BWR-finder: BWT-based de novo interspersed repeat detection for gigantic genomes

Stellen Sie sich Ihr Genom als eine riesige, uralte Bibliothek vor, die die Anweisungen für den Bau eines Lebwesens enthält. Aber diese Bibliothek hat ein seltsames Problem: Riesige Abschnitte ihrer Bücher sind mit derselben Geschichte gefüllt, die immer und immer wieder kopiert wurde und wahllos über die Seiten verstreut ist. Dies sind sogenannte „interspersed repeats“ (verstreute Wiederholungen), die hauptsächlich durch „springende Gene“ (transponierbare Elemente) verursacht wurden, die sich über Millionen von Jahren selbst in das Genom kopiert und eingefügt haben. In einigen Kreaturen, wie etwa beim Lungenfisch oder Salamandern, machen diese Kopien fast 90 % der gesamten Bibliothek aus! Wissenschaftler müssen diese Kopien finden und kartieren, um zu verstehen, wie diese Tiere evolvierten und wie ihre Genome so riesig wurden. Doch das Finden dieser Muster in einer Bibliothek, die Milliarden von Seiten umfasst, ist so, als versuche man, einen bestimmten Satz in einem Stapel Papier zu finden, der bis zum Mond reicht. Die Computer, die wir normalerweise für diese Suche verwenden, werden davon überwältigt, laufen aus dem Arbeitsspeicher oder benötigen Jahre, um die Aufgabe zu vollenden.

Hier kommt ein neues Werkzeug namens BWR-finder ins Spiel. Die Forscher hinter ihm, angeführt von Atsushi Takeda und Kollegen, entwickelten ein cleveres Softwareprogramm, das darauf ausgelegt ist, diese repetitiven Sequenzen in gigantischen Genomen aufzuspüren, ohne einen Supercomputer von der Größe eines Hauses zu benötigen. Anstatt zu versuchen, die ganze Bibliothek Seite für Seite zu lesen, nutzt BWR-finder einen mathematischen Trick namens Burrows-Wheeler-Transformation (BWT). Denken Sie bei diesem Trick an eine magische Art, die Bücher der Bibliothek so umzuordnen, dass alle ähnlichen Geschichten in einem ordentlichen, komprimierten Stapel zusammengefasst werden. Durch diesen komprimierten Stapel kann die Software Muster finden und sie nach außen hin erweitern, um zu sehen, wie lang die Wiederholungen sind – und das alles, während sie nur einen winzigen Bruchteil des Speichers benötigt, den andere Werkzeuge beanspruchen.

Das Team testete BWR-finder an mehreren realen Bibliotheken, darunter die Genome von Reis, Menschen und einigen wirklich massiven Kreaturen wie der Weizenpflanze (14,6 Gb), dem Salamander Pleurodeles waltl (20,3 Gb) und sogar Lungenfischen mit Genomen von bis zu 87,2 Gb. Die Ergebnisse waren beeindruckend: BWR-finder war signifikant schneller und nutzte viel weniger Speicher als bestehende Werkzeuge wie RepeatModeler2, HiTE und REPrise. Beispielsweise erledigte es die Aufgabe beim menschlichen Genom in weniger als zwei Stunden, während andere Werkzeuge Tage brauchten oder hunderte Gigabyte RAM erforderten. Es identifizierte erfolgreich Repeat-Regionen, die andere Werkzeuge übersehen hatten, einschließlich neuer Kandidaten im Salamander-Genom, die in keiner bestehenden Datenbank vorhanden waren. Die Autoren merken jedoch an, dass es einen Kompromiss gibt: Da BWR-finder so schnell und parallel arbeitet, zerlegt es lange Repeat-Geschichten manchmal in viele kleinere, fragmentierte Stücke. Während es mehr Teile der Bibliothek findet, sind die gefundenen Stücke etwas stärker verstreut als die, die von langsameren, sorgfältigeren Methoden gefunden werden. Die Autoren schlagen vor, dass Wissenschaftler zwar immer noch zusätzliche Arbeit leisten müssen, um die Teile perfekt wieder zusammenzukleben, es aber dennoch ein leistungsstarkes neues Mittel ist, um diese riesigen Genome zu scannen.

Die Geschichte der verstreuten Bibliothek

Um zu verstehen, warum dieses neue Werkzeug so wichtig ist, müssen wir zuerst das Chaos innerhalb unserer DNA betrachten. Stellen Sie sich vor, Ihr Genom ist nicht nur eine saubere Bedienungsanleitung, sondern ein chaotischer Dachboden voller Millionen von Kopien desselben Flyers, die überall verstreut sind. Diese Flyer sind „interspersed repeats“. Sie sind meist „springende Gene“ (transponierbare Elemente), die sich über Millionen von Jahren selbst kopiert und an zufällige Stellen in die DNA eingefügt haben. In einigen Tieren, wie dem Lungenfisch oder dem Salamander, sind diese Kopien so zahlreich, dass sie fast das gesamte Genom ausmachen.

Wissenschaftler wollen diese Kopien finden, um zu verstehen, wie diese Tiere evolvierten und warum ihre Genome so riesig sind. Aber das Finden ist ein Albtraum. Wenn man versucht, ein 20 Milliarden Buchstaben umfassendes Genom (wie das des Salamanders) mit Standard-Computertools zu scannen, füllt sich der Arbeitsspeicher (RAM) des Computers sofort und die Suche dauert ewig. Es ist, als versuche man, ein bestimmtes Wort in einem Buch zu finden, das 20 Meilen lang ist, indem man jeden einzelnen Buchstaben einzeln liest.

