AirLift: A Fast and Comprehensive Technique for Remapping Alignments between Reference Genomes

ملخص تقني: AirLift

بيان المشكلة

تُعد الجينومات المرجعية تمثيلات غير مكتملة بطبيعتها للفرد السليم المتوسط للنوع، وذلك بسبب الأخطاء في تقنيات التسلسل وخوارزميات التجميع. ومع تحسن تقنيات التسلسل وأدوات التجميع، يتم تحديث الجينومات المرجعية بشكل تدريجي (على سبيل المثال، تحديث الجينوم المرجعي البشري من GRCh37 إلى GRCh38، بالإضافة إلى تجميعات "من التيلومير إلى التيلومير" الحديثة). ولضمان دقة التحليلات الجينومية اللاحقة، مثل اكتشاف المتغيرات، يجب رسم خرائط لمجموعات القراءات (read sets) على أحدث جينوم مرجعي.

في الوقت الحالي، يتمثل النهج القياسي في إعادة تشغيل خط تحليل العمليات بالكامل ورسم خرائط لجميع القراءات بالكامل من البداية إلى الجينوم المرجعي الجديد. هذه العملية مكثفة حوسبياً؛ فعلى سبيل المثال، يمكن أن يستغف عملية محاذاة 300 مليون قراءة قصيرة للجينوم البشري حوالي 75 ساعة. ونظرًا لأن حجم البيانات الجينومية يتضاعف كل ثمانية أشهر، مع ظهور جينومات مرجعية عالية التخصص لمجموعات سكانية متنوعة، فإن الحاجة إلى رسم خرائط لمجموعات القراءات لمرجعيات متعددة تزيد من هذا العبء الحوسبي.

تحاول أدوات "إعادة رسم الخرائط" (remapping) الموجودة (مثل UCSC LiftOver و CrossMap) تسريع هذه العملية باستخدام ملفات السلسلة (chain files) لترجمة الإحداثيات من مرجع قديم إلى مرجع جديد بناءً على المناطق المحفوظة. ومع ذلك، تعاني هذه الأدوات من ثلاثة قيود حرجة:

1. الافتقار إلى الاكتمال: لا تستطيع إعادة رسم خرائط القراءات الموجودة في المناطق "المستبعدة" (التي حُذفت في المرجع الجديد) أو المناطق "الجديدة" (التي أُدرجت في المرجع الجديد)، مما يؤدي إلى فقدان كبير في التغطية الجينومية (على سبيل المثال، غياب أكثر من 7% من التعليقات التوضيحية للجينات عند الانتقال من hg16 إلى hg38).
2. عدم الدقة: غالبًا ما ترسم خرائط القراءات إلى مواقع في المرجع الجديد لا تتوافق جيدًا مع تسلسل القراءة، خاصة عندما توجد عمليات إدراج كبيرة في المرجع الجديد، مما يؤدي إلى معدلات خطأ تتجاوز الحدود المقبولة.
3. عدم التوافق مع التحليلات اللاحقة: تنتج العديد من الأدوات مخرجات (مثل ملفات BED أو BAM ذات سلاسل CIGAR خاطئة) غير متوافقة مع خطوط تحليل اكتشاف المتغيرات القياسية مثل GATK.

المنهجية: AirLift

AirLift هي منهجية وأداة توفر حلاً سريعاً وشاملاً ودقيقاً من البداية إلى النهاية لإعادة رسم خرائط BAM-to-BAM. وهي تستفيد من التشابه بين جينومين مرجعيين لتقليل الحاجة إلى المحاذاة الكاملة مع ضمان معالجة جميع القراءات.

المفاهيم الأساسية: مناطق الجينوم المرجعي

يقسم AirLift المناطق بين مرجع قديم ومرجع جديد إلى أربعة أنواع:

1. المناطق المحفوظة (Conserved Regions): تسلسلات متطابقة تماماً في كلا المرجعين.
2. المناطق المُحدَّثة (Updated Regions): تسلسلات في المرجع القديم ترتبط بتسلسلات مشابهة (ولكن ليست متطابقة) في المرجع الجديد.
3. المناطق المستبعدة (Deprecated Regions): تسلسلات في المرجع القديم ليس لها منطقة مقابلة في المرجع الجديد (حذف).
4. المناطق الجديدة (New Regions): تسلسلات في المرجع الجديد ليس لها منطقة مقابلة في المرجع القديم (إدراج).

فهرس AirLift

جوهر AirLift هو فهرس AirLift الذي تمت معالجته مسبقاً، والذي تم إنشاؤه عبر عملية من ثماني خطوات تتضمن المحاذاة العالمية واستخراج البذور (seed extraction). يتكون هذا الفهرس من جدولين للبحث (LUTs):

• جدول البحث للمناطق المحفوظة: يربط بين التطابقات الدقيقة بين المرجعين القديم والجديد.
  يدعى LUT للمناطق المُحدَّثة: يربط بين التطابقات التقريبية (ضمن معدل خطأ محدد) بين المرجعين القديم والجديد.

من الأهمية بمكان أن إنشاء LUT للمناطق المُحدَّثة يستخدم معدل خطأ متحفظ قدره 2e (حيث e هو معدل خطأ المحاذاة المقبول، وعادة ما يكون 5%). يضمن هذا أن أي قراءة مرسومة في منطقة مُحدَّثة في المرجع القديم بمعدل خطأ e ستجد موقعاً محتملاً مقابلاً في المرجع الجديد، حتى لو كان الفرق في التسلسل بين المرجعين يصل إلى 2e.

