Size dependent loss of structural variant allele counts in pangenome derived VCFs

Jeder Mensch trägt einen einzigartigen Satz von Anweisungen in sich, die in der Sprache der DNA geschrieben sind. Während ein Großteil dieses Codes von Mensch zu Mensch identisch ist, sind es die Unterschiede, die uns zu Individuen machen und unsere Gesundheit beeinflussen. Wissenschaftler haben sich lange auf winzige, einbuchstabige Veränderungen im Code konzentriert, die leicht zu erkennen und zu erfassen sind. Die dramatischsten Unterschiede bestehen jedoch oft aus großen DNA-Abschnitten – manchmal tausende Buchstaben lang –, die gelöscht, dupliziert oder umgestellt werden. Diese werden als Strukturvarianten bezeichnet. Da sie so groß und komplex sind, sind sie viel schwieriger zu kartieren als einbuchstabige Änderungen. In der Vergangenheit versuchten Wissenschaftler, diese großen, unordentlichen Unterschiede in eine einfache, lineare Liste zu pressen, ähnlich wie der Versuch, eine windungsreiche Bergstraße zu beschreiben, indem man nur die geraden Autobahnabschnitte auflistet, die sie kreuzt. Dieser Ansatz verlor oft entscheidende Details darüber, wie viele Menschen tatsächlich eine bestimmte Veränderung trugen.

Um dies zu lösen, entwickelten Forscher kürzlich eine neue Art, genetische Daten zu speichern, die ein Pangenom-Graph ist. Anstatt einer einzelnen geraden Linie webt dieser Graph die DNA-Sequenzen vieler verschiedener Menschen in eine einzige, verzweigte Struktur zusammen. In dieser Karte ist die DNA jedes Menschen ein Pfad, der durch dieselbe Landschaft windet, wobei er sich an verschiedenen Punkten aufteilt und wieder vereint. Dies ermöglicht es Wissenschaftlern, große Strukturvarianten als natürliche Merkmale des Geländes zu sehen, anstatt als erzwungene Annotationen. Fast alle Softwareprogramme, die zur Untersuchung von Krankheiten und Evolution verwendet werden, erwarten jedoch Daten im alten, einfachen Listenformat. Um den neuen Graphen nutzen zu können, müssen Wissenschaftler ihn zurück in eine Liste konvertieren, ein Prozess, der wie ein Übersetzer zwischen zwei sehr unterschiedlichen Sprachen wirkt. Die entscheidende Frage war, ob dieser Übersetzungsprozess die wahre Anzahl dessen bewahrt, wie viele Menschen eine bestimmte große Variante tragen, oder ob der Akt der Konvertierung die Information auseinanderreißt.

Ein Forscherteam setzte sich zum Ziel, genau dies zu testen. Sie entwarfen ein kontrolliertes Experiment, bei dem sie die Antwort kannten, bevor sie begannen. Auf der Grundlage echter menschlicher DNA-Sequenzen simulierten sie Panels von zwanzig Individuen, wobei sie große Strukturvarianten an spezifischen Positionen platzierten und sie bestimmten Trägern zuordneten. Da sie das Experiment selbst entworfen hatten, kannten sie die exakte Anzahl der Personen, die jede Variante trugen. Sie erstellten daraufhin einen Pangenom-Graphen aus diesen simulierten Daten und ließen ihn durch die Standard-Konvertierungspipeline laufen, die von großen Forschungskonsortien verwendet wird, um den Graphen zurück in eine Liste zu verwandeln. Durch den Vergleich der endgültigen Liste mit ihrer ursprünglichen Wahrheit konnten sie genau sehen, welche Informationen die Reise überstanden hatten und welche verloren gingen.

Die Ergebnisse zeigten ein klares und systematisches Problem. Bei kleinen Varianten funktionierte die Konvertierung fast perfekt und bewahrte die Anzahl der Träger. Doch sobald die Größe der Variante zunahm, sank die Genauigkeit der Zählung drastisch. Für Varianten, die 100 Buchstaben lang waren, identifizierte die Konvertierung die Anzahl der Träger in fast jedem Fall korrekt. Für Varianten, die jedoch 30.000 Buchstaben lang waren, wurde die korrekte Anzahl in nur etwa der Hälfte der Fälle wiederhergestellt. Je größer die Variante war, desto wahrscheinlicher war es, dass der Konvertierungsprozess die Daten fragmentierte und eine einzige Gruppe von Trägern in viele kleinere, unzusammenhängende Gruppen aufteilte. Diese Fragmentierung war in Regionen des Genoms, die ohnehin schwer zu lesen sind – bekannt als segmentale Duplikationen –, noch schlimmer, wo die korrekte Anzahl der größten Varianten in weniger als 40 Prozent der Fälle wiederhergestellt wurde.

