TIR-Learner v4: Accelerated annotation of terminal inverted repeat transposons

Die Geschichte des Lebens ist in einem Code geschrieben, der sowohl unglaublich einfach als auch überwältigend gewaltig ist. Jedes Lebewesen, vom winzigen Moos bis zum Blauwal, trägt seine Anweisungen in langen DNA-Strängen, einem molekularen Skript, das festlegt, wie ein Organismus wächst, funktioniert und sich fortpflanzt. Jahrzehntelang konnten Wissenschaftler diese Skripte lesen, doch das schiere Datenvolumen ist so schnell gewachsen, dass die Werkzeuge, die zur Analyse verwendet werden, Schwierigkeiten haben, Schritt zu halten. Innerhalb dieser genetischen Anweisungen gibt es Abschnitte, die wie biologische Kopieren-und-Einfügen-Befehle fungieren. Diese sind als transponierbare Elemente oder „springende Gene“ bekannt, die sich im Genom bewegen können, was manchmal Mutationen verursacht oder die Evolution vorantreibt. Ein spezieller Typ, genannt terminale invertierte Repeat-Transposons, ist in komplexen Lebensformen wie Wirbeltieren besonders häufig. Zu verstehen, wo diese Elemente sitzen und wie sie sich verhalten, ist entscheidend für ein vollständiges Bild des genetischen Aufbaus eines Tieres, aber das Auffinden von ihnen in den massiven, neu zusammengestellten Genomen von heute ist eine Aufgabe geworden, die für die Software der Vergangenheit zu langsam ist.

Ein Forschungsteam der Ohio State University, unter der Leitung von Shujun Ou und Kenji Gerhardt, hat diesen Engpass durch eine komplette Überarbeitung ihrer Software behoben und eine neue Version namens TIR-Learner v4 veröffentlicht. Die vorherige Version dieses Programms war prinzipiell effektiv beim Finden dieser genetischen Elemente, basierte jedoch auf einem älteren Design, das bei den größten existierenden Genomen kapitulierte. Wenn Wissenschaftler versuchten, die alte Software auf den nahezu vollständigen Genomen massiver Tiere wie dem Axolotl oder dem Afrikanischen Lungenfisch anzuwenden, lief das Programm entweder in den Speicher voll oder benötigte Tage für eine Aufgabe, die eigentlich nur Minuten hätte dauern sollen. Die neue Version ist nicht nur ein kleineres Update; sie ist ein kompletter Neuentwurf des Codes, der die Suche antreibt. Durch den Aufbau der Kern-Engines der Software in einer effizienteren Programmiersprache und die Umstrukturierung der Art und Weise, wie der Computer die Daten verarbeitet, hat das Team den Prozess um den Faktor einhundert beschleunigt.

Die Forscher demonstrierten die Leistungsfähigkeit dieses neuen Werkzeugs, indem sie es auf die gesamte erste Phase des Vertebrate Genomes Project anwandten, einer massiven internationalen Anstrengung, die darauf abzielt, die DNA jeder Wirbeltierart auf der Erde zu sequenzieren. Diese Sammlung umfasst 579 verschiedene Arten, die von kleinen Fischen bis hin zu großen Säugetieren reichen, und repräsentiert eine Gesamtzahl von 1,22 Billionen Basen der genetischen Sequenz. Mit der alten Software wäre die Annotation dieser Genome ein logistischer Albtraum gewesen, der wahrscheinlich Wochen oder Monate gedauert und enorme Rechenleistung erfordert hätte. Mit TIR-Learner v4 verarbeitete das Team alle 579 Genome in etwas mehr als vier Stunden. In diesem Zeitraum identifizierte und kartierte die Software die terminalen invertierten Repeat-Transposons über den gesamten Datensatz hinweg – eine Leistung, die aufgrund der Beschränkungen des älteren Programms zuvor unmöglich war.

Die Beschleunigung wurde dadurch erreicht, dass die Art und Weise geändert wurde, wie die Software die Arbeit aufteilt. Anstatt zu versuchen, ein ganzes Genom auf einmal zu verarbeiten, was den Computer-Speicher überfordert, schneidet das neue System den genetischen Code in kleine, handhabbare Stücke. Es weist diese Stücke dann verschiedenen Teilen des Computers zu, die gleichzeitig daran arbeiten können. Die Forscher ersetzten zudem die langsamen, schweren Algorithmen, die zur Identifizierung der spezifischen Muster dieser springenden Gene verwendet wurden, durch wesentlich schnellere, optimierte Versionen. Eine der wichtigsten Verbesserungen war die Behebung eines Fehlers in der Art und Weise, wie die Software die Ähnlichkeit zwischen genetischen Sequenzen misst. Die alte Version machte gelegentlich Rechenfehler, die dazu führten, dass sie gültige genetische Elemente verworf, insbesondere solche mit kleinen Insertionen oder Deletionen. Die neue Version korrigiert dies und stellt sicher, dass die endgültige Karte des Genoms präziser und vollständiger ist.

Dieser Fortschritt bedeutet, dass die Suche nach diesen genetischen Elementen kein Hindernis mehr für die wissenschaftliche Entdeckung darstellt. Die Software ist nun in der Lage, Genome jeglicher Größe, von den kleinsten bis zu den größten, zu verarbeiten, ohne langsamer zu werden oder abzustürzen. Die Forscher fanden heraus, dass die Zeit, die das Ausführen des Programms benötigt, in einer geraden, vorhersehbaren Linie mit der Größe des Genoms wächst, anstatt wie zuvor exponentiell anzusteigen. Darüber hinaus ist die neue Software sehr speichereffizient konzipiert und nutzt unabhängig von der Größe des Genoms eine konstante Menge an Computerspeicher. Dies ermöglicht es Wissenschaftlern, das Programm auf Standard-Computing-Clustern auszuführen, ohne spezielle, teure Hardware zu benötigen.

Die Auswirkungen dieser Arbeit gehen über die reine Geschwindigkeit hinaus. Indem sie die Annotation dieser genetischen Elemente schnell und zuverlässig macht, öffnet das neue Werkzeug die Tür für Forscher, die Evolutionsgeschichte der Wirbeltiere in viel größerer Detailtiefe zu untersuchen. Die Software wurde bereits der Öffentlichkeit zugänglich gemacht, sodass andere Wissenschaftler sie in ihrer eigenen Forschung anwenden können. Das Team merkt an, dass die aktuelle Version zwar ein Modell verwendet, das auf bestehenden Daten trainiert wurde, die massiven Mengen an neuen Informationen, die durch Projekte wie das Vertebrate Genomes Project generiert werden, jedoch in Zukunft noch bessere Modelle ermöglichen werden. Während immer mehr Genome sequenziert werden, wird die Bibliothek der bekannten genetischen Elemente wachsen, und die Software kann neu trainiert werden, um noch präziser zu werden. Für den Moment ist die primäre Errungenschaft klar: Ein Werkzeug, das einst ein Hindernis war, wurde in einen Hochgeschwindigkeitsmotor verwandelt, der in der Lage ist, die genetischen Baupläne des Lebens in einem Tempo zu verarbeiten, das der rasanten Expansion der genomischen Daten entspricht.