Shotgun DNA sequencing evidence: sample-specific and unknown genotyping error probabilities

Diese Arbeit erweitert das wgsLR-Modell für die forensische Auswertung von Shotgun-DNA-Sequenzierdaten, indem sie asymmetrische und unbekannte Genotypisierungsfehlerwahrscheinlichkeiten zwischen Proben unterschiedlicher Qualität berücksichtigt, die Robustheit gegenüber Überdispersion bestätigt und die Implementierung in einem R-Paket bereitstellt.

Das Wesentliche

Die Geschichte vom verstaubten Fingerabdruck und dem perfekten Abdruck

Stellen Sie sich vor, Sie sind ein Detektiv. Ihr Ziel ist es, herauszufinden, ob ein Fingerabdruck, den Sie an einem Tatort gefunden haben (das Spurenmaterial), von einer bestimmten Person stammt, die Sie verdächtigen (das Referenzmaterial, z. B. ein Abdruck aus dem Polizeilager).

Das Problem: Der "schlechte" Abdruck

Normalerweise funktionieren diese Vergleiche gut. Aber manchmal ist der Tatort-Abdruck so verstaubt, verschmiert oder nur ein winziger Krümel (wie ein einzelnes Haar ohne Wurzel). In der Welt der DNA heißt das: Die DNA ist so stark beschädigt, dass die klassischen Methoden versagen.

Früher hätte man hier aufgegeben. Aber heute gibt es eine neue Technik, die "Shotgun-Sequenzierung". Das ist wie ein riesiges Puzzle, bei dem man die winzigen DNA-Schnipsel einfach alle durcheinander zusammensetzt, um ein Bild zu bekommen. Das Problem dabei: Je schlechter der Abdruck, desto mehr Fehler schleichen sich beim Lesen ein. Ein Buchstabe wird vielleicht falsch gelesen, ein anderer fehlt.

Die alte Lösung vs. Die neue Lösung

Bislang ging die Statistik davon aus, dass beide Abdrücke – der vom Tatort und der vom Verdächtigen – gleich gut lesbar sind. Das war wie ein Richter, der annimmt, dass ein verwaschener, alter Foto-Abdruck genauso scharf ist wie ein frisch gedruckter Ausweis. Das ist aber nicht realistisch!

Mikkel Meyer Andersen und sein Team haben nun ein neues mathematisches Werkzeug entwickelt (das "wgsLR-Modell"), das diese Ungleichheit berücksichtigt.

Stellen Sie sich das Modell wie einen sehr klugen Richter vor, der drei neue Regeln eingeführt hat:

1. Der Richter erkennt die unterschiedliche Qualität (Asymmetrie)
Der neue Richter sagt: "Okay, der Tatort-Abdruck ist schmutzig und hat viele Fehler (hohe Fehlerwahrscheinlichkeit $w_t$). Der Abdruck des Verdächtigen ist aber makellos und perfekt lesbar (niedrige Fehlerwahrscheinlichkeit $w_r$)."
Das Modell rechnet nun getrennt: "Wenn dieser Buchstabe falsch gelesen wurde, liegt es eher am schmutzigen Tatort-Abdruck als daran, dass der Verdächtige gar nicht dort war." Das verhindert, dass man unschuldige Leute verurteilt, nur weil der Tatort-Abdruck schlecht war.

2. Der Richter ist robust gegen "Unordnung" (Überdispersion)
Manchmal ist nicht nur ein Teil des Abdrucks schlecht, sondern die Fehler sind wild verteilt – hier ein riesiger Fleck, dort ein kleiner Kratzer. Die Forscher haben geprüft, ob ihr Modell verrückt wird, wenn die Fehler ungleichmäßig verteilt sind.
Das Ergebnis: Der Richter bleibt ruhig. Selbst wenn die Fehler chaotisch verteilt sind, findet das Modell immer noch den korrekten Durchschnitt. Es ist wie ein Seiltänzer, der auch bei starkem Wind nicht herunterfällt.

3. Der Richter trifft Entscheidungen, wenn er die Fehlerquote gar nicht kennt (Unbekannte Fehler)
Das ist der schwierigste Teil. Was, wenn wir gar nicht wissen, wie schmutzig der Tatort-Abdruck wirklich ist?
Hier hat das Team zwei Strategien entwickelt:

• Die "Wahrscheinlichkeits-Wolke" (Bayes): Der Richter nimmt an, dass die Fehlerquote irgendwo in einem Bereich liegt (wie eine Wettervorhersage: "Es könnte 1% oder 5% sein"). Er rechnet mit allen Möglichkeiten gleichzeitig und bildet einen Durchschnitt.
• Der "Bestmögliche Fall" (Maximierung): Der Richter fragt sich: "Was wäre der Fehlerwert, der meine Annahme am besten erklärt?"

