Size dependent loss of structural variant allele counts in pangenome derived VCFs

يحمل كل إنسان مجموعة فريدة من التعليمات المكتوبة بلغة الحمض النووي (DNA). وبينما يتطابق جزء كبير من هذا الرمز من شخص لآخر، فإن الاختلافات هي ما تجعلنا أفراداً متميزين وتقود حالتنا الصحية. لطالما ركز العلماء على التغييرات الصغيرة التي تبلغ في حجمها حرفاً واحداً في الرمز، وهي تغييرات يسهل رصدها وتسجيلها. ومع ذلك، فإن الاختلافات الأكثر دراماتيكية غالباً ما تتضمن قطعاً كبيرة من الحمض النووي — قد يصل طولها أحياناً إلى آلاف الحروف — حيث تُحذف أو تُكرر أو تُقلب. تُسمى هذه التغييرات "المتغيرات الهيكلية". ولأنها كبيرة ومعقدة للغاية، فإن رسم خرائطها أصعب بكثير من رسم خرائط التغييرات ذات الحرف الواحد. في الماضي، حاول العلماء فرض هذه الاختلافات الكبيرة والفوضوية في قائمة خطية بسيطة، تماماً مثل محاولة وصف طريق جبلي متعرج عبر سرد فقط مقاطع الطريق السريع المستقيم التي يقطعها. هذا النهج غالباً ما أدى إلى فقدان تفاصيل حاسمة حول عدد الأشخاص الذين يحملون بالفعل تغييراً معيناً.

ولحل هذه المشكلة، طور الباحثون مؤخراً طريقة جديدة لتخزين البيانات الجينية تسمى "مخطط البانجينوم" (pangenome graph). فبدلاً من الخط المستقيم الواحد، يقوم هذا المخطط بنسج تسلسلات الحمض النووي للعديد من الأشخاص في هيكل واحد متفرع. في هذه الخريطة، يمثل حمض كل شخص مساراً يلتف عبر نفس التضاريس، حيث يتفرع ويعود ليلتقي في نقاط مختلفة. وهذا يسمح للعلماء برؤية المتغيرات الهيكلية الكبيرة كمعالم طبيعية للتضاريس بدلاً من كونها مجرد ملاحظات مفروضة. ومع ذلك، فإن جميع البرامج المستخدمة تقريباً لدراسة الأمراض والتطور لا تزال تتوقع البيانات في التنسيق القائم على القائمة البسيطة القديمة. لاستخدام المخطط الجديد، يجب على العلماء تحويله مرة أخرى إلى قائمة، وهي عملية تعمل كمترجم بين لغتين مختلفتين تماماً. والسؤال الحاسم هو ما إذا كانت عملية الترجمة هذه تحافظ على العدد الحقيقي للأشخاص الذين يحملون متغيراً هيكلياً معيناً، أم أن عملية تحويل البيانات تؤدي إلى تفتيت المعلومات.

لقد وضع فريق من الباحثين حداً لاختبار هذا الأمر بالضبط. حيث صمموا تجربة منضبطة كانوا يعرفون إجابتها قبل البدء. وباستخدام تسلسلات حمض نووي بشري حقيقي كأساس، قاموا بمحاكاة مجموعات مكونة من عشرين فرداً، ووضعوا بعناية متغيرات هيكلية كبيرة في مواقع محددة وحددوا حامليها بدقة. ولأنهم صمموا التجربة بأنفسهم، فقد عرفوا العدد الدقيق للأشخاص الذين يحملون كل متغير. ثم بنوا مخطط بانجينوم من هذه البيانات المحاكاتية، وأجروا عبر مسار التحويل القياسي المستخدم في الاتحادات البحثية الكبرى لتحويل المخطط مرة أخرى إلى قائمة. ومن خلال مقارنة القائمة النهائية مقابل "الحقيقة" الأصلية لديهم، استطاعوا رؤية ما من المعلومات التي نجت في هذه الرحلة وما الذي فُقد.

كشفت النتياج عن مشكلة واضية ومنظمة. فبالنسبة للمتغيرات الصغيرة، عملت عملية التحويل بشكل مثالي تقريباً، حيث حافظت على عدد الحاملين. ولكن مع زيادة حجم المتغير، انخفضت دقة العد بشكل حاد. فبالنسبة للمتغيرات التي بلغ طولها 100 حرف، حددت عملية التحويل عدد الحاملين بشكل صحيح في كل حالة تقريباً. ومع ذلك، بالنسبة للمتغيرات التي بلغ طولها 30,000 حرف، تم استعادة العدد الصحيح في حوالي نصف الحالات فقط. وكلما زاد حجم المتغير، زاد احتمال أن تؤدي عملية التحويل إلى تفتيت البيانات، مما يقسم مجموعة واحدة من الحاملين إلى مجموعات أصغر عديدة وغير مرتبطة في القائمة النهائية. وكان هذا التفتيت أسوأ في مناطق الجينوم التي يصعب قراءتها بالفعل، والمعروفة باسم "التكرارات القطعية" (segmental duplications)، حيث تم استعادة العدد الصحيح في أقل من 40 بالمئة من أكبر المتغيرات.