إجراء إعادة رسم الخرائط

يعالج AirLift كل قراءة في ملف BAM بناءً على موقع رسم الخرائط الأصلي لها في المرجع القديم:

1. القراءات من المناطق المحفوظة: إذا كانت القراءة مرسومة في منطقة محفوظة، يستخدم AirLift جدول البحث للمناطق المحفوظة (عبر أداة تسمى FastRemap) لنقل الإحداثيات فوراً إلى المرجع الجديد. لا يتم إجراء أي إعادة محاذاة.
2. القراءات من المناطق المُحدَّثة: إذا كانت القراءة مرسومة في منطقة مُحدَّثة، يقوم AirLift بالاستعلام في جدول البحث للمناطق المُحدَّثة لتحديد المواقع المرشحة في المرجع الجديد. بعد ذلك، يقوم بإجراء محاذاة كاملة (باستخدام BWA-MEM) فقط ضد هذه المواقع المرشحة المحددة للعثور على أفضل تطابق ضمن عتبة الخطأ e.
3. القراءات من المناطق المستبعدة: إذا كانت القراءة مرسومة في منطقة مستبعدة، يتم تعليمها كغير مرسومة في المرجع الجديد، حيث لا يوجد تسلسل مقابل لها.
4. القراءات التي لم تكن مرسومة سابقاً: يتم محاذاة القراءات التي لم تكن مرسومة في المرجع القديم بالكامل إلى المناطق الجديدة والمُحدَّثة للمرجع الجديد باستخدام محاذٍ كامل (BWA-MEM).

يضمن هذا النهج الهجين معالجة غالبية القراءات (تلك الموجودة في المناطق المحفوظة) فوراً، بينما تخضع فقط فئة صغيرة تتطلب معالجة معقدة للمحاذاة الكاملة.

المساهمات الرئيسية

• أول أداة شاملة لإعادة رسم خرائط BAM-to-BAM: يعد AirLift أول أداة تقدم حلاً شاملاً من البداية إلى النهاية يوفر ملفات BAM متوافقة مع أدوات التحليل اللاحقة (مثل GATK) لجميع القراءات، بما في ذلك تلك الموجودة في المناطق المستبعدة والجديدة.
• دقة عالية: باستخدام معدل خطأ متحفظ قدره 2e أثناء إنشاء الفهرس وإعادة محاذاة القراءات في المناطق المُحدَّثة، يتجنب AirLift معدلات الخطأ العالية المرتبطة بنقل الإحداثيات البسيط.
• السرعة: يقلل بشكل كبير من وقت التنفيذ عن طريق تجنب إعادة رسم الخرائط الكاملة للقراءات في المناطق المحفوظة، والتي تشكل معظم الجينوم.

النتائج

قام المؤلفون بتقييم AirLift مقابل أدوات إعادة رسم الخرائط الحديثة (CrossMap, LiftOver) والأساس المتمثل في إعادة رسم الخرائط الكاملة باستخدام BWA-MEM عبر الجينومات المرجعية للبشر، و C. elegans، والخميرة.

• وقت التنفيذ: يحقق AirLift تسريعاً يتراوح بين 2.76× إلى 27.4× مقارنة بإعادة رسم الخرائط الكاملة. يكون التسريع في أعلى مستوياته للجينومات البشرية (حتى 27.4× لـ hg17→hg38)، حيث تكون المناطق المحفوظة كبيرة، وأقل بالنسبة للخميرة، حيث تكون المناطق المحفوظة أصغر بالنسبة لإجمالي الجينوم.
• الدقة (اكتشاف المتغيرات): باستخدام GATK HaplotypeCaller، يُظهر AirLift دقة واستدعاءً (precision and recall) في اكتشاف الـ SNP والـ indel مقارنة بإعادة رسم الخرائط الكاملة. على سبيل المثال، عند إعادة رسم خرائط القراءات البشرية من hg19 إلى hg38، حقق AirLift دقة بنسبة 97.05% واستدعاء بنسبة 96.39% للـ SNPs مقابل الحقيقة الأرضية (ground truth)، مقارنة بـ 97.73%/99.25% للمحاذاة الكاملة.
• الاكتمال: على عكس CrossMap و LiftOver، اللذين يفتقدان نسباً كبيرة من التعليقات التوضيحية (على سبيل المثال، 4.47% من الجينات عند رفع hg19 إلى hg38)، يعالج AirLift مجموعة القراءات بأكملها ويضمن عدم تجاهل أي مناطق جينومية.
• استخدام الذاكرة: يتشابه متطلب ذروة الذاكرة لـ AirLift مع إعادة رسم الخرائط الكاملة (BWA-MEM)، حيث يستخدم BWA-MEM للجزء الخاص بالقراءات في المناطق المُحدَّثة، مما يتطلب ذاكرة كبيرة أيضاً.

الأهمية

يزعم العمل أن AirLift هو بديل قابل للتطبيق وقوي لإعادة رسم الخرائط الكاملة للباحثين الذين يقومون بتحديث الدراسات الجينومية إلى إصدارات المراجع الجديدة. ومن خلال القضاء على الحاجة إلى إعادة تشغيل خطوط التحليل المكثفة حوسبياً من البداية مع الحفاظ على دقة واكتمال عاليين، يتيح AirLift التكيف السريع لمجموعات البيانات الجينومية واسعة النطاق مع أحدث المراجع. وهذا مهم بشكل خاص نظراً للتكرار المتزايد لتحديثات الجينوم المرجعي والحجم المتنامي للبيانات الجينومية، حيث يسمح للباحثين بالحفاظ على تحليلاتهم الحالية دون تكاليف حوسبية باهظة. الأداة مفتوحة المصدر وتوفر سير عمل كامل BAM-to-BAM يتيح التحليل اللاحق الفوري.