Defining a tandem repeat catalog and variation clusters for genome-wide analyses

Cet article présente le catalogue TRExplorer v1.0, une nouvelle ressource de 4,86 millions de loci de répétitions en tandem et de clusters de variation annotés, conçue pour harmoniser les analyses génomiques à grande échelle en intégrant à la fois des données de lecture courte et longue via un algorithme innovant.

L'essentiel

🧬 Le Grand Inventaire des "Boucles" de l'ADN

Imaginez que votre ADN est un livre de recettes géant qui contient les instructions pour construire un être humain. La plupart de ce livre est écrit avec des mots clairs et distincts. Mais il y a des endroits où l'auteur a eu un moment de distraction et a répété le même mot ou la même phrase encore et encore.

Par exemple : "Le chat mange le chat mange le chat..." ou "AAAAA...".
En science, on appelle cela des répétitions en tandem (TR).

Le problème, c'est que dans certains livres de recettes (les catalogues génétiques existants), les gens ne s'accordent pas sur où commence et où finit cette répétition. Est-ce que le "Le" fait partie de la répétition ? Est-ce que le "mange" aussi ?

Si un médecin lit "8 répétitions" dans un catalogue et "12 répétitions" dans un autre pour la même personne, il pourrait se tromper sur un diagnostic médical grave. C'est un peu comme si deux architectes mesuraient la même maison avec des règles différentes : l'un dit "10 mètres", l'autre dit "12 mètres". Qui a raison ?

🛠️ La Solution : Le Catalogue "TRExplorer"

Les auteurs de ce papier ont décidé de créer le grand catalogue de référence pour tout le monde. Ils l'ont appelé TRExplorer v1.0.

Voici comment ils l'ont fait, avec une analogie :

1. Ils ont réuni les experts : Au lieu de regarder seulement le livre de recettes officiel (le génome de référence), ils ont aussi regardé les livres de recettes de 1 000 personnes différentes (des échantillons de population). Cela leur a permis de voir les répétitions qui manquaient dans le livre officiel ou qui étaient un peu différentes chez certaines personnes.
2. Ils ont mis de l'ordre dans le chaos : Ils ont compté 4,86 millions de ces "boucles" d'ADN. C'est énorme !
3. Ils ont créé deux catégories :
   • Les répétitions isolées (Les "Îles") : Ce sont des boucles simples, entourées de texte normal. On peut les compter facilement, même avec des outils anciens (comme des lunettes de lecture simples).
   • Les "Clusters de Variation" (Les "Tempêtes") : C'est la grande nouveauté. Parfois, une répétition est entourée d'un chaos total : d'autres répétitions, des erreurs, des trous. C'est comme une tempête où il est impossible de distinguer un arbre d'un autre.
     • L'astuce : Au lieu d'essayer de compter un arbre dans la tempête, les auteurs disent : "Ne comptez pas l'arbre, comptez toute la tempête !" Ils ont créé un outil (appelé vclust) qui délimite toute la zone de chaos pour l'analyser d'un seul coup. Cela évite les erreurs de lecture.

🗺️ La Carte Interactive (Le Portail)

Pour que n'importe qui (chercheurs, médecins, étudiants) puisse utiliser ce catalogue, ils ont construit un site web interactif (un peu comme Google Maps pour l'ADN).

• Vous pouvez chercher une répétition spécifique.
• Vous pouvez filtrer : "Montrez-moi seulement les répétitions qui changent beaucoup d'une personne à l'autre".
• Vous pouvez télécharger les données pour vos propres analyses.

💡 Pourquoi c'est important ?

Avant, chaque laboratoire utilisait sa propre règle pour mesurer ces répétitions. C'était le chaos.

• Avant : "Mon catalogue dit que cette maladie commence à 10 répétitions." / "Non, le mien dit 15 !" -> Confusion et erreurs de diagnostic.
• Maintenant : Tout le monde utilise la même règle (le catalogue TRExplorer).
  • Cela permet de mieux détecter les maladies génétiques (comme certaines formes de démence ou de maladies musculaires).
  • Cela permet de comparer les résultats de différentes études dans le monde sans se tromper.
  • Cela aide à comprendre pourquoi certaines personnes sont en bonne santé et d'autres non, en regardant ces zones "chaotiques" de l'ADN.

