Towards standards for analysing structural variants from short-read whole genome sequencing data

Unser genetischer Code ist in einer langen, verdrehten Leiter aus DNA geschrieben, aber manchmal werden die Anweisungen auf eine Weise umgestellt, die zu groß ist, um als einfache Tippfehler gesehen zu werden. Diese groß angelegten Veränderungen, bekannt als Strukturvarianten, beinhalten DNA-Abschnitte von fünfzig Buchstaben oder mehr, die gelöscht, kopiert, umgedreht oder an einen neuen Ort verschoben wurden. Während Wissenschaftler schon lange wissen, dass diese Umstellungen eine große Rolle sowohl bei seltenen Krankheiten als auch bei häufigen Merkmalen spielen, war das Aufspüren dieser Veränderungen schwierig. Jahrelang stützte sich die Standardmethode zum Lesen unserer DNA auf die Short-Read-Sequenzierung, eine Technik, die das Genom in winzige Fragmente zerlegt, sie liest und dann versucht, sie wieder wie ein zerfetztes Buch zusammenzufügen. Diese Methode funktioniert gut beim Finden kleiner Fehler, aber sie hat oft Schwierigkeiten, das große Ganze zu sehen, wodurch Forscher sich unsicher bleiben, wo genau eine große Umstellung beginnt und endet. Ohne einen klaren, vereinbarten Standard dafür, wie man diese großen Veränderungen findet und misst, war der Vergleich von Ergebnissen zwischen verschiedenen Studien so, als würde man versuchen, Karten zu vergleichen, die von verschiedenen Kartografen mit unterschiedlichen Maßstäben gezeichnet wurden.

Ein Team von Forschern setzte sich zum Ziel, diese Verwirrung zu beheben, indem es testete, wie gut aktuelle Computerprogramme in der Lage sind, diese großen DNA-Umstellungen unter Verwendung von Short-Read-Daten zu finden. Sie sammelten eine Sammlung bekannter, verifizierter DNA-Veränderungen – im Wesentlichen einen „Wahrheitsdatensatz“ (Truth Set), bei dem der genaue Ort und die Größe jeder Variante bereits bekannt sind – und nutzten sie als Testgelände. Sie ließen sechzehn verschiedene Software-Tools und vier große kombinierte Pipelines laufen – also Workflows, die mehrere Tools gleichzeitig ausführen, um mehr Varianten zu erfassen – gegen diesen Wahrheitsdatensatz. Das Ziel war es zu sehen, welche Programme in der Lage sind, den exakten Start- und Endpunkt einer DNA-Veränderung bis auf den einzelnen Buchstaben genau zu bestimmen, anstatt nur die ungefähre Gegend zu erraten.

Die Ergebnisse offenbarten einen überraschenden Mangel in der derzeitigen Arbeitsweise des Fachbereichs. Während einzelne Software-Tools oft gut darin waren, den exakten Ort einer Deletion oder Insertion zu finden, schnitten die kombinierten Pipelines, auf die sich viele groß angelegte Studien verlassen, tatsächlich schlechter ab. Wenn diese Pipelines die Ergebnisse mehrerer Tools zusammenführten, um eine einzige Liste von Varianten zu erstellen, verloren sie häufig die präzisen Details. In vielen Fällen reduzierte der kombinierte Ansatz die Anzahl der perfekt genauen Übereinstimmungen im Vergleich zum besten Einzeltool um bis zu neunundneunzig Prozent. Dies deutet darauf hin, dass die Methode, mit der die Daten kombiniert werden, Fehler einführt und die scharfen Kanten der DNA-Veränderungen verwischt. Da große öffentliche Datenbanken der menschlichen genetischen Variation auf denselben kombinierten Pipelines aufgebaut sind, bedeutet die in der Studie gefundene Ungenauigkeit höchstwahrscheinlich, dass viele bestehende Aufzeichnungen menschlicher DNA-Unterschiede unpräzise Messungen darüber enthalten, wo diese Veränderungen auftreten.

Um dies zu adressieren, testeten die Forscher eine neue Strategie zur Kombination der Daten. Anstatt die Software die Ergebnisse basierend auf lockeren Regeln automatisch zusammenführen zu lassen, entwickelten sie ein System, das das genaueste Tool für die jeweilige Art und Größe der DNA-Veränderung priorisiert. Zum Beispiel könnte ein Tool am besten darin sein, kleine Deletionen zu finden, während ein anderes besser für große Deletionen geeignet ist. Indem sie das beste Tool für die jeweilige Aufgabe die Führung übernehmen ließen und nur zusätzliche Funde aus anderen Tools hinzufügten, wenn diese nicht im Konflikt standen, erstellten das Team neue Ergebnisse. Dieser Ansatz lieferte mehr perfekt genaue Übereinstimmungen als jede der getesteten Standard-Pipelines. Als sie diese neuen Ergebnisse mit unabhängigen Datenbanken verglichen, die aus der Long-Read-Sequenzierung stammen – einer fortschrittlicheren Technologie, die längere DNA-Abschnitte liest, ohne sie zu zerstückeln –, zeigte die neue Methode eine viel höhere Übereinstimmung. Sie stellte fest, dass die Standard-Pipelines viele reale Veränderungen übersehen, insbesondere in komplexen, repetitiven Regionen des Genoms, in denen sich DNA-Sequenzen wiederholen.

Die Studie verdeutlicht, dass die Art und Weise, wie Forscher derzeit Daten aus verschiedenen Software-Tools kombinieren, einen bedeutenden Engpass für das Verständnis der menschlichen Genetik darstellt. Die Ergebnisse legen nahe, dass das bloße Zusammenführen von mehr Tools nicht automatisch bessere Ergebnisse garantiert; tatsächlich kann es die Genauigkeit der endgültigen Daten verschlechtern. Durch die Anwendung eines sorgfältigeren, prioritätenbasierten Ansatzes zur Zusammenführung dieser Funde können Wissenschaftler eine vollständigere und präzisere Karte der Strukturvarianten erstellen. Diese Verbesserung ist für die zukünftige Forschung von entscheidender Bedeutung, da das Wissen um die exakten Grenzen einer DNA-Veränderung essenziell ist, um zu verstehen, ob sie ein Gen stört oder eine Krankheit verursacht. Die Arbeit bietet einen klaren Weg nach vorn, um bessere Standards zu etablieren und sicherzustellen, dass die genetischen Karten, die Forscher weltweit verwenden, so genau und detailliert wie möglich sind.