Functionele annotatie: het genoom van een label voorzien
Stel je hebt een dik boek in een taal die je net hebt leren lezen. Je kunt elke letter en elk woord ontcijferen, maar je hebt geen idee wat de hoofdstukken betekenen, welke passages instructies zijn en welke bijzaak. Zoiets gebeurde er nadat wetenschappers het menselijk genoom in 2003 volledig hadden ontcijferd ("gesequenced"). We kenden de volgorde van de drie miljard letters DNA, maar wisten van het overgrote deel niet wat het eigenlijk dééd. Functionele annotatie is het proces waarmee onderzoekers die betekenis alsnog toekennen: welk stukje DNA is een gen, waarvoor codeert dat gen, in welk weefsel is het actief, en met welke ziekte hangt het samen.
Het woord "annotatie" komt letterlijk uit de boekenwereld: een aantekening in de kantlijn die uitlegt wat een tekst betekent. Bij DNA werkt het net zo, maar dan geautomatiseerd en op enorme schaal. Een computer vergelijkt een onbekend stuk DNA of een onbekend eiwit met alles wat al bekend is, en plakt er een label op zoals "dit gen maakt waarschijnlijk een enzym dat suikers afbreekt" of "dit stukje DNA is een schakelaar die een naburig gen aan- of uitzet". Zonder functionele annotatie is een genoom niets meer dan een lange, betekenisloze lettersoep.
Wat is het precies?
Functionele annotatie begint meestal ná het sequencen: de ruwe DNA-volgorde ligt er al, als een bestand vol letters A, C, G en T. De eerste stap is het opsporen van genen zelf: stukken DNA die de bouwtekening voor een eiwit of een functioneel RNA-molecuul bevatten. Dat heet gen-predictie en gebeurt met software die patronen herkent, zoals start- en stopsignalen in de code.
Daarna komt de eigenlijke functie-toekenning. De meest gebruikte methode is vergelijking: een nieuw gevonden gen wordt met algoritmen zoals BLAST vergeleken met miljoenen al bekende genen in databanken. Lijkt het genoeg op een gen waarvan de functie al is vastgesteld in bijvoorbeeld een bacterie of een muis, dan neemt men aan dat het waarschijnlijk iets vergelijkbaars doet. Dit heet annotatie "op basis van homologie" (gelijkenis).
Een tweede laag is het koppelen van genen aan gestandaardiseerde functiebeschrijvingen, zoals de zogeheten Gene Ontology (GO): een gecontroleerd vocabulaire met termen als "celdeling", "immuunrespons" of "membraantransport", zodat onderzoekers wereldwijd dezelfde taal spreken. Ook wordt gekeken naar de driedimensionale vouwing van het eiwit dat een gen produceert, want vorm hangt sterk samen met functie. Sinds de doorbraak van AlphaFold, het door DeepMind ontwikkelde AI-systeem dat in 2020 en 2021 liet zien eiwitstructuren met hoge nauwkeurigheid te kunnen voorspellen, is deze structuurvoorspelling een krachtig extra hulpmiddel geworden bij het gokken naar functie.
Tot slot is er experimentele annotatie: in het laboratorium een gen uitschakelen of juist extra tot expressie brengen en kijken wat er verandert in een cel of organisme. Dit is het meest betrouwbare bewijs, maar ook het traagste en duurste, en daarom onmogelijk voor de miljoenen genen die er in de natuur bestaan.
Wat wil men ermee bereiken?
Het uiteindelijke doel is simpel te formuleren, ook al is het bereiken ervan alles behalve simpel: begrijpen hoe leven op moleculair niveau werkt. Functionele annotatie is de brug tussen "we hebben de code" en "we snappen wat de code doet".
In de geneeskunde is dit direct praktisch relevant. Als een patiënt een zeldzame genetische afwijking heeft, moeten artsen weten welk gen verantwoordelijk is en wat dat gen normaal doet, voordat er ook maar aan een behandeling gedacht kan worden. In de landbouw helpt functionele annotatie bij het opsporen van genen die planten resistent maken tegen droogte of ziektes. In de microbiologie maakt het mogelijk om te voorspellen welke stofwisselingsroutes een bacterie heeft, bijvoorbeeld om te bepalen of een micro-organisme gevaarlijk is of juist nuttig, zoals voor het afbreken van plastic of het produceren van biobrandstof.
Een minder voor de hand liggend maar belangrijk doel is het in kaart brengen van wat onderzoekers wel eens het "donkere genoom" noemen: de grote delen van ons DNA die geen genen zijn in de klassieke zin, maar wel degelijk functie kunnen hebben, zoals regelsequenties die bepalen wanneer en waar een gen actief is. Projecten als ENCODE (Encyclopedia of DNA Elements), gestart in 2003 door het Amerikaanse National Human Genome Research Institute, probeerden juist dit soort niet-coderend DNA te annoteren, en concludeerden dat een aanzienlijk deel van het genoom biochemisch actief is, ook al blijft het precieze belang van veel van die activiteit onderwerp van wetenschappelijk debat.