En résumé

Ce papier, c'est comme la création d'un nouveau système métrique universel pour mesurer les zones répétitives de notre ADN. Ils ont non seulement créé la règle de mesure, mais ils ont aussi inventé une nouvelle façon de mesurer les zones les plus compliquées (les tempêtes), et ils ont mis tout cela à disposition de tout le monde gratuitement sur internet. C'est un pas de géant vers une médecine plus précise et moins d'erreurs de diagnostic.

Résumé technique

Titre du papier

Définition d'un catalogue de répétitions en tandem et de clusters de variation pour des analyses à l'échelle du génome.

1. Le Problème

Les catalogues de répétitions en tandem (TR) sont des composants essentiels pour le génotypage des répétitions, car ils définissent les coordonnées génomiques et les motifs attendus de tous les loci TR analysés. Cependant, l'état actuel du domaine présente plusieurs défis majeurs :

• Hétérogénéité et Incompatibilité : Les études à l'échelle du génome utilisent des catalogues de tailles très variables (de <200 000 à >7 millions de loci). Lorsqu'ils se chevauchent, ces catalogues définissent souvent différemment les limites des loci, ce qui empêche la comparaison et la réutilisation des résultats entre les études.
• Limites des approches existantes :
  • Les catalogues basés sur la référence (ex: TRF) peuvent manquer des répétitions polymorphes absentes de la référence ou trop courtes.
  • Les catalogues basés sur des cohortes capturent mieux la variation mais peuvent définir des limites de locus trop larges, incluant des séquences non répétitives, ce qui les rend incompatibles avec les outils de génotypage à lectures courtes (short-reads).
  • Les catalogues anciens, bien que compatibles avec les lectures courtes, sont incomplets et manquent une grande partie des loci polymorphes.
• Complexité des régions : De nombreuses régions TR sont entourées de polymorphismes complexes (clusters de variation). Les outils traditionnels, qui supposent que les séquences flanquantes ressemblent à la référence, échouent souvent à résoudre correctement ces régions, conduisant à des erreurs de génotypage.

2. Méthodologie

Les auteurs ont développé une approche hybride et un nouvel outil algorithmique pour créer un catalogue unifié et des clusters de variation :

• Construction du Catalogue (TRExplorer v1.0) :

  • Stratégie hybride : Le catalogue intègre des loci issus de trois catalogues basés sur des cohortes (incluant des assemblages T2T haplotype-résolus) et un catalogue basé sur la référence.
  • Hiérarchisation : Lorsque plusieurs définitions d'un même locus existent, une définition priorisée est sélectionnée pour assurer la compatibilité avec les études antérieures (notamment pour les loci de maladies connues).
  • Détection de répétitions parfaites : Un algorithme personnalisé (perfect_repeat_finder.py) a été utilisé pour identifier toutes les séquences de répétitions parfaites dans le génome de référence hg38 (≥3 copies pour des motifs de 3-1000 pb, ≥5 pour les dinucléotides, ≥9 pour les homopolymères).
  • Validation de la polymorphie : Le génotypage a été effectué sur des données HiFi (longues lectures) provenant de 1 027 individus (AoU) et 256 individus (HPRC) pour mesurer les taux de polymorphisme et filtrer les loci non polymorphes tout en conservant une sensibilité maximale.

• Définition des "Clusters de Variation" (Variation Clusters - VCs) :

  • Algorithme vclust : Les auteurs ont développé un nouvel algorithme qui utilise des données de séquençage HiFi pour regrouper les répétitions avec leurs polymorphismes environnants.
  • Principe : L'algorithme calcule la probabilité qu'une base flanquante appartienne à un cluster de variation en analysant une fenêtre de 150 pb. Il étend itérativement les limites du cluster tant que la probabilité reste élevée (>0,5).
  • Objectif : Définir a priori les limites de ces régions complexes pour permettre une analyse au niveau de la séquence complète plutôt que le génotypage individuel de chaque répétition, ce qui améliore la précision.

