
En este sentido, RiboTIE es una herramienta computacional que utiliza técnicas avanzadas de deep learning para analizar datos de Ribo-Seq. A diferencia de otros métodos, RiboTIE no requiere pasos de preprocesamiento complejos, como la corrección de la posición de los ribosomas en el ARN, lo que permite un análisis más rápido y preciso. En lugar de eso, RiboTIE procesa directamente los datos crudos de Ribo-Seq y predice los sitios de inicio de la traducción (TIS, en inglés) en el ARN, lo que permite identificar tanto ORFs conocidos como nuevos.
El estudio detalla que, RiboTIE supera a otras herramientas existentes en la identificación de ORFs, especialmente en la detección de ORFs pequeños, que suelen ser difíciles de detectar. Asimismo, resultó ser una herramienta flexible pues puede aplicarse a una amplia variedad de tejidos y condiciones experimentales, incluyendo muestras de cáncer. Además, esta herramienta es capaz de identificar ORFs que no siguen las reglas tradicionales de traducción, lo que puede ser crucial para entender mejor la biología del cáncer.
Los investigadores aplicaron RiboTIE a muestras de meduloblastoma, un tipo de tumor cerebral agresivo que afecta principalmente a niños. Utilizando datos de Ribo-Seq, RiboTIE identificó ORFs no canónicos (ncORFs) que están asociados con la progresión del cáncer. Estos ncORFs podrían estar relacionados con la regulación de genes importantes en el desarrollo del tumor, lo que sugiere que RiboTIE no solo es útil para identificar regiones traducidas, sino también para descubrir nuevos mecanismos biológicos en el cáncer.
RiboTIE identificó más de 63 mil ORFs únicos en muestras de tejido cerebral, tanto fetal como adulto, superando a otras herramientas en la detección de ORFs conocidos y nuevos. Además, en muestras de meduloblastoma, RiboTIE identificó ncORFs que están diferencialmente expresados en subtipos de cáncer con alta y baja expresión del gen MYC, un factor clave en la progresión del tumor.
Aunque se trata de una herramienta poderosa, los investigadores reconocen que su dependencia de hardware especializado, como los GPUs, puede limitar su accesibilidad. Además, se necesitan más estudios para validar los resultados en otras enfermedades y tipos de cáncer. Los investigadores planean mejorar la capacidad de RiboTIE para identificar ORFs en ARNs con múltiples isoformas, lo que podría aumentar aún más su precisión.