Die wichtigste Erkenntnis: Lieber zu vorsichtig als zu riskant
Das Papier kommt zu einer sehr wichtigen Sicherheitsregel:
Wenn man die Fehlerquote des Tatort-Abdrucks nicht genau kennt, ist es sicherer, anzunehmen, dass er weniger Fehler hat, als er tatsächlich hat.
Warum?

• Wenn man annimmt, der Abdruck sei perfekt (zu wenig Fehler), und dann stimmen die Buchstaben nicht überein, denkt der Richter: "Aha! Da stimmt etwas nicht, das sind zwei verschiedene Leute!" (Das ist gut für die Unschuld des Verdächtigen).
• Wenn man annimmt, der Abdruck habe viele Fehler (zu hohe Fehlerquote), und dann stimmen die Buchstaben nicht überein, denkt der Richter: "Ach, das war sicher nur ein Lesefehler." (Das ist gefährlich, denn man könnte einen echten Täter übersehen).

Fazit für den Alltag:
Das Team hat ein mathematisches Werkzeug gebaut, das wie ein erfahrener Detektiv denkt. Es weiß, dass Tatort-Spuren oft schmutzig sind, während Referenzdaten sauber sind. Es rechnet mit diesen Unterschieden, ignoriert chaotische Fehlermuster nicht und ist besonders vorsichtig, wenn es unsicher ist.

Dieses Werkzeug ist jetzt als Software-Paket namens wgsLR für alle verfügbar, damit Gerichte und Forensiker auch bei den schwierigsten, schmutzigsten DNA-Spuren faire und korrekte Urteile fällen können.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des vorliegenden Papers auf Deutsch:

Titel: Shotgun-DNA-Sequenzierung: Nachweis von samplespezifischen und unbekannten Genotypisierungsfehlerwahrscheinlichkeiten

Autoren: Mikkel Meyer Andersen et al.
Veröffentlicht: Preprint (November 2025)

---

1. Problemstellung

In der forensischen Genetik sind viele Spurenproben (z. B. ruhende Haare oder stark degradiertes DNA-Material) von zu schlechter Qualität oder zu geringer Menge, um Short-Tandem-Repeat-(STR)-Profile mittels herkömmlicher PCR-Kapillarelektrophorese (PCR-CE) zu erstellen. Als Alternative gewinnt die Shotgun-DNA-Sequenzierung (Whole-Genome Sequencing, WGS) an Bedeutung, da sie auch aus kurzen DNA-Fragmenten (< 100 bp) wertvolle Informationen über Single-Nucleotide-Polymorphismen (SNPs) liefern kann.

Das Hauptproblem bei der statistischen Interpretation solcher Daten ist die Berücksichtigung von Sequenzierfehlern. Bisherige Modelle (wie das ursprüngliche wgsLR-Modell von Andersen et al., 2025) gingen von einer symmetrischen Genotypisierungsfehlerwahrscheinlichkeit ($w$) für sowohl die Spurensprobe als auch die Referenzprobe aus. In der Realität ist dies jedoch oft nicht der Fall:

• Spurensproben ($X_t$): Oft stark degradiert, was zu einer hohen Fehlerwahrscheinlichkeit ($w_t$) führt.
• Referenzproben ($X_r$): Meist hochwertige Proben (z. B. Wangenabstriche), bei denen die Fehlerwahrscheinlichkeit ($w_r$) sehr gering und oft bekannt ist.

Es fehlte ein Modell, das diese asymmetrischen Fehlerwahrscheinlichkeiten korrekt berücksichtigt, sowie Methoden, um mit unbekannten Fehlerwahrscheinlichkeiten für die Spurensprobe umzugehen.

2. Methodik

Das Paper erweitert das bestehende wgsLR-Modell (implementiert im R-Paket wgsLR) um drei Hauptaspekte:

A. Asymmetrische Fehlerwahrscheinlichkeiten

Das Modell wurde erweitert, um separate Fehlerwahrscheinlichkeiten für die Spurensprobe ($w_t$) und die Referenzprobe ($w_r$) zu verwenden.

• Die Likelihood-Ratio (LR) wird neu berechnet, wobei für jeden SNP die Wahrscheinlichkeiten für Fehler ($w_t, w_r$) und Nicht-Fehler ($1-w_t, 1-w_r$) systematisch in die Formeln integriert werden.
• Dies ermöglicht eine präzisere Berechnung des Evidenzgewichts (Weight of Evidence, WoE), wenn die Probenqualität stark differiert.