• Outils et Portail :

  • Création du portail web trexplorer.broadinstitute.org pour l'exploration interactive, la visualisation et le téléchargement du catalogue.
  • Fourniture du catalogue dans des formats compatibles avec les outils de génotypage à lectures courtes (ex: ExpansionHunter, HipSTR) et longues lectures (ex: TRGT, LongTR).

3. Contributions Clés

• Le Catalogue TRExplorer v1.0 : Un catalogue de référence contenant 4,86 millions de loci TR (4,8 millions de STR et ~60 000 VNTR).
  • Il inclut 780 607 STRs et 21 888 VNTRs polymorphes qui étaient absents des catalogues largement utilisés précédemment.
  • Il est conçu pour être utilisable à la fois avec des données de lectures courtes et longues.
• Stratification des loci : Distinction claire entre :
  1. TRs isolés : Entourés de séquences non polymorphes, adaptés à l'analyse du nombre de copies.
  2. Clusters de Variation (VCs) : Régions contenant des TRs entourés de polymorphismes, nécessitant une analyse au niveau de la séquence.
• Découverte de 25 000+ Clusters Complexes : Identification de régions complexes contenant 5 TRs ou plus, souvent trop grandes (>120 pb) pour un génotypage précis par lectures courtes.
• Ressources Open Source : Mise à disposition du code (vclust, trexplorer-catalog, etc.) et d'un portail interactif pour la communauté.

4. Résultats

• Comparaison des Catalogues : L'analyse pairwise de 11 catalogues existants a montré que chaque paire différait dans plus de la moitié de leurs définitions de loci. Le nouveau catalogue couvre l'ensemble des loci du catalogue GangSTR v17 tout en ajoutant des milliers de nouveaux loci polymorphes.
• Précision du Génotypage :
  • Le génotypage de TRs individuels au sein de clusters de variation a montré un taux de concordance de séquence de 79,43 %.
  • Le génotypage de l'ensemble du cluster de variation (VC) a augmenté ce taux à 90,58 %.
  • Pour les TRs isolés, le taux de concordance était de 96,21 %, confirmant que les erreurs proviennent principalement de l'analyse isolée de TRs dans des régions complexes.
• Caractéristiques des Clusters :
  • Environ 273 000 VCs ont été identifiés, couvrant 744 458 TRs.
  • 18 % des VCs dépassent 120 pb (limite pratique pour les lectures courtes).
  • 24 867 "VCs complexes" (≥5 TRs) ont été identifiés, avec une longueur médiane de 208 pb.
• Distribution : La majorité des TRs à motifs courts (1-9 pb) sont isolés (88 %), tandis que les motifs plus longs (≥10 pb) sont souvent situés dans des VCs complexes (46 %). Les TRs dans les régions codantes sont majoritairement isolés, contrairement à ceux dans les régions introniques ou intergéniques.
• Coûts de Calcul : Le génotypage d'un sous-ensemble filtré de 33 546 loci (motifs de maladies connues) coûte entre 0,02 $ et 0,10 $ par échantillon sur le cloud, rendant l'analyse à grande échelle économiquement viable.

5. Signification et Impact

• Standardisation : Ce travail propose un consensus pour la définition des catalogues TR, réduisant la fragmentation et l'incompatibilité entre les bases de données de variation et les études de population.
• Amélioration de la Détection de Maladies : En résolvant les clusters de variation complexes, le catalogue permet de détecter des variations pathogènes qui seraient autrement manquées ou mal interprétées (ex: insertions dans des homopolymères au sein de VNTRs, comme dans le gène MUC1 ou la stabilité de FGF14).
• Adaptabilité Technologique : En fournissant un catalogue compatible avec les lectures courtes et longues, il facilite la transition vers l'analyse des TR dans les pipelines de découverte de maladies rares et communes, au même titre que les SNV et les SV.
• Ressource Communautaire : Le portail TRExplorer permet aux chercheurs de filtrer, visualiser et exporter des sous-ensembles de données adaptés à leurs besoins spécifiques (par exemple, exclure les homopolymères ou cibler des motifs spécifiques de maladies), favorisant ainsi des analyses plus précises et reproductibles.

En conclusion, ce papier établit une nouvelle norme pour l'analyse des répétitions en tandem en combinant exhaustivité, précision des limites de locus et prise en compte de la complexité structurelle du génome humain.