Das Team verfolgte die Ursache dieses Fehlers bis zum allerersten Schritt des Konvertierungsprozesses. Wenn der Graph in eine Liste zerlegt wird, sucht die Software nach „Blasen“ – Abschnitten, in denen Pfade divergieren und wieder zusammenlaufen. Sie behandelt jeden einzigartigen Pfad durch eine Blase als eine distinkte Variante. Da große Blasen oft viele winzige, unzusammenhängende Unterschiede zwischen den Trägern enthalten, sieht die Software fälschlicherweise eine einzige große Deletion als dutzende leicht unterschiedliche Ereignisse an. Die nachfolgenden Schritte in der Pipeline, die darauf ausgelegt sind, die Liste zu bereinigen und zu vereinfachen, konnten dieses grundlegende Missverständnis nicht korrigieren. Sie konnten zwar einige der Fragmente zusammenführen, aber sie konnten die ursprüngliche, vereinheitlichte Gruppe der Träger nicht rekonstruieren, da die initiale Zerlegung die Verbindung bereits verloren hatte.

Um zu beweisen, dass dies ein Fehler in der Übersetzungsmethode und nicht ein Fehler im Graphen selbst war, probierte das Team einen anderen Ansatz aus. Anstatt den Graphen zuerst in eine Liste zu konvertieren, schrieben sie ein Werkzeug, das die Träger direkt durch das Durchwandern der Graphpfade zählt. Diese Methode umging die Übersetzung vollständig. Als sie diese direkte Zählmethode verwendeten, stellten sie die korrekte Anzahl der Träger für 99 Prozent der Varianten wieder her, unabhängig von deren Größe. Dies demonstrierte, dass die Information im Graphen noch vorhanden war, aber die Standardmethode, ihn in eine Liste zu konvertieren, daran scheiterte, ihn korrekt zu lesen. Das Problem lag nicht in der Karte, sondern in der Art und Weise, wie die Karte gelesen wurde.

Das Team untersuchte anschließend reale Daten aus dem Human Pangenome Reference Consortium, um zu sehen, ob dieses Problem auch außerhalb ihrer Simulationen existiert. Sie untersuchten eine spezifische große Deletion, die in der menschlichen Population vorkommt und von 216 von 461 Individuen getragen wird. In den Rohdaten des Graphen erschien dieses einzelne Ereignis als 84 verschiedene Allele, wobei die größte Gruppe nur 25 Träger enthielt. Als sie die endgültige veröffentlichte Liste betrachteten, war das Ereignis in vier separate Datensätze aufgeteilt. Obwohl die Gesamtzahl der Träger beim Zusammenrechnen annähernd korrekt war, wurde das Ereignis nicht mehr als eine einzige Einheit erkannt. Jede Analyse, die die Anzahl der distinkten Strukturvarianten im Genom zählt, würde dieses eine Ereignis fälschlicherweise als vier Ereignisse zählen und somit die Diversität aufblähen und das Verständnis darüber verzerren, wie verbreitet die Variante tatsächlich ist.

Die Studie kommt zu dem Schluss, dass Pangenom-Graphen zwar ein vollständigeres Bild der menschlichen genetischen Variation bieten, die Standardwerkzeuge, die zum Teilen und Analysieren dieser Daten verwendet werden, derzeit jedoch die wichtigsten Informationen für große Varianten zerstören. Der Verlust der genauen Zählungen ist kein seltener Fehler, sondern eine vorhersehbare Folge dessen, wie die Daten übersetzt werden. Die Forscher schlagen vor, dass Wissenschaftler, die Studien zur Häufigkeit großer Strukturvarianten durchführen, die Träger direkt aus den Graphpfaden zählen sollten, anstatt sich auf die konvertierten Listen zu verlassen. Dieser Ansatz ist schneller und weita viel präziser und stellt sicher, dass das wahre Ausmaß der genetischen Vielfalt nicht bei der Übersetzung von einer komplexen Karte zu einer einfachen Liste verloren geht.