CBIcall: a configuration-driven framework for variant calling in large sequencing cohorts

Das Open-Source-Framework CBIcall ermöglicht die konsistente und reproduzierbare Variant-Calling-Analyse großer Sequenzierungs-Kohorten über heterogene Rechenumgebungen hinweg, indem es standardisierte Pipelines für WES, WGS und mitochondriale DNA über eine einzige YAML-Konfigurationsdatei steuert und validiert.

Das Wesentliche

Stellen Sie sich vor, Sie und Ihre Freunde planen eine riesige Kochparty. Jeder von Ihnen hat ein eigenes, sehr unterschiedliches Küchenstudio: Bei Ihnen gibt es einen modernen Induktionsherd, bei Ihrem Nachbarn einen alten Holzofen, und bei einem Dritten läuft alles nur mit Gas. Alle wollen das exakt gleiche Rezept (das Genom) kochen, aber weil die Herde so unterschiedlich sind, könnte das Essen am Ende ganz anders schmecken oder sogar verbrennen.

Genau dieses Problem lösen die Autoren dieses Papers mit einem Werkzeug namens CBIcall.

Hier ist die einfache Erklärung, wie das funktioniert:

1. Das Problem: Die "Küchen-Chaos"-Situation

In der Genetik-Forschung arbeiten viele Institute zusammen. Sie wollen DNA-Daten analysieren, um Krankheiten zu finden. Aber jedes Institut hat seine eigenen Computer, seine eigene Software und seine eigenen Regeln.

• Das Problem: Wenn Institut A und Institut B versuchen, das gleiche "Rezept" (eine Software-Pipeline) zu nutzen, passieren oft kleine Fehler. Das eine Institut nutzt eine alte Version eines Tools, das andere eine neue. Das Ergebnis ist dann nicht vergleichbar. Es ist, als würde einer die Zitrone in Scheiben schneiden und der andere sie in Würfel schneiden – am Ende ist es kein gleiches Gericht mehr.

2. Die Lösung: CBIcall als der "Super-Koch-Manager"

CBIcall ist kein neuer Herd und kein neues Rezept. Es ist vielmehr ein intelligenter Koch-Manager, der über allen Herden steht.

• Der YAML-Zettel (Das Menü): Der Forscher schreibt nur eine einzige, einfache Liste (eine YAML-Datei), in der steht: "Ich will DNA analysieren, hier sind die Daten, und ich will dieses Rezept nutzen."
• Der Prüfer (Der Qualitätskontrolleur): Bevor CBIcall überhaupt anfängt zu kochen, prüft der Manager: "Hast du die richtigen Zutaten? Passt das Rezept zu deinem Herd? Ist die Software-Version korrekt?" Wenn etwas nicht stimmt, sagt er sofort: "Stopp! Das funktioniert hier nicht so."
• Der Übersetzer: Egal, ob der Herd ein alter Bash-Herd (eine einfache Kommandozeile) oder ein moderner Snakemake-Herd (ein komplexes Workflow-System) ist – CBIcall sorgt dafür, dass das Rezept trotzdem perfekt ausgeführt wird.

3. Wie es in der Praxis funktioniert (Die große Kochparty)

Die Autoren haben dieses System getestet, indem sie eine riesige Menge an Daten verarbeitet haben:

• Sie haben Daten von 1.111 Personen gesammelt (einige mit Parkinson, einige als Kontrolle).
• Sie haben diese Daten durch zwei verschiedene "Kochmethoden" gejagt:
  1. Einzelkochen: Jeder Mensch wurde einzeln analysiert.
  2. Gemeinsames Kochen: Alle wurden zusammen in einem großen Topf analysiert (Joint Genotyping).
• Das Ergebnis: CBIcall hat sichergestellt, dass beide Methoden perfekt liefen. Das "gemeinsame Kochen" ergab sogar noch mehr genaue Details als das Einzelkochen, genau wie erwartet.

4. Warum ist das so wichtig?

Stellen Sie sich vor, Sie wollen herausfinden, ob ein bestimmtes Gewürz (eine genetische Mutation) für eine Krankheit verantwortlich ist.

