DIANA: An integrated pipeline for analysis of long-read whole-genome sequencing data for molecular neuropathology.

فيما يلي ملخص تقني مفصل للورقة البحثية التي تصف DIANA، وهو مسار تحليل متكامل لبيانات تسلسل الجينوم الكامل (WGS) بالتقنية طويلة القراءة في مجال الاعتلال العصبي الجزيئي.

1. بيان المشكلة

يتطلب التشخيص والتصنيف الدقيق لأورام الجهاز العصبي المركزي (CNS) ملفاً جينياً شاملاً يتضمن:

• أنماط مثيلة الحمض النووي (DNA methylation) (وهي ضرورية لتصنيف منظمة الصحة العالمية WHO 2021).
• تغيرات عدد النسخ (CNVs).
• المتغيرات الهيكلية (SVs) والاندماجات الجينية.
• المتغيرات الصغيرة (SNVs و indels).
• حالة مثيلة محفز MGMT (وهي حاسمة للتنبؤ بالاستجابة للعلاج).

القيود الحالية:

• سير عمل مجزأ: تعتمد سير العمل التشخيصية الحالية على منصات متعددة منفصلة (NGS، مصفوفات المثيلة، تقنية Pyro-sequencing، وتقنية FISH)، مما يخلق أعباءً لوجستية ومالية وزمنية كبيرة.
• تعقيد التكامل: بينما يمكن لتسلسل القراءة الطويلة (Oxford Nanopore و PacBio) التقاط جميع أنواع البيانات هذه في فحص واحد، فإن دمج الأدوات التحليلية المتنوعة في مسار موحد ومؤتمت وقابل للتكرار للاستخدام السريري ظل يمثل تحدياً.
• نقص الأتمتة: لم يكن هناك مسار مؤتمت متاح للجمهور من البداية إلى النهاية مصمم خصيصاً لتشخيص الأورام باستخدام بيانات تسلسل الجينوم الكامل ذات القراءة الطويلة.

2. المنهجية

DIANA (التحليلات المتكاملة التشخيصية للتغيرات الورمية) هو مسار مفتوح المصدر، يعمل بنظام الحاويات (containerized)، مبني على Nextflow (DSL 2). تم تصميمه لمعالجة ملفات BAM المحاذية الناتجة عن منصات ONT أو PacBio وتحويلها إلى تقرير تشخيصي موحد.

يتكون المسار من أربع مراحل نمطية:

أ. الوحدة 1: mergebam (المعالجة المسبقة للبيانات)

• الوظيفة: تتعامل مع ملفات BAM الخام الناتجة أثناء عمليات التسلسل (مثل الملفات المقسمة كل ساعة من MinKNOW).
• الآلية: دمج ملفات BAM المقسمة بناءً على معرفات العينة وخلية التدفق (flow cell) لمنع اختلاط العينات.
• المخرج: ملف BAM واحد مدمج ومفهرس، وملف BAM مستخرج لمنطقة الاهتمام (ROI) (مفلتر لاستدعاء الـ SNV).

ب. الوحدة 2: epi2me (التحليل الجيني والابتدئي للمثيلة)

تقوم هذه الوحدة بتشغيل تحليلات متوازية على البيانات المدمجة:

• تكميم المثيلة (Methylation Quantification): تستخدم Modkit لاستخراج علامات تعديل القواعد (5mC و 5hmC) على مستوى الجينوم، مما ينتج تكميماً لكل موقع CpG.
• استدعاء المتغيرات الهيكلية (SV Calling): تستخدم Sniffles2 للكشف عن عمليات الإدخال، الحذف، الانقلاب، والانتقال.
• توصيف عدد النسخ (Copy Number Profiling): تستخدم QDNAseq (مع تصحيح محتوى GC والقابلية للخريطة) لإنشاء قطاعات CNV على مستوى الجينوم وبيانات مستوى الوعاء (bin-level).
• استدعاء المتغيرات الصغيرة (Small Variant Calling): تستخدم Clair3 (للخلايا الجرثومية) و ClairS-TO (للخلايا الورمية فقط) على ملف الـ ROI BAM للكشف عن الـ SNVs والـ indels.
• ضبط الجودة (QC): تحسب إحصائيات القراءة (التغطية، توزيع الطول) باستخدام cramino.

ج. الوحدة 3: annotation (التفسير وتحديد الأولويات)

تقوم هذه الوحدة بتفسير المخرجات الخام من حيث الصلة السريرية:

• حالة MGMT: تقيس كمية المثيلة عند جزيرة CpG الخاصة بمحفز MGMT لتحديد ما إذا كانت الحالة ميثيلية أم لا.
• تصنيف الورم: تشغل مصنفين مستقلين للشبكات العصبية (CrossNN و Sturgeon) باستخدام مجموعات بيانات مرجعية (Capper et al., 2018) لتحديد فئات وعائلات أورام منظمة الصحة العالمية 2021 مع درجات الاحتمالية. يتضمن ذلك تصور UMAP لتحديد موقع العينة.
• توصيف المتغيرات الهيكلية (SV Annotation): تستخدم Svanna لمطابقة المتغيرات الهيكلية مع الـ Human Phenotype Ontology (HPO) واستخراج أحداث اندماج الجينات.
• تصور عدد النسخ (CNV Visualization): تولد رسوماً بيانية لـ CNV مشروحة (باستخدام R/ggplot2) تسلط الضرض على اكتساب/فقدان جينات محددة (مثل EGFR، CDKN2A/B).
• تقدير المحتوى الورمي: تستخدم ACE لتقدير محتوى الخلايا الورمية من بيانات CNV.
• تصفية المتغيرات: تدمج وتفلتر ملفات VCF مقابل قواعد بيانات ClinVar و COSMIC لإنتاج جدول متغيرات مرتب.

