PoLoCo: A reproducible pooled low-coverage workflow for draft genome assembly and allele frequency analysis from ethanol-preserved small non-model invertebrates

El mundo natural está lleno de criaturas diminutas que desempeñan papeles masivos en el mantenimiento de la salud de los ecosistemas, aunque muchas de ellas siguen siendo misterios genéticos. Los científicos suelen estudiar el ADN de los animales para comprender cómo se adaptan, se mueven y sobreviven, pero este trabajo suele requerir material genético fresco y de alta calidad. Para muchos invertebrados pequeños, como los colémbolos, los investigadores dependen de especímenes preservados en etanol, un método común para almacenar muestras biológicas en el campo. Sin embargo, el alcohol utilizado para preservar estas criaturas a menudo daña su ADN con el tiempo, rompiéndolo en piezas diminutas y fragmentadas. Este daño ha hecho que, históricamente, sea casi imposible leer su código genético, dejando un vasto vacío en nuestra comprensión de la biodiversidad del suelo. Sin un mapa genético completo, o genoma de referencia, los científicos no pueden comparar fácilmente las variaciones genéticas entre diferentes poblaciones de estos animales, lo que limita nuestra capacidad para rastrear cómo responden a los cambios ambientales.

Para cerrar esta brecha, un equipo de investigadores de la Universidad de Friburgo desarrolló un nuevo método reproducible llamado PoLoCo, diseñado específicamente para trabajar con estas muestras difíciles preservadas en etanol. En lugar de desechar el ADN dañado, el equipo combinó el material genético de muchos individuos de colémbolos en un solo grupo y utilizó tecnología de secuenciación de lectura corta para reconstruir un genoma preliminar. Probaron este flujo de trabajo con el colémbolo de la nieve, Entomobrya nivalis, un colémbolo común que se encuentra en los bosques europeos. Al agrupar el ADN de ocho individuos, lograron ensamblar un genoma que, aunque fragmentado, contenía casi todos los genes esenciales necesarios para la supervivencia del animal. Luego aplicaron este mismo método a 8 de 82 grupos diferentes de colémbolos recolectados en diversas partes del Bosque Negro en Alemania. Los resultados mostraron que, incluso con ADN degradado, es posible generar un mapa genético fiable y medir qué tan comunes son las variaciones genéticas específicas en una población. Este enfoque demuestra que se puede extraer información genómica valiosa de muestras de campo preservadas durante mucho tiempo, abriendo la puerta al estudio de la genética de innumerables otras criaturas pequeñas que habitan en el suelo y que anteriormente se consideraban demasiado difíciles de analizar.

Los investigadores comenzaron su trabajo recolectando miles de colémbolos de trampas de interceptación de vuelo instaladas en el Bosque Negro. Estos especímenes habían sido almacenados en etanol durante años, lo que significaba que su ADN estaba roto en fragmentos pequeños. Reconociendo que un solo colémbolo no proporcionaría suficiente ADN para la secuenciación, el equipo agrupó los cuerpos de múltiples individuos antes de extraer su material genético. Utilizaron un kit de preparación de librerías especializado, diseñado para manejar este tipo de ADN dañado, asegurando que incluso los fragmentos más cortos pudieran ser leídos por las máquinas de secuenciación. Para el paso inicial de la construcción de un mapa genético, seleccionaron un grupo de ocho colémbolos adultos y secuenciaron su ADN con una profundidad que les permitiera reconstruir el genoma. El ensamblaje resultante fue un mosaico de 142,936 piezas separadas, o contigs, que sumaban 411 millones de pares de bases. Aunque las piezas eran pequeñas y el genoma no era perfectamente continuo, el ensamblaje era notablemente completo. Cuando los investigadores comprobaron la presencia de 1,013 genes que son esenciales para todos los artrópodos, encontraron que el 97.7 por ciento estaban presentes en su genoma preliminar. Este alto nivel de completitud indicaba que, a pesar de la fragmentación, la información genética necesaria para el análisis estaba allí.

Para asegurar que su nuevo mapa genético fuera preciso, el equipo lo comparó con un genoma de referencia de alta calidad previamente publicado de la misma especie. La comparación reveló que su genoma preliminar cubría casi el 98 por ciento del referente conocido, confirmando que habían reconstruido con éxito la estructura genética central. Sin embargo, la comparación también resaltó las diferencias causadas por su método; el nuevo ensamblaje tenía más brechas y algunos errores estructurales en comparación con el referente pulido, un compromiso esperado al trabajar con material degradado. A pesar de estas imperfecciones, el genoma preliminar demostró ser una herramienta funcional. Los investigadores utilizaron entonces este mapa personalizado para analizar las 82 poblaciones restantes agrupadas. Alinearon las secuencias de ADN de cada población con su genoma preliminar para identificar cambios de una sola letra en el código genético, conocidos como polimorfismos de nucleótido único, y calcularon con qué frecuencia aparecían estos cambios en cada grupo.

El estudio reveló que la elección del mapa genético influyó significativamente en los resultados. Cuando los investigadores compararon los datos generados utilizando su nuevo genoma preliminar con los datos generados utilizando el referente publicado, encontraron diferencias distintas en las listas finales de variaciones genéticas. El referente publicado produjo un mayor número de marcadores genéticos, pero muchos de ellos estaban respaldados por datos de solo unas pocas poblaciones. En contraste, el genoma preliminar generado por el equipo produjo menos marcadores totales, pero los que encontró estaban respaldados por un número mucho mayor de poblaciones. Esto sugiere que, si bien el mapa publicado es más completo, el mapa personalizado construido a partir de las muestras específicas del estudio proporcionó una visión más consistente y fiable de las variaciones genéticas presentes en toda la región. Los investigadores también observaron que el conjunto de datos basado en el genoma preliminar mostraba una mayor proporción de variantes genéticas raras, lo que a menudo es signo de un método de detección más sensible para poblaciones locales específicas.

Más allá de los hallazgos biológicos, el equipo documentó cuidadosamente los recursos computacionales necesarios para ejecutar todo este proceso. Demostraron que el flujo de trabajo podía ejecutarse en sistemas estándar de computación de alto rendimiento sin necesidad de cantidades extremas de memoria o potencia de procesamiento. Ningún paso individual en el proceso requirió más de 32 procesadores de computadora o 128 gigabytes de memoria, lo que hace que el método sea accesible para muchos grupos de investigación. Todo el flujo de trabajo, incluidos los scripts para ensamblar el genoma, filtrar los datos y calcular las frecuencias genéticas, se puso a disposición del público de forma gratuita. Esta transparencia garantiza que otros científicos puedan repetir el estudio o aplicar el mismo método a diferentes especies. Los investigadores enfatizaron que su objetivo no era reemplazar los genomas de referencia de alta calidad donde ya existen, sino proporcionar un camino viable para estudiar especies donde tales recursos faltan o donde solo se dispone de muestras degradadas.

Las implicaciones de este trabajo se extienden mucho más allá del colémbolo de la nieve. Al demostrar que los especímenes preservados en etanol pueden producir datos genómicos útiles, el flujo de trabajo de PoLoCo ofrece una nueva forma de desbloquear la historia genética de innumerables invertebrados almacenados en colecciones de museos y archivos de campo. Estas colecciones representan un recurso vasto y sin explotar para comprender la biodiversidad, pero a menudo han sido dejadas de lado porque se pensaba que el ADN en su interior estaba demasiado dañado para ser utilizado. Este estudio muestra que, con el enfoque adecuado, los científicos ahora pueden convertir estas muestras preservadas en poderosas herramientas para la investigación ecológica y evolutiva. La capacidad de generar genomas preliminares y analizar la genética de poblaciones a partir de muestras difíciles significa que los investigadores ahora pueden plantear preguntas complejas sobre la adaptación y la estructura de las poblaciones en sistemas que antes estaban fuera de su alcance. El método proporciona un marco práctico para integrar a los organismos no modelo recolectados en el campo en el panorama más amplio de la ciencia genómica, asegurando que los arquitectos diminutos y a menudo ignorados de nuestros ecosistemas ya no sean invisibles para nuestra comprensión genética.