Voorbeelden uit de praktijk
Het FANTOM-project (Functional Annotation of the Mammalian Genome) van het Japanse onderzoeksinstituut RIKEN, gestart in 2000, was een van de eerste grootschalige pogingen om systematisch te bepalen welke genen in zoogdieren actief zijn en waar. Latere edities van FANTOM brachten in kaart in welke weefsels en celtypen specifieke genen aan- of uitstaan.
Het al genoemde ENCODE-project van het Amerikaanse National Institutes of Health onderzocht vanaf 2003 systematisch alle functionele elementen in het menselijk genoom, niet alleen genen maar ook regelsequenties, en publiceerde in 2012 een omvangrijke reeks artikelen met de eerste brede kaart daarvan.
AlphaFold DB, een publieke databank gelanceerd in 2021 door DeepMind samen met het European Bioinformatics Institute (EMBL-EBI), bevat inmiddels voorspelde structuren voor vrijwel alle bekende eiwitten uit de UniProt-databank, meer dan tweehonderd miljoen stuks. Die structuren worden wereldwijd gebruikt als extra aanwijzing bij het gokken naar de functie van eiwitten waarvan verder weinig bekend is.
Meta AI presenteerde in 2022 de ESM Metagenomic Atlas, waarbij een taalmodel getraind op eiwitsequenties werd gebruikt om op grote schaal structuren en mogelijke functies te voorspellen voor honderden miljoenen eiwitten uit metagenomische data, dus DNA rechtstreeks uit bodem- en watermonsters, zonder dat de organismen ooit gekweekt zijn.
Op landbouwgebied heeft het International Wheat Genome Sequencing Consortium, met bijdragen uit onder meer Europa, de VS en Australië, de afgelopen jaren functionele annotaties van het complexe tarwegenoom gepubliceerd, wat kwekers helpt bij het opsporen van genen voor ziekteresistentie en opbrengst.
Hoe ver is de techniek?
Functionele annotatie is geen technologie die op een dag "af" zal zijn; het is een doorlopend proces dat meebeweegt met nieuwe ontdekkingen. Voor veelbestudeerde organismen zoals de mens, de muis, gist en de bacterie E. coli is de annotatie relatief volwassen: de meeste genen hebben minstens een voorlopig functielabel. Toch heeft naar schatting nog altijd een aanzienlijk deel van de menselijke genen geen goed onderbouwde functie, en voor veel micro-organismen en planten ligt dat percentage nog veel hoger.
De grootste versnelling van de laatste jaren komt uit kunstmatige intelligentie. Grote taalmodellen die getraind zijn op eiwitsequenties in plaats van tekst, zoals de ESM-familie van Meta AI en vergelijkbare modellen van andere groepen, kunnen functie en structuur voorspellen zonder dat er een gelijkend, al bekend eiwit hoeft te bestaan. Dat is een belangrijke doorbraak, omdat klassieke homologie-gebaseerde annotatie vastloopt zodra een gen geen bekende "neef" heeft, wat bij microben uit extreme omgevingen of bij nieuw ontdekte soorten vaak het geval is.
Toch blijft er een fundamentele beperking: een computer die voorspelt dat een eiwit een bepaalde vorm of gelijkenis heeft, bewijst nog niet wat het eiwit in een levende cel daadwerkelijk doet. Veel AI-voorspellingen zijn hypotheses die om experimentele bevestiging vragen, en die laboratoriumstap is en blijft traag en arbeidsintensief. Onderzoekers waarschuwen ook voor foutenopstapeling: als een verkeerde annotatie eenmaal in een databank staat, wordt die soms klakkeloos overgenomen bij het annoteren van weer nieuwe genomen.
Wie werken eraan?
Grote publieke databanken en consortia vormen de ruggengraat van het veld. UniProt wordt onderhouden door een samenwerking tussen het European Bioinformatics Institute (EMBL-EBI) in het Verenigd Koninkrijk, het Swiss Institute of Bioinformatics en het Amerikaanse Protein Information Resource. Het Gene Ontology Consortium, met deelnemers uit tientallen instituten wereldwijd, beheert het gestandaardiseerde vocabulaire voor functiebeschrijvingen. Het Amerikaanse National Center for Biotechnology Information (NCBI) beheert databanken als RefSeq en GenBank, waarin geannoteerde genomen van duizenden soorten samenkomen.
Op het gebied van AI-gedreven annotatie lopen DeepMind (onderdeel van Google) met AlphaFold en Meta AI met de ESM-modellen momenteel voorop, in nauwe samenwerking met academische partners zoals EMBL-EBI. Onderzoeksinstituten als het Wellcome Sanger Institute in het VK, het Broad Institute in de VS en RIKEN in Japan spelen al decennia een centrale rol in grootschalige genoomannotatieprojecten. Ook nationale en internationale consortia rond specifieke gewassen of ziekteverwekkers, zoals het genoemde tarweconsortium, dragen bij aan gespecialiseerde annotatie-inspanningen.