Der magische Trick: BWR-finder

Die Forscher entwickelten BWR-finder (Burrows–Wheeler Transform-based Repeat finder), um dieses Problem zu lösen. Anstatt das Genom wie ein normales Buch zu lesen, nutzt BWR-finder einen mathematischen Zaubertrick namens Burrows–Wheeler-Transformation (BWT).

Denken Sie bei der BWT an einen Bibliothekar, der einen unordentlichen Stapel Bücher nimmt und sie so umordnet, dass alle Bücher, die mit demselben Buchstaben beginnen, gruppiert werden, dann alle Bücher, die mit denselben zwei Buchstaben beginnen, und so weiter. Dies erzeugt eine hochkomprimierte, organisierte Liste. Das Beste daran? Man muss nicht den ursprünglichen, unordentlichen Stapel an Büchern behalten, um dies zu tun. Man kann vollständig mit der komprimierten Liste arbeiten.

BWR-finder nutzt diese komprimierte Liste, um Repeats aufzuspüren:

1. Seed-Suche: Es sucht nach kurzen, häufigen „Seed“-Mustern in der komprimierten Liste. Da die Liste organisiert ist, kann es diese Seeds unglaublich schnell finden, ohne das gesamte Genom im Speicher halten zu müssen.
2. Erweiterung: Sobald es einen Seed findet, versucht es, das Muster nach außen hin Buchstabe für Buchstabe zu erweitern, um zu sehen, wie lang die Wiederholung ist. Dies geschieht durch das Springen innerhalb der komprimierten Liste unter Verwendung einer speziellen Karte (genannt LF/FL-Mapping), anstatt das ursprüngliche Genom zu lesen.
3. Parallele Verarbeitung: Das Tool teilt die Arbeit auf viele Computerprozessoren gleichzeitig auf. Da jeder Seed unabhängig gejagt werden kann, läuft das Tool parallel, was es extrem schnell macht.

Die Ergebnisse: Schnell, schlank und mehr gefunden

Das Team testete BWR-finder an Genomen, die von dem kleinen Reis-Genom (382 Mb) bis hin zum massiven Lungenfisch-Genom (87,2 Gb) reichen. Hier ist, was sie herausfanden:

• Geschwindigkeit und Speicher: BWR-finder war ein Geschwindigkeitsmonster. Beim menschlichen Genom (3,1 Gb) war es in etwa 1 Stunde und 50 Minuten fertig, während andere Werkzeuge bis zu 28 Stunden brauchten. Beim Reis-Genom war es 80-mal schneller als das populäre Tool RepeatModeler2.
• Speichernutzung: Es war unglaublich effizient. Während andere Werkzeuge 30 bis 92 GB Speicher benötigten, um das menschliche Genom zu analysieren, benötigte BWR-finder nur etwa 6,5 GB. Das bedeutet, dass es auf einem Standardcomputer laufen kann und nicht nur auf einem massiven Supercomputer.
• Das Unbekannte finden: Als sie es am 20,3-Gb-Salamander-Genom testeten, fand BWR-finder 2,39 Gb an Repeat-Regionen, die in bestehenden Datenbanken unbekannt waren. Es identifizierte neue Gruppen von Wiederholungen, die zuvor unsichtbar waren.

Der Kompromiss: Geschwindigkeit vs. Perfektion

Die Arbeit weist jedoch vorsichtig darauf hin, dass BWR-finder nicht perfekt ist. Da es sehr schnell arbeitet und viele Seeds gleichzeitig verarbeitet, zerlegt es lange Repeat-Sequenzen manchmal in kleinere, fragmentierte Stücke.

Stellen Sie sich vor, Sie versuchen, eine zerrissene Zeitung wieder zusammenzusetzen. Eine langsame, sorgfältige Methode könnte die ganze Titelseite perfekt zusammensetzen. BWR-finder hingegen – der „Geschwindigkeitsmonster“ – könnte alle zerrissenen Teile sehr schnell finden, lässt sie aber in einem Haufen kleiner Fragmente zurück. Die Forscher fanden heraus, dass BWR-finder für das menschliche Genom 10.000 bis 12.000 Repeat-Sequenzen produzierte, während die „Goldstandard“-Bibliothek nur etwa 1.100 hatte. Viele davon waren lediglich Fragmente derselben Geschichte.

Die Autoren schlagen vor, dass BWR-finder zwar exzellent darin ist, alle Kandidaten schnell zu finden, Wissenschaftler aber dennoch etwas „Nachbearbeitung“ leisten müssen, um diese Fragmente wieder zu vollständigen Geschichten zusammenzukleben.

Warum das wichtig ist

Dieses Paper legt nahe, dass wir nun in der Lage sind, die größten Genome der Erde – wie die von Lungenfischen und Salamandern – zu analysieren, ohne unmögliche Mengen an Rechenleistung zu benötigen. Durch den Einsatz des BWT-Tricks öffnet BWR-finder die Tür zur Untersuchung der „Dunklen Materie“ gigantischer Genome und hilft uns zu verstehen, wie das Leben evolviert, wenn seine Bedienungsanleitung 87 Milliarden Buchstaben umfasst. Es ist kein Zauberstab, der alles sofort löst, aber es ist eine leistungsstarke neue Taschenlampe, um die tiefsten, am stärksten repetitiven Ecken der biologischen Bibliothek zu erkunden.