تتبع الباحثون مصدر هذا الخطأ وصولاً إلى الخطوة الأولى من عملية التحويل. فعندما يتم تفكيك المخطط إلى قائمة، يبحث البرنامج عن "الفقاعات" — وهي الأجزاء التي تتفرع فيها المسارات ثم تلتقي مجدداً. وهو يعامل كل مسار فريد عبر الفقاعة كمتغير متميز. ولأن الفقاعات الكبيرة غالباً ما تحتوي على العديد من الاختلافات الصغيرة غير المرتبطة بين الحاملين، فإن البرنامج يخطئ في رؤية حذف واحد كبير على أنه عشرات الأحداث المختلفة قليلاً. ولم تستطع الخطوات اللاحقة في مسار المعالجة، والمصممة لتنقية وتبسيط القائمة، إصلاح هذا الفهم الخاطئ الأساسي. استطاعت تلك الخطوات دمج بعض الشظايا، لكنها لم تستطع إعادة بناء المجموعة الموحدة الأصلية من الحاملين لأن عملية التفكيك الأولية قد فقدت الرابط بالفعل.

ولإثبات أن هذا كان خللاً في طريقة الترجمة وليس خللاً في المخطط نفسه، جرب الفريق نهجاً مختلفاً. فبدلاً من تحويل المخطط إلى قائمة أولاً، كتبوا أداة تقوم بعدّ الحاملين مباشرة عبر السير في مسارات المخطط. تجاوزت هذه الطة عملية الترجمة بالكامل. وعندما استخدموا طريقة العد المباشر هذه، استعادوا عدد الحاملين الصحيح لـ 99 بالمئة من المتغيرات، بغض النظر عن حجمها. وقد أثبت هذا أن المعلومات لا تزال موجودة في المخطط، ولكن الطريقة القياسية لتحويله إلى قائمة كانت تفشل في قراءتها بشكل صحيح. لم تكن المشكلة في الخريطة، بل في الطريقة التي تُقرأ بها الخريطة.

ثم نظر الفريق في بيانات العالم الحقيقي من "اتحاد مرجع البانجينوم البشري" لمعرفة ما إذا كانت هذه المشكلة موجودة خارج عمليات المحاكاة الخاصة بهم. فقاموا بفحص حذف كبير محدد في الجمهرة البشرية، يحمله 216 شخصاً من أصل 461 فرداً. في بيانات المخطط الخام، ظهر هذا الحدث الواحد كـ 84 أليلاً مختلفاً، حيث كانت أكبر مجموعة تضم 25 حاملاً فقط. وعندما نظروا إلى القائمة المنشورة النهائية، وجدوا أن الحدث قد انقسم إلى أربعة سجلات منفصلة. وبينما كان إجمالي عدد الحاملين صحيحاً تقريباً عند جمعهم جميعاً، إلا أن الحدث لم يعد يُعترف به كوحدة واحدة. وأي تحليل يعتمد على عد المتغيرات الهيكلية المتميزة في الجينوم سيعد هذا الحدث الواحد خطأً على أنه أربعة أحداث، مما يؤدي إلى تضخيم التنوع وتشويه الفهم لمدى شيوع هذا المتغير حقاً.

تخلص الدراسة إلى أنه بينما توفر مخططات البانجينوم صورة أكثر اكتمالاً للتباين الجيني البشري، فإن الأدوات القياسية المستخدمة لمشاركة وتحليل هذه البيانات تكسر حالياً المعلومات الأكثر أهمية للمتغيرات الكبيرة. إن فقدان العد الدقيق ليس مجرد خلل نادر، بل هو نتيجة متوقعة لكيفية ترجمة البيانات. ويقترح الباحثون أنه بالنسبة للدراسات التي تعتمد على تكرار المتغيرات الهيكلية الكبيرة، يجب على العلماء عدّ الحاملين مباشرة من مسارات المخطط بدلاً من الاعتماد على القوائم المحولة. هذا النهج أسرع وأكثر دقة بكثير، مما يضمن عدم ضياع النطاق الحقيقي للتنوع الجيني أثناء عملية الترجمة من خريطة معقدة إلى قائمة بسيطة.