Technische Zusammenfassung: AirLift

Problemstellung

Referenzgenome sind aufgrund von Fehlern in Sequenzierungstechnologien und Assemblierungsalgorithmen inhärent unvollkommene Repräsentationen des durchschnittlichen gesunden Individuums einer Spezies. Mit der Verbesserung von Sequenzierungstechnologien und Assemblierungswerkzeugen werden Referenzgenome schrittweise aktualisiert (z. B. die Aktualisierung des menschlichen Referenzgenoms von GRCh37 auf GRCh38 sowie die jüngsten Telomere-zu-Telomere-Assemblierungen). Um die Genauigkeit nachgelagerter genomischer Analysen, wie der Variantenentdeckung, sicherzustellen, müssen Read-Sets auf das neueste Referenzgenom abgebildet werden.

Derzeit besteht der Standardansatz darin, die gesamte Analyse-Pipeline erneut auszuführen und alle Reads vollständig von Grund auf auf das neue Referenzgenom abzubilden. Dieser Prozess ist rechenintensiv; beispielsweise kann das Ausrichten von 300 Millionen kurzen Reads auf das menschliche Genom etwa 75 Stunden in Anspruch nehmen. Angesichts der Tatsache, dass sich das Volumen genomischer Daten alle acht Monate verdoppelt und hochspezifische Referenzgenome für diverse Populationen entstehen, verschärft die Notwendigkeit, Read-Sets auf mehrere Referenzen abzubilden, diese rechnerische Belastung.

Bestehende „Remapping"-Werkzeuge (z. B. UCSC LiftOver, CrossMap) versuchen, diesen Prozess zu beschleunigen, indem sie Chain-Dateien verwenden, um Koordinaten von einer alten auf eine neue Referenz basierend auf konstanten Regionen zu übersetzen. Diese Werkzeuge leiden jedoch unter drei kritischen Einschränkungen:

1. Mangelnde Vollständigkeit: Sie können Reads nicht remappen, die in „ausgedienten" Regionen liegen (in der neuen Referenz gelöscht) oder in „neuen" Regionen (in der neuen Referenz eingefügt), was zu einem erheblichen Verlust der genomischen Abdeckung führt (z. B. das Fehlen von >7 % der Genannotationen beim Wechsel von hg16 zu hg38).
2. Ungenauigkeit: Sie mappen Reads häufig auf Positionen in der neuen Referenz, die nicht gut mit der Read-Sequenz übereinstimmen, insbesondere wenn große Insertionen in der neuen Referenz existieren, was zu Fehlerraten führt, die die akzeptablen Schwellenwerte überschreiten.
3. Inkompatibilität mit nachgelagerten Analysen: Viele Werkzeuge erzeugen Ausgaben (z. B. BED-Dateien oder BAMs mit fehlerhaften CIGAR-Strings), die mit Standard-Pipelines zur Variantenentdeckung wie GATK inkompatibel sind.

Methodik: AirLift

AirLift ist eine Methodik und ein Werkzeug, das eine schnelle, umfassende und genaue End-to-End-Lösung für das Remapping von BAM zu BAM bereitstellt. Es nutzt die Ähnlichkeit zwischen zwei Referenzgenomen aus, um die Notwendigkeit einer vollständigen Ausrichtung zu minimieren, während gleichzeitig sichergestellt wird, dass alle Reads verarbeitet werden.

Kernkonzepte: Regionen des Referenzgenoms

AirLift unterteilt Regionen zwischen einem alten und einem neuen Referenzgenom in vier Typen:

1. Konstante Regionen: Sequenzen, die in beiden Referenzen exakt identisch sind.
2. Aktualisierte Regionen: Sequenzen in der alten Referenz, die auf ähnliche (aber nicht identische) Sequenzen in der neuen Referenz abgebildet werden.
3. Ausgediente Regionen: Sequenzen in der alten Referenz, die kein entsprechendes Gebiet in der neuen Referenz haben (Löschungen).
4. Neue Regionen: Sequenzen in der neuen Referenz, die kein entsprechendes Gebiet in der alten Referenz haben (Insertionen).

Der AirLift-Index

Das Kernstück von AirLift ist ein vorverarbeiteter AirLift-Index, der über einen achtstufigen Prozess unter Einbeziehung einer globalen Ausrichtung und der Extraktion von Seeds erstellt wird. Dieser Index besteht aus zwei Nachschlagetabellen (LUTs):

• LUT für konstante Regionen: Ordnet exakte Übereinstimmungen zwischen der alten und der neuen Referenz zu.
• LUT für aktualisierte Regionen: Ordnet approximative Übereinstimmungen (innerhalb einer definierten Fehlerrate) zwischen der alten und der neuen Referenz zu.

Entscheidend ist, dass die Erstellung der LUT für aktualisierte Regionen eine konservative Fehlerrate von 2e verwendet (wobei e die akzeptable Ausrichtungsfehlerrate ist, typischerweise 5 %). Dies stellt sicher, dass jeder Read, der in der alten Referenz mit einer Fehlerrate e auf eine aktualisierte Region abgebildet wird, eine entsprechende potenzielle Position in der neuen Referenz findet, selbst wenn der Sequenzunterschied zwischen den beiden Referenzen bis zu 2e beträgt.