• Ohne CBIcall: Institut A sagt "Ja, das Gewürz ist da", Institut B sagt "Nein, da ist nichts". Wer hat recht? Niemand weiß es, weil die Küchen so unterschiedlich waren.
• Mit CBIcall: Beide Institute nutzen den gleichen "Manager". Beide nutzen exakt dieselben Regeln. Wenn beide sagen "Ja, das Gewürz ist da", dann können sie sich zu 100 % darauf verlassen.

Zusammenfassung in einem Satz

CBIcall ist wie ein universeller Übersetzer und Qualitätskontrolleur für Genetik-Forscher, der sicherstellt, dass jeder auf der Welt – egal mit welchem Computer – das exakt gleiche DNA-Rezept auf die gleiche, fehlerfreie Weise kocht, damit die Ergebnisse wirklich vergleichbar sind.

Das System ist kostenlos, offen für alle und wurde bereits erfolgreich in einem großen europäischen Forschungsprojekt eingesetzt, um Tausende von DNA-Proben sicher zu verarbeiten.

Technische Zusammenfassung

Problemstellung

Die Analyse von Next-Generation Sequencing (NGS)-Daten in großen, kollaborativen Studien erfordert zunehmend federierte Analysemodelle. Dabei verarbeiten verschiedene Institutionen sensible Daten lokal, um rechtliche und ethische Anforderungen zu erfüllen. Ein zentrales Hindernis ist die konsistente Ausführung identischer, validierter Pipelines über heterogene Hochleistungsrechnen-Umgebungen (HPC) hinweg. Unterschiedliche Software-Stacks, Scheduling-Richtlinien und Dateisystemkonventionen führen oft zu Workflow-Abweichungen und inkonsistenten Ergebnissen. Bestehende Workflows sind zwar analytisch robust, fehlen jedoch häufig eine standardisierte Validierungsschicht, die Konfigurationskorrektheit, kompatible Tool-Versionen und konsistente Laufzeitumgebungen erzwingt. Dies führt zu manuellen Anpassungen und gefährdet die Reproduzierbarkeit.

Methodik: Das CBIcall-Framework

Um diese Herausforderungen zu adressieren, wurde CBIcall entwickelt. Es handelt sich um ein konfigurationsgetriebenes, workflow-agnostisches Framework, das als Validierungs- und Ausführungsschicht über bestehenden Workflow-Backends (wie Bash oder Snakemake) liegt.

• Zweischichtiges Konfigurationsmodell:

  1. User Parameters YAML: Definiert die Analyseabsicht (Eingabeproben, Pipeline-Auswahl, Genom-Build, Tool-Parameter).
  2. Workflow Registry YAML: Mappt Pipeline-Definitionen auf ausführbare Skripte (Bash oder Snakemake) und verweist auf geteilte Komponenten.
     Diese Trennung minimiert Konfigurationsdrift und verhindert Workflow-Abweichungen.

• Ausführungssteuerung (Execution Driver):

  • Implementiert in Python 3.
  • Lädt die YAML-Parameter und validiert diese gegen kontrollierte Vokabulare.
  • Erzwingt Kompatibilitätsregeln zwischen Analysemodi, Genom-Builds, Workflow-Backends und Tool-Versionen (insbesondere für GATK).
  • Validiert Workflow-Definitionen mittels JSON Schema Draft 2020-12.
  • Erstellt eine deterministische Projektverzeichnisstruktur und startet den Workflow.

• Provenienz und Protokollierung:

  • Während der Ausführung werden strukturierte Metadaten (Softwareversionen, Parameter, Laufzeitkontext, Task-Provenienz) in einer JSON-Datei (log.json) aufgezeichnet, um Auditierung und reproduzierbare Reanalysen zu ermöglichen.

