Facilitating genome annotation using ANNEXA and long-read RNA sequencing

Cette étude présente ANNEXA, une mise à jour d'un pipeline Nextflow open-source qui intègre des outils de reconstruction de transcriptome, des modèles d'apprentissage profond et des critères de filtrage rigoureux pour améliorer l'annotation génomique et le contrôle qualité à partir de données de séquençage ARN à longues lectures, comme démontré par son application réussie à l'identification de gènes et d'isoformes novateurs dans des lignées cellulaires cancéreuses humaines et canines.

L'essentiel

🧬 ANNEXA : Le "Chef de Cuisine" qui répare les recettes du génome

Imaginez que le génome (l'ADN) d'un animal ou d'un humain est une énorme bibliothèque de recettes de cuisine. Chaque recette correspond à un gène, et chaque recette explique comment fabriquer une protéine (un ingrédient essentiel pour le corps).

Pendant longtemps, les scientifiques avaient une bibliothèque incomplète. Certaines pages étaient manquantes, d'autres étaient déchirées, et on ne savait pas exactement où commençait ou finissait une recette. C'est ce qu'on appelle l'annotation du génome.

Aujourd'hui, grâce à de nouvelles technologies de lecture (le séquençage à lecture longue), nous pouvons enfin lire les recettes en entier, d'un bout à l'autre, sans les couper en petits morceaux. C'est comme passer d'une lecture de résumés à la lecture du roman complet !

Mais il y a un problème : ces nouvelles lectures sont parfois bruyantes. Elles contiennent des erreurs, des pages arrachées ou des recettes inventées par erreur. C'est là qu'intervient ANNEXA.

🛠️ Qu'est-ce qu'ANNEXA ?

ANNEXA est un outil informatique (un "pipeline") créé par une équipe de chercheurs français. Son rôle est d'agir comme un chef de cuisine très méticuleux qui reçoit des tas de nouvelles recettes (les données de séquençage) et doit les intégrer proprement dans la bibliothèque existante.

Voici comment il travaille, étape par étape, avec des analogies simples :

1. Deux assistants pour assembler les pièces (StringTie2 et Bambu) :
   Imaginez que vous avez un puzzle géant. ANNEXA engage deux assistants différents pour reconstituer le puzzle :

   • StringTie est un assistant très créatif : il essaie de trouver toutes les pièces possibles, même celles qui semblent un peu bizarres. Il est très sensible mais fait parfois des erreurs (il invente des pièces qui n'existent pas).
   • Bambu est un assistant très prudent : il ne garde que les pièces qui correspondent parfaitement aux modèles connus. Il est très précis mais peut rater quelques pièces nouvelles.
   • Le génie d'ANNEXA est de faire travailler les deux ensemble, puis de comparer leurs résultats pour ne garder que le meilleur.

2. Le filtre "Qualité" (Le contrôle de la fraîcheur) :
   Parfois, les assistants assemblent des recettes qui commencent au milieu de la page ou qui sont incomplètes (comme une recette de gâteau sans la liste des ingrédients). ANNEXA utilise une intelligence artificielle (un modèle d'apprentissage profond) pour vérifier : "Est-ce que le début de cette recette (le point de départ) a l'air biologique et valide ?".

   • Si la recette semble cassée ou inventée, ANNEXA la jette à la poubelle.
   • Si elle est solide, il l'ajoute à la bibliothèque officielle.

3. Le tri des plats (Protéines vs ARN non-codants) :
   Dans la bibliothèque, il y a deux types de plats :

   • Les plats principaux (les gènes qui fabriquent des protéines, essentiels pour la vie).
   • Les sauces secrètes (les ARN non-codants ou lncARN). On ne sait pas toujours à quoi ils servent, mais ils sont très importants pour réguler le corps.
     ANNEXA utilise un outil spécial (FEELnc) pour bien distinguer les plats des sauces, afin de ne pas mélanger les étiquettes.

4. Le rapport de contrôle (Le menu du jour) :
   À la fin, ANNEXA génère un rapport visuel (comme un tableau de bord coloré) qui dit aux chercheurs : "Voici combien de nouvelles recettes nous avons trouvées, combien sont sûres, et où elles se situent." Cela permet de voir clairement ce qui est nouveau et ce qui est fiable.

🐶🐕 L'expérience avec les chiens et les humains

Pour prouver que leur outil fonctionne, les chercheurs l'ont testé sur un projet très concret : l'étude du cancer.

• Ils ont analysé des cellules cancéreuses de chiens (huit lignées différentes) et d'humains (deux lignées).
• Pourquoi les chiens ? Parce que les chiens développent naturellement des cancers très similaires aux nôtres (comme le mélanome ou le sarcome). C'est un modèle parfait pour comparer les deux espèces.

Le résultat ?
Grâce à ANNEXA, ils ont découvert de nouvelles recettes (gènes et ARN) qui n'étaient pas dans les livres de cuisine précédents.

• Ils ont trouvé des recettes communes aux chiens et aux humains (ce qui suggère qu'elles sont importantes pour la vie).
• Ils ont pu distinguer les vraies nouvelles recettes des erreurs de lecture.

💡 En résumé

Ce papier présente ANNEXA, un outil qui aide les scientifiques à nettoyer, organiser et enrichir la bibliothèque génétique des espèces.

• Avant : On avait des livres de recettes avec des pages manquantes et des ratures.
• Avec ANNEXA : On utilise