Remapping-Verfahren

AirLift verarbeitet jeden Read in einer BAM-Datei basierend auf seiner ursprünglichen Zuordnungsposition in der alten Referenz:

1. Reads aus konstanten Regionen: Wenn der Read auf eine konstante Region abgebildet wird, verwendet AirLift die LUT für konstante Regionen (über ein Werkzeug namens FastRemap), um die Koordinaten sofort auf die neue Referenz zu übertragen. Es wird keine erneute Ausrichtung durchgeführt.
2. Reads aus aktualisierten Regionen: Wenn der Read auf eine aktualisierte Region abgebildet wird, fragt AirLift die LUT für aktualisierte Regionen ab, um Kandidatenpositionen in der neuen Referenz zu identifizieren. Anschließend führt es eine vollständige Ausrichtung (unter Verwendung von BWA-MEM) nur gegen diese spezifischen Kandidatenpositionen durch, um die beste Übereinstimmung innerhalb der Fehlerschwelle e zu finden.
3. Reads aus ausgedienten Regionen: Wenn der Read auf eine ausgediente Region abgebildet wird, wird er als nicht zugeordnet in der neuen Referenz markiert, da keine entsprechende Sequenz existiert.
4. Zuvor nicht zugeordnete Reads: Reads, die in der alten Referenz nicht zugeordnet waren, werden vollständig auf die neuen und aktualisierten Regionen des neuen Referenzgenoms mit einem vollständigen Mapper (BWA-MEM) ausgerichtet.

Dieser hybride Ansatz stellt sicher, dass der Großteil der Reads (die in konstanten Regionen) sofort verarbeitet wird, während nur ein kleiner Anteil, der eine komplexe Behandlung erfordert, einer vollständigen Ausrichtung unterzogen wird.

Hauptbeiträge

• Erster umfassender BAM-zu-BAM-Remapper: AirLift ist das erste Werkzeug, das eine End-to-End-Lösung bietet, die BAM-Dateien ausgibt, die mit nachgelagerten Analysewerkzeugen (wie GATK) für alle Reads kompatibel sind, einschließlich solcher in ausgedienten und neuen Regionen.
• Hohe Genauigkeit: Durch die Verwendung einer konservativen Fehlerrate von 2e während der Indexerstellung und die Neuausrichtung von Reads in aktualisierten Regionen vermeidet AirLift die hohen Fehlerraten, die mit einer einfachen Koordinatenverschiebung verbunden sind.
• Geschwindigkeit: Es reduziert die Ausführungszeit erheblich, indem es eine vollständige Neuabbildung für Reads in konstanten Regionen vermeidet, die den Großteil des Genoms ausmachen.

Ergebnisse

Die Autoren bewerteten AirLift im Vergleich zu fortschrittlichsten Remapping-Werkzeugen (CrossMap, LiftOver) und der Baseline der vollständigen Remapping mit BWA-MEM über menschliche, C. elegans- und Hefe-Referenzgenome.

• Ausführungszeit: AirLift erzielt eine Beschleunigung von 2,76× bis 27,4× im Vergleich zur vollständigen Remapping. Die Beschleunigung ist bei menschlichen Genomen am höchsten (bis zu 27,4× für hg17→hg38), wo konstante Regionen groß sind, und bei Hefe geringer, wo konstante Regionen im Verhältnis zum gesamten Genom kleiner sind.
• Genauigkeit (Variantenentdeckung): Mit GATK HaplotypeCaller zeigt AirLift eine Präzision und einen Recall für die Erkennung von SNPs und Indels, die mit der vollständigen Remapping vergleichbar sind. Beispielsweise erreichte AirLift beim Remapping menschlicher Reads von hg19 auf hg38 eine Präzision von 97,05 % und einen Recall von 96,39 % für SNPs gegenüber dem Ground Truth, verglichen mit 97,73 %/99,25 % für die vollständige Abbildung.
• Vollständigkeit: Im Gegensatz zu CrossMap und LiftOver, die signifikante Anteile von Annotationen verpassen (z. B. 4,47 % der Gene beim Lift von hg19 auf hg38), verarbeitet AirLift den gesamten Read-Satz und stellt sicher, dass keine genomischen Regionen ignoriert werden.
• Speichernutzung: Der Spitzen-Speicherbedarf von AirLift ist mit der vollständigen Remapping (BWA-MEM) vergleichbar, da es BWA-MEM für den Teil der Reads in aktualisierten Regionen verwendet, was immer noch erheblichen Speicherbedarf erfordert.

Bedeutung

Die Arbeit behauptet, dass AirLift eine viable, leistungsstarke Alternative zur vollständigen Remapping für Forscher ist, die genomische Studien auf neue Referenzversionen aktualisieren. Durch die Beseitigung der Notwendigkeit, rechenintensive Pipelines von Grund auf neu auszuführen, während gleichzeitig hohe Genauigkeit und Vollständigkeit erhalten bleiben, ermöglicht AirLift die schnelle Anpassung groß angelegter genomischer Datensätze an die neuesten Referenzgenome. Dies ist angesichts der zunehmenden Häufigkeit von Aktualisierungen des Referenzgenoms und des wachsenden Volumens genomischer Daten von besonderer Bedeutung, da es Forschern ermöglicht, aktuelle Analysen ohne prohibitiv hohe Rechenkosten aufrechtzuerhalten. Das Werkzeug ist Open Source und bietet einen vollständigen BAM-zu-BAM-Workflow, der eine unmittelbare nachgelagerte Analyse ermöglicht.