B. Umgang mit unbekannten Fehlerwahrscheinlichkeiten ($w_t$)

Da $w_t$ für Spurensproben oft unbekannt ist, wurden zwei Ansätze zur Integration dieser Unsicherheit untersucht:

1. Integration über eine Prior-Verteilung (Bayesscher Ansatz): $w_t$ wird als Zufallsvariable betrachtet, die einer Beta-Verteilung folgt. Die Likelihood wird über diese Verteilung integriert (Prior Predictive Distribution).
   • Es wurde mathematisch gezeigt, dass bei der Berechnung des WoE (als Summe der Log-Likelihoods über mehrere Marker) die Annahme einer gemeinsamen oder unterschiedlichen $w_t$ pro Marker irrelevant ist; das Ergebnis ist identisch.
2. Maximierung der Profil-Likelihood: Für jede Hypothese ($H_1$: gleiche Person; $H_2$: verschiedene Personen) wird der Wert von $w_t$ gewählt, der die Likelihood maximiert.

C. Untersuchung der Überdispersion (Overdispersion)

Es wurde getestet, wie robust das Modell ist, wenn die Fehlerwahrscheinlichkeit nicht über das gesamte Genom konstant ist, sondern variiert (Überdispersion), solange der Mittelwert $w$ erhalten bleibt. Dies wurde durch Simulationen mit Beta-Verteilungen für die Fehlerwahrscheinlichkeiten getestet.

3. Schlüsselbeiträge und Ergebnisse

Robustheit gegenüber Überdispersion

• Das Modell erwies sich als sehr robust gegenüber Überdispersion. Selbst wenn die Fehlerwahrscheinlichkeit in bestimmten genomischen Bereichen höher oder niedriger war, wurde der korrekte mittlere Wert von $w$ zuverlässig geschätzt.

Umgang mit unbekannten $w_t$ und Konservativismus

• Vergleich der Methoden: Die Methoden "Integration über Prior" und "Maximierung der Profil-Likelihood" wurden verglichen.
• Konservative Schätzung: Es wurde festgestellt, dass es konservativer (d.h. sicherer für den Beschuldigten), eine zu kleine Fehlerwahrscheinlichkeit für die Spurensprobe anzunehmen, als eine zu hohe.
  • Eine zu hohe $w_t$ kann Inkonsistenzen zwischen Spurens- und Referenzprobe fälschlicherweise auf Fehler zurückführen, anstatt auf zwei verschiedene Spender. Dies würde die Evidenz für eine Übereinstimmung ($H_1$) unnötig schwächen.
  • Eine zu niedrige $w_t$ führt zu einem WoE, der näher bei 0 liegt (konservativer), aber weniger riskant ist, da sie keine falschen Fehlerannahmen trifft.
• Praktische Empfehlung: Da Spurensproben meist schlechter sind als Referenzproben ($w_t > w_r$), aber eine Überschätzung von $w_t$ problematisch ist, wird empfohlen, im Zweifel einfach $w_t = w_r$ anzunehmen. Dies führt zu einer Unterschätzung des tatsächlichen Fehlers ($w_t$), was sich als konservative Strategie erwies.

Leistung bei unbekannten Parametern

• Bei einer ausreichenden Anzahl unabhängiger Marker (z. B. 200 SNPs) lieferten sowohl die Integrationsmethode als auch die Profil-Likelihood-Methode konsistente Ergebnisse mit dem korrekten Vorzeichen des WoE.
• Die Methode der Profil-Likelihood-Maximierung zeigte bei geringerer Markeranzahl (50 Marker) und unter $H_2$ (verschiedene Spender) eine etwas schlechtere Leistung, da sie in einigen Fällen fälschlicherweise ein positives WoE lieferte.

4. Signifikanz und Implikationen

• Erweiterung des Anwendungsbereichs: Das aktualisierte wgsLR-Modell ermöglicht nun die forensische Auswertung von Proben, die für STR-Analysen ungeeignet sind, indem es Shotgun-Sequenzierungsdaten nutzt.
• Realistischere Modelle: Durch die Einführung asymmetrischer Fehlerwahrscheinlichkeiten wird die statistische Interpretation forensischer Beweise der Realität (hohe Qualität Referenz vs. niedrige Qualität Spur) besser gerecht.
• Software-Implementierung: Alle Erweiterungen sind im R-Paket wgsLR verfügbar. Dies gibt Forensikern ein Werkzeug an die Hand, um komplexe Szenarien (unbekannte Fehlerquoten, Überdispersion) korrekt zu modellieren.
• Forensische Sicherheit: Die Erkenntnis, dass eine Unterschätzung der Fehlerwahrscheinlichkeit der Spurensprobe konservativer ist als eine Überschätzung, bietet eine klare Richtlinie für die Praxis, um Fehlurteile zu vermeiden.

Fazit: Das Paper liefert einen wichtigen methodischen Fortschritt für die forensische Genetik, indem es die Lücke zwischen hochwertigen Referenzproben und oft minderwertigen Spurensproben in der Shotgun-Sequenzierung schließt und robuste statistische Werkzeuge für die Interpretation solcher Beweise bereitstellt.