Facilitating genome annotation using ANNEXA and long-read RNA sequencing

Die Studie stellt eine aktualisierte Version des Nextflow-basierten Pipelines ANNEXA vor, das mithilfe von Long-Read-RNA-Sequenzierung, integrierten Transkriptom-Rekonstruktionswerkzeugen und Deep-Learning-Modellen die Genomannotation und Qualitätskontrolle für kodierende und nicht-kodierende RNAs verbessert und dabei erfolgreich neue Gene in menschlichen und kaninischen Krebszelllinien identifiziert hat.

Das Wesentliche

Titel: ANNEXA – Der „Super-Check" für die Baupläne unseres Lebens

Stell dir vor, das Genom eines Lebewesens (sei es ein Mensch oder ein Hund) ist wie ein riesiges, kompliziertes Architekturbuch. In diesem Buch stehen alle Anweisungen, wie ein Körper gebaut und am Laufen gehalten wird. Lange Zeit waren diese Bücher aber unvollständig: Es fehlten Seiten, manche Sätze waren abgebrochen, und viele wichtige Abschnitte waren einfach leer gelassen.

Mit neuen, hochmodernen Technologien (dem „Long-Read RNA-Sequencing") können wir jetzt endlich die ganzen Seiten in einem Stück lesen, statt nur kleine Puzzleteile. Aber hier kommt das Problem: Wenn man so viele neue Seiten liest, findet man auch viele Kritzeleien und Fehler. Man weiß nicht sofort, ob eine neue Seite ein wichtiger Bauplan ist oder nur ein zufälliger Kratzer auf dem Papier.

Genau hier kommt ANNEXA ins Spiel. Es ist wie ein super-tüchtiger Bauingenieur mit einem magischen Vergrößerungsglas, der diese neuen Seiten prüft, sortiert und in das offizielle Buch einfügt.

Hier ist, was ANNEXA macht, einfach erklärt:

1. Der große Vergleich: Zwei verschiedene Architekten

ANNEXA nutzt zwei verschiedene „Architekten-Software-Programme" (genannt Bambu und StringTie), um die neuen Seiten zu lesen.

• Bambu ist wie ein vorsichtiger, präziser Architekt. Er schaut genau hin und fügt nur das hinzu, was er zu 100 % für sicher hält. Er findet weniger neue Seiten, aber die, die er findet, sind sehr zuverlässig.
• StringTie ist wie ein kreativer, mutiger Entdecker. Er findet viel mehr neue Seiten und ist nicht so wählerisch. Er findet auch Dinge, die vielleicht gar nicht existieren (Fehler), aber er verpasst auch nichts Wichtiges.

ANNEXA nutzt beide, um das Beste aus beiden Welten zu holen.

2. Der Qualitäts-Check: Ist das ein echter Bauplan oder nur Kauderwelsch?

Wenn man neue Seiten findet, muss man prüfen: Ist das ein echter Bauplan für ein Protein (ein wichtiger Baustein) oder ist es nur ein „Lärm" (eine RNA, die nichts baut, aber trotzdem wichtig sein könnte)?

• ANNEXA nutzt eine KI (Künstliche Intelligenz), die wie ein Sprachlehrer funktioniert. Sie prüft den Anfang jeder neuen Seite (den Startpunkt). Wenn der Anfang nicht wie ein echter Start aussieht, wird die Seite als „unvollständig" verworfen.
• Es unterscheidet auch zwischen Baumeistern (Proteine, die etwas bauen) und Reglern (RNA, die nur den Bau anweist, aber selbst nicht gebaut wird).

3. Der Filter: Vom Haufen Papier zur sauberen Bibliothek

Stell dir vor, du hast einen riesigen Haufen loser Blätter. ANNEXA wirft die Blätter durch zwei Siebe:

1. Das erste Sieb prüft, ob die Blätter überhaupt genug Vertrauen haben (basierend auf den Daten).
2. Das zweite Sieb prüft, ob der Anfang des Satzes (der Startpunkt) logisch ist.

Am Ende hast du nicht mehr einen chaotischen Haufen, sondern eine saubere, geordnete Bibliothek mit nur den besten, vollständigsten Bauplänen.

4. Der echte Test: Hunde und Menschen im Vergleich

Um zu zeigen, wie gut ANNEXA ist, haben die Forscher es auf Hunde- und Menschen-Krebszellen angewendet.

• Hunde und Menschen sind wie Verwandte, die ähnliche Baupläne haben, aber mit kleinen Unterschieden.
• ANNEXA hat neue Baupläne gefunden, die in keinem der alten Bücher standen.
• Besonders cool: Es hat sogar Baupläne gefunden, die sowohl beim Hund als auch beim Menschen existieren! Das ist wie wenn man herausfindet, dass beide Familien ein geheimes, altes Familienrezept haben, das bisher niemand kannte.