• Unterstützte Pipelines und Backends:

  • Backends: Bash und Snakemake (Nextflow ist als Erweiterung vorgesehen).
  • Pipelines:
    • Kern-DNA (WES/WGS): Folgt den GATK Best Practices (Read Alignment mit BWA-MEM, Sortierung, Markierung von Duplikaten, BQSR, HaplotypeCaller, GenotypeGVCFs, VQSR). Unterstützt GATK 3.5 (Legacy) und 4.6.
    • Mitochondriale DNA (mtDNA): Nutzt MToolBox (basierend auf GATK 3.5) und generiert VCFs, annotierte Dateien und interaktive HTML-Berichte.
  • Portabilität: Das Framework wird als Container-Image bereitgestellt und kann über Apptainer (Singularity) auf HPC-Systemen ohne Docker ausgeführt werden. Externe Ressourcen (Referenzgenome, Datenbanken) werden separat verwaltet und gemountet.

Wichtige Beiträge

1. Einheitliche Konfiguration: Ermöglicht die Ausführung komplexer Varianten-Pipelines von rohen FASTQ-Dateien bis zu analysierbaren VCFs über eine einzige YAML-Konfigurationsdatei.
2. Workflow-Agnostizität: Das Framework ist nicht an einen spezifischen Workflow-Engine gebunden, sondern validiert und orchestriert bestehende Skripte (Bash/Snakemake), was die Integration externer Workflows (z. B. aus WorkflowHub oder Dockstore) erleichtert.
3. Strikte Validierung: Erzwingt Konsistenz in Tool-Versionen und Parametern, um Divergenzen in federierten Umgebungen zu verhindern.
4. Produktionsreife Pipelines: Bietet sofort einsatzbereite Pipelines für WES, WGS (Single-Sample und Joint Genotyping) und mtDNA, die in großen Kohorten getestet wurden.

Ergebnisse und Validierung

CBIcall wurde im Rahmen des EU-Projekts HEREDITARY validiert und auf einem institutionellen HPC-System eingesetzt.

• Studiendesign: Analyse einer Kohorte von 1.111 Proben (608 WES-Proben aus der Parkinson-Studie NINDS phs001172 + 503 Kontrollen aus dem 1000-Genome-Projekt).
• Use Case 1: Kern-Varianten-Calling (WES):
  • Vergleich von Single-Sample-Modus (HaplotypeCaller, späteres Mergen) vs. Cohort-Joint-Genotyping (GenotypeGVCFs).
  • Die Ergebnisse zeigten eine starke Überlappung der Varianten. Der Joint-Genotyping-Ansatz behielt nach Filterung (PASS) mehr Varianten bei als das reine Mergen, was den erwarteten Vorteil der Kohortenanalyse bestätigt.
  • Qualitätsmetriken (Variantenzahlen, Sequenziertiefe DP) waren über die Kohorten hinweg konsistent, ohne systematische Verzerrungen.
  • Eine Hauptkomponentenanalyse (PCA) zeigte keine signifikante Populationsstruktur oder Batch-Effekte zwischen den integrierten Datensätzen.
• Use Case 2: Mitochondriales Variant-Calling:
  • Erfolgreiche Analyse in ca. 95 % der Proben mittels MToolBox.
  • Die WES-Daten lieferten ausreichende mtDNA-Tiefe für die meisten Proben; nur wenige Fälle zeigten eine unzureichende Abdeckung (typisch für Off-Target-Lesungen bei WES).
  • Die Verteilung heteroplasmischer Varianten war zwischen den Kohorten (Fälle vs. Kontrollen) konsistent, was die Robustheit des Frameworks auch für mitochondriale Analysen unterstreicht.

Bedeutung und Ausblick

CBIcall adressiert kritische Lücken in der genomischen Datenanalyse großer Kohorten, insbesondere in federierten Umgebungen. Durch die Entkopplung der Konfiguration von der Workflow-Engine und die strikte Validierung von Parametern und Versionen gewährleistet das Framework Reproduzierbarkeit und Konsistenz über verschiedene Institutionen und Rechenzentren hinweg. Es ermöglicht die nahtlose Skalierung von Einzelproben-Analysen auf große Kohorten (Joint Genotyping) und unterstützt sowohl nukleäre als auch mitochondriale Analysen. Als Open-Source-Tool (GPLv3) mit Container-Unterstützung ist es eine praktische Lösung für die Standardisierung komplexer NGS-Pipelines in der klinischen und Forschungspraxis.