د. الوحدة 4: report generation (توليد التقرير)

• تدمج جميع النتائج في تقرير PDF شامل عبر R Markdown.
• الهيكل:
  • الملخص التنفيذي: نظرة عامة سريرية من صفحة واحدة (التغطية، المحتوى الورمي، فئة المثيلة، أهم الـ CNVs/SVs، وحالة MGMT).
  • التقرير الموسع: إحصائيات مفصلة، درجات التصنيف الكاملة، مخططات UMAP، ملفات CNV الخاصة بالكروموسومات، وجداول المتغيرات الكاملة.
• المخرجات التكميلية: ملفات HTML تفاعلية (Svanna، UMAP) وملفات BED منسقة للتوافق مع المنصات الأخرى.

أنماط التنفيذ:
يدعم المسار تنفيذاً مرناً، بما في ذلك "المراقبة الذكية للعينة" (التشغيل التلقائي عند اكتمال التسلسل)، والتشغيل الجزئي (مثل الدمج فقط، أو إعادة تشغيل التوصيف فقط)، والمعالجة الكاملة من البداية إلى النهاية.

3. المساهمات الرئيسية

1. أول مسار تشخيصي متكامل للقراءة الطويلة: يعد DIANA أول مسار متاح للجمعة لأتمتة سير العمل التشخيصي الكامل لأورام الجهاز العصسي المركزي باستخدام تسلسل القراءة الطويلة، من ملف BAM الخام إلى التقرير السريري.
2. نهج موحد متعدد الأوميكس (Multi-Omics): نجح في دمج تحليل مثيلة الحمض النووي، وCNV، وSV، وSNV في سير عمل واحد، مما يلغي الحاجة إلى فحوصات منفصلة.
3. القابلية للتكرار والنقل: مبني باستخدام Nextflow ويعمل بنظام الحاويات الكامل (Docker/Apptainer)، مما يضمن إمكانية تكرار النتائج عبر محطات العمل المحلية وعناقيد الحوسبة عالية الأداء (HPC).
4. المنفعة السريرية: يولد تقريراً مقروءاً للبشر ومنظماً مصمماً خصيصاً لأطباء المسالك العصبية، مع تسليط الضوء على تصنيفات منظمة الصحة العالمية 2021 والمؤشرات الحيوية القابلة للتطبيق (مثل MGMT، IDH، TERT).
5. مفتوح المصدر: متاح مجاناً بموجب رخصة MIT مع توثيق شامل على GitHub.

4. النتائج والأداء

• الاختبار المعياري (Benchmarking): تم اختباره على عينة من الورم الأرومي الدبقي (glioblastoma) بتغطية بلغت 28.78×.
• وقت التشغيل: أكمل المسار الكامل عملية المعالجة في حوالي 82 دقيقة على محطة عمل واحدة (190 جيجابايت من ذاكرة الوصول العشوائي، 48 نواة CPU) باستخدام المعالجة المتوازية.
  • الاختناقات: استغرق استدعاء الـ SNV الجسدي (ClairS-TO) حوالي 59 دقيقة؛ واستغرق دمج ملفات BAM حوالي 19 دقيقة.
  • التوصيف (Annotation): كان وحدة التفسير خفيفة الوزن (أقل من 4 دقائق).
• متطلبات الموارد: الحد الأدنى الموصى به هو 32 جيجابايت من ذاكرة الوصول العشوائي، 8 نوى CPU، و500 جيجابايت من مساحة القرص.
• الدقة: نجح المسار في تحديد:
  • فئة المثيلة: Glioblastoma, IDH wildtype, subclass RTK II (الدرجة: 0.571).
  • الـ CNVs: تضخيم EGFR (عدد النسخ 32)، حذف متماثل الزيجوت لـ CDKN2A/B، واكتساب كروموسوم 7 وفقدان كروموسوم 10.
  • الـ SNVs: طفرات PIK3CA و TERT المسببة للأمراض.
  • حالة MGMT: غير ميثيلية (متوسط مثيلة 16.11%).
• المتانة: اكتملت جميع العمليات دون حدوث أخطاء في تجاوز سعة الذاكرة (out-of-memory).

5. الأهمية

• التحول السريري: يعالج DIANA العوائق اللوجستية والمالية لتشخيص أورام الجهاز العصبي المركزي من خلال استبدال الاختبارات المجزأة المتعددة بسير عمل واحد مؤتمت لتسلسل القراءة الطويلة.
• التقنين (Standardization): يوفر إطاراً معيارياً لالتقاط جميع الأبعاد الجينومية ذات الصلة تشخيصياً، مما يقلل التباين بين المختبرات.
• سهولة الوصول: من خلال العمل على محطات عمل قياسية وعدم اشتراط خبرة سابقة في المعلوماتية الحيوية (بسبب الأتمتة)، فإنه يساهم في دمقرطة الوصول إلى التشخيصات الجينومية المتقدمة ذات القراءة الطويلة.
• جاهزية المستقبل: يسمح التصميم النمطي (Modular) بدمج الأدوات أو مجموعات البيانات المرجعية الجديدة بسهولة (مثل تصنيفات منظمة الصحة العالمية المحدثة) دون الحاجة لإعادة بناء المسار بالكامل.

في الختام، يمثل DIANA خطوة هامة للأمام في علم الأمراض العصبية الجزيئية، حيث يثبت أن تسلسل القراءة الطويلة يمكن ترجمته بفعالية إلى أداة تشخيصية سريرية عملية، مؤتمتة وشاملة لأورام الجهاز العصبي المركزي.