Warum ist das wichtig?

Früher haben wir nur die „bekannten" Teile des Genoms verstanden. ANNEXA hilft uns, die versteckten Ecken zu beleuchten. Es sagt uns: „Hey, hier ist ein neuer Bauplan, den wir noch nie gesehen haben, und er könnte wichtig für die Heilung von Krankheiten sein."

Zusammengefasst:
ANNEXA ist wie ein intelligenter Bibliothekar, der mit einem neuen Scanner (Long-Read-Sequencing) arbeitet. Er nimmt den riesigen, chaotischen Haufen neuer Informationen, prüft sie auf Fehler, sortiert sie nach Wichtigkeit und fügt sie in das große Buch des Lebens ein. So können Wissenschaftler endlich das ganze Bild sehen und nicht nur Fragmente.

Und das Beste? Dieses Werkzeug ist kostenlos und offen für alle, damit jeder damit forschen kann!

Technische Zusammenfassung

Titel: Facilitating genome annotation using ANNEXA and long-read RNA sequencing

Verfasser: Nicolaï Hoffmann et al.
Quelle: bioRxiv Preprint (2025/2026)

---

1. Problemstellung

Mit dem Aufkommen vollständiger Genom-Assemblierungen (Telomere-zu-Telomere, T2T) hat sich der Fokus der Genomforschung von der Verbesserung der Genomkomplettierung hin zur Verfeinerung der Genom-Annotation verschoben. Hochwertige Sequenzdaten erfordern eine präzise Charakterisierung von Genen und Transkripten, insbesondere in repetitiven Regionen.

• Herausforderungen bei der Annotation: Kurzlese-RNA-Sequenzierung (SR-RNAseq) hat Schwierigkeiten, vollständige Transkripte wiederherzustellen. Lange Lese-RNA-Sequenzierung (LR-RNAseq, z. B. PacBio, Oxford Nanopore) ermöglicht zwar die Rekonstruktion ganzer Isoformen, ist jedoch anfällig für Artefakte wie fragmentierte Transkriptmodelle und unvollständige Isoform-Repräsentation.
• Mangel an QC-Strategien: Es fehlen robuste Qualitätskontroll- (QC) und Filterstrategien, um die Genauigkeit der rekonstruierten Transkripte zu bewerten, insbesondere bei der Unterscheidung zwischen protein-kodierenden mRNAs und langen nicht-kodierenden RNAs (lncRNAs).
• Limitationen bestehender Tools: Bestehende Pipelines sind oft auf eine spezifische Technologie beschränkt, nutzen nur einen Assemblierer oder bieten keine systematische Annotation von lncRNAs.

2. Methodik: Die ANNEXA-Pipeline

ANNEXA ist eine auf Nextflow basierende, skalierbare und reproduzierbare Pipeline, die entwickelt wurde, um Referenz-Annotationen mittels LR-RNAseq-Daten zu erweitern und gleichzeitig die Qualität neu identifizierter Transkriptmodelle zu sichern.

Kernmodule:

1. Transkriptom-Rekonstruktion und Quantifizierung:

   • Integration zweier führender Assemblierer: Bambu und StringTie2.
   • Ermöglicht die Wahl des Tools basierend auf dem biologischen Kontext (Sensitivität vs. Präzision).
   • Bambu nutzt einen Machine-Learning-Ansatz (Transcript Probability Score, TPS) und Novel Discovery Rate (NDR).
   • StringTie2 nutzt einen de-novo-Ansatz mit Splice-Graphen.
   • Die Pipeline kombiniert Proben und erstellt eine einheitliche, nicht-redundante Transkriptmenge.

2. Bewertung des Kodierpotenzials und Klassifizierung:

   • Integration von FEELnc zur Vorhersage des Kodierpotenzials und Unterscheidung von mRNAs und lncRNAs.
   • Nutzung von TransDecoder zur Identifizierung der längsten offenen Leserahmen (ORFs) für protein-kodierende Transkripte.
   • Klassifizierung der Transkripte mittels GffCompare (z. B. bekannte Isoformen, intergenische Transkripte, Antisense-Transkripte).

3. Filterung und Bewertung der Vollständigkeit (Full-Length Assessment):

   • Anwendung zweier komplementärer Filterstrategien, um fragmentierte Modelle zu entfernen:
     • NDR-Cutoff (Bambu): Bewertet das Vertrauen in neue Transkriptvorhersagen.
     • TransforKmer-Cutoff: Ein Deep-Learning-Modell (basierend auf DNABERT), das die Wahrscheinlichkeit biologisch valider Transkriptionsstartstellen (TSS) bewertet.
   • Benutzer können zwischen einer Union (mindestens ein Filter erfüllt) oder Intersection (beide Filter erfüllt) der Filterung wählen, um Sensitivität oder Präzision zu priorisieren.

