Résumé technique : AirLift

Énoncé du problème

Les génomes de référence sont intrinsèquement des représentations imparfaites de l'individu sain moyen d'une espèce, en raison des erreurs des technologies de séquençage et des algorithmes d'assemblage. À mesure que les technologies de séquençage et les outils d'assemblage s'améliorent, les génomes de référence sont mis à jour de manière incrémentale (par exemple, les mises à jour du génome humain de GRCh37 à GRCh38, et les récents assemblages télomère à télomère). Pour garantir l'exactitude des analyses génomiques en aval, telles que l'appel de variants, les ensembles de lectures doivent être mappés sur le génome de référence le plus récent.

Actuellement, l'approche standard consiste à relancer l'ensemble du pipeline d'analyse, en remappant intégralement toutes les lectures à partir de zéro sur le nouveau référentiel. Ce processus est coûteux en calcul ; par exemple, l'alignement de 300 millions de lectures courtes sur le génome humain peut prendre environ 75 heures. Avec le volume des données génomiques doublant tous les huit mois et l'émergence de génomes de référence hautement spécifiques pour des populations diverses, la nécessité de mapper des ensembles de lectures sur plusieurs référentiels exacerbe cette charge computationnelle.

Les outils de « remappage » existants (par exemple, UCSC LiftOver, CrossMap) tentent d'accélérer ce processus en utilisant des fichiers de chaîne pour traduire les coordonnées d'un ancien référentiel vers un nouveau, basés sur des régions constantes. Cependant, ces outils souffrent de trois limitations critiques :

1. Manque de exhaustivité : Ils ne peuvent pas remapper les lectures qui tombent dans des régions « retirées » (supprimées dans le nouveau référentiel) ou « nouvelles » (insérées dans le nouveau référentiel), entraînant une perte significative de couverture génomique (par exemple, manquant plus de 7 % des annotations de gènes lors du passage de hg16 à hg38).
2. Inexactitude : Ils remappent souvent les lectures vers des emplacements dans le nouveau référentiel qui ne s'alignent pas bien avec la séquence de la lecture, en particulier lorsque de grandes insertions existent dans le nouveau référentiel, ce qui se traduit par des taux d'erreur dépassant les seuils acceptables.
3. Incompatibilité avec l'analyse en aval : De nombreux outils produisent des sorties (par exemple, des fichiers BED ou des BAM avec des chaînes CIGAR incorrectes) qui sont incompatibles avec les pipelines standards d'appel de variants comme GATK.

Méthodologie : AirLift

AirLift est une méthodologie et un outil conçus pour fournir une solution de remappage BAM vers BAM rapide, exhaustive et précise de bout en bout. Il exploite la similarité entre deux génomes de référence pour minimiser le besoin d'un alignement complet tout en garantissant que toutes les lectures sont traitées.

Concepts de base : Régions du génome de référence

AirLift catégorise les régions entre un ancien et un nouveau génome de référence en quatre types :

1. Régions constantes : Séquences exactement identiques dans les deux référentiels.
2. Régions mises à jour : Séquences dans l'ancien référentiel qui se mappent sur des séquences similaires (mais non identiques) dans le nouveau référentiel.
3. Régions retirées : Séquences dans l'ancien référentiel qui n'ont aucune région correspondante dans le nouveau référentiel (suppressions).
4. Régions nouvelles : Séquences dans le nouveau référentiel qui n'ont aucune région correspondante dans l'ancien référentiel (insertions).

L'index AirLift

Le cœur d'AirLift est un index AirLift prétraité, construit via un processus en huit étapes impliquant un alignement global et l'extraction de graines. Cet index se compose de deux tables de recherche (LUT) :

• LUT des régions constantes : Mape les correspondances exactes entre l'ancien et le nouveau référentiel.
• LUT des régions mises à jour : Mape les correspondances approximatives (dans un taux d'erreur défini) entre l'ancien et le nouveau référentiel.

Crucialement, la construction de la LUT des régions mises à jour utilise un taux d'erreur conservateur de 2e (où e est le taux d'erreur d'alignement acceptable, typiquement 5 %). Cela garantit que toute lecture se mappant sur une région mise à jour dans l'ancien référentiel avec un taux d'erreur e trouvera un emplacement potentiel correspondant dans le nouveau référentiel, même si la différence de séquence entre les deux référentiels atteint 2e.

Procédure de remappage

AirLift traite chaque lecture d'un fichier BAM en fonction de son emplacement de mappage original dans l'ancien référentiel :

1. Lectures des régions constantes : Si la lecture se mappe sur une région constante, AirLift utilise la LUT des régions constantes (via un outil appelé FastRemap) pour traduire instantanément les coordonnées vers le nouveau référentiel. Aucun réalignement n'est effectué.
2. Lectures des régions mises à jour : Si la lecture se mappe sur une région mise à jour, AirLift interroge la LUT des régions mises à jour pour identifier les emplacements candidats dans le nouveau référentiel. Il effectue ensuite un alignement complet (en utilisant BWA-MEM) uniquement contre ces emplacements candidats spécifiques pour trouver la meilleure correspondance dans le seuil d'erreur e.
3. Lectures des régions retirées : Si la lecture se mappe sur une région retirée, elle est marquée comme non mappée dans le nouveau référentiel, car aucune séquence correspondante n'existe.
4. Lectures précédemment non mappées : Les lectures qui étaient non mappées dans l'ancien référentiel sont entièrement alignées sur les régions nouvelles et mises à jour du nouveau référentiel en utilisant un mappeur complet (BWA-MEM).

Cette approche hybride garantit que la grande majorité des lectures (celles des régions constantes) sont traitées instantanément, tandis qu'une petite fraction nécessitant une gestion complexe subit un alignement complet.

Contributions clés

• Premier remappeur BAM vers BAM exhaustif : AirLift est le premier outil à fournir une solution de bout en bout qui produit des fichiers BAM compatibles avec les outils d'analyse en aval (comme GATK) pour toutes les lectures, y compris celles des régions retirées et nouvelles.
• Haute précision : En utilisant un taux d'erreur conservateur de 2e lors de la construction de l'index et en réalignant les lectures des régions mises à jour, AirLift évite les taux d'erreur élevés associés au simple décalage de coordonnées.
• Vitesse : Il réduit considérablement le temps d'exécution en évitant le remappage complet pour les lectures des régions constantes, qui constituent la majorité du génome.

Résultats

Les auteurs ont évalué AirLift par rapport aux outils de remappage de pointe (CrossMap, LiftOver) et à la référence du remappage complet utilisant BWA-MEM sur des génomes de référence humains, de C. elegans et de levure.

• Temps d'exécution : AirLift réalise un gain de vitesse de 2,76× à 27,4× par rapport au remappage complet. Le gain de vitesse est le plus élevé pour les génomes humains (jusqu'à 27,4× pour hg17→hg38) où les régions constantes sont grandes, et plus faible pour la levure où les régions constantes sont plus petites par rapport au génome total.
• Précision (Appel de variants) : En utilisant GATK HaplotypeCaller, AirLift démontre une précision et un rappel pour la détection de SNP et d'Indels comparables au remappage complet. Par exemple, lors du remappage de lectures humaines de hg19 vers hg38, AirLift a atteint 97,05 % de précision et 96,39 % de rappel pour les SNP par rapport à la vérité terrain, contre 97,73 %/99,25 % pour le mappage complet.
• Exhaustivité : Contrairement à CrossMap et LiftOver, qui manquent des portions significatives d'annotations (par exemple, 4,47 % des gènes lors du passage de hg19 à hg38), AirLift traite l'ensemble de l'ensemble de lectures, garantissant qu'aucune région génomique n'est ignorée.
• Utilisation de la mémoire : L'utilisation maximale de la mémoire d'AirLift est comparable au remappage complet (BWA-MEM) car il repose sur BWA-MEM pour le sous-ensemble de lectures des régions mises à jour, ce qui nécessite toujours une mémoire substantielle.

Importance

L'article affirme qu'AirLift est une alternative viable et haute performance au remappage complet pour les chercheurs mettant à jour les études génomiques vers de nouvelles versions de référence. En éliminant la nécessité de relancer des pipelines coûteux en calcul à partir de zéro tout en maintenant une haute précision et exhaustivité, AirLift permet l'adaptation rapide de grands ensembles de données génomiques aux génomes de référence les plus récents. Cela est particulièrement significatif compte tenu de la fréquence croissante des mises à jour de génomes de référence et du volume grandissant des données génomiques, permettant aux chercheurs de maintenir des analyses à jour sans coûts computationnels prohibitifs. L'outil est open-source et fournit un flux de travail complet BAM vers BAM, facilitant une analyse en aval immédiate.