4. Qualitätskontrolle (QC) und Visualisierung:

   • Generierung umfassender QC-Berichte (CSV und Visualisierungen) durch Vergleich bekannter und neuer Elemente (Gene, Transkripte, Exons).
   • Metriken umfassen Struktur (Längenverteilung, Anzahl der Isoformen) und Quantifizierung (Read-Counts, Genom-Abdeckung).
   • Optionaler Abgleich mit orthogonalen Daten (z. B. CAGE-Daten) zur Validierung der TSS.

3. Schlüsselergebnisse

Benchmarking und Tool-Vergleich:

• Bambu vs. StringTie: Bambu rekonstruierte konsistent mehr bekannte Gene und Transkripte als StringTie, unabhängig von der Referenz-Annotation (Ensembl, RefSeq, Gencode, UU). StringTie identifizierte hingegen mehr neue Elemente, neigte aber stärker zu Fragmentierung.
• Einfluss der Referenz: Die Vollständigkeit der Eingabe-Annotation beeinflusst die Entdeckungsrate neuer Elemente stark. Bei gut annotierten Genomen (z. B. menschliches Gencode v47) wurden weniger neue Elemente gefunden als bei weniger vollständigen Annotationen (z. B. canine Ensembl).
• Filterung: Die Anwendung der ANNEXA-Filter (insbesondere TSS-Validierung durch TransforKmer) reduzierte die Anzahl der neu identifizierten Gene drastisch (z. B. von 9.612 auf 749 neue Gene im Hund), erhöhte aber die Validierungsrate durch CAGE-Daten signifikant (von 9,3 % auf 52 %).

Spezifische RNA-Biotypen:

• lncRNAs: Es wurden deutliche Unterschiede in der Klassifizierung von lncRNAs festgestellt. Bambu identifizierte signifikant mehr Antisense-lncRNAs (class_code x) als StringTie, was auf eine geringere Abhängigkeit von Referenz-Strand-Informationen hindeutet. StringTie klassifizierte neue lncRNAs häufiger als intergenisch (lincRNAs) oder Erweiterungen bekannter Gene.

Biologische Anwendung (Vergleichende Onkologie):

• Die Pipeline wurde auf LR-RNAseq-Daten von 8 Hunden und 2 Menschen (Krebszelllinien: Mukosales Melanom, Histiocytäres Sarkom, Osteosarkom) angewendet.
• Neue Entdeckungen: Es wurden hunderte neuer Gene und Transkripte in beiden Spezies identifiziert.
• Orthologie: Eine Analyse der konservierten Elemente zeigte, dass etwa 38,6 % der neuen Hunde-Gene auf das menschliche Genom (GRCh38) abgebildet werden konnten. Dabei wurden fünf neue orthologe lncRNA-Gene identifiziert, die in beiden Spezies exprimiert wurden und potenzielle funktionelle Kandidaten darstellen.

4. Bedeutung und Beiträge

• Integrierte Lösung: ANNEXA ist das erste Tool, das Transkriptom-Rekonstruktion, systematische lncRNA-Annotation, Deep-Learning-basierte TSS-Validierung und umfassende QC in einer einzigen Pipeline vereint.
• Flexibilität: Durch die Unterstützung von Bambu und StringTie sowie die Anpassbarkeit der Filter (Union/Intersection) ermöglicht es Forschern, die Balance zwischen Sensitivität und Präzision an ihre spezifischen biologischen Fragen anzupassen.
• Verbesserte Annotation: Die Studie demonstriert, wie durch die Kombination von LR-RNAseq mit strengen QC-Maßnahmen (insbesondere TSS-Validierung) die Zuverlässigkeit von Genom-Annotationen erheblich gesteigert werden kann, was für funktionelle Studien essenziell ist.
• Cross-Species-Insights: Die Anwendung auf Hunde- und Human-Daten unterstreicht den Wert von Hunden als Modellorganismen für die menschliche Onkologie und zeigt, wie vergleichende Annotationen neue, evolutionär konservierte funktionelle Elemente aufdecken können.
• Open Source: ANNEXA ist als Open-Source-Pipeline auf GitHub verfügbar und unterstützt Container-Technologien (Docker/Singularity) für maximale Reproduzierbarkeit.

Fazit: ANNEXA adressiert kritische Lücken in der aktuellen Genom-Annotation durch LR-RNAseq, indem es nicht nur neue Transkripte findet, sondern deren biologische Plausibilität rigoros prüft. Dies ist ein entscheidender Schritt hin zu vollständigeren und zuverlässigeren Genom-Referenzen für zukünftige funktionelle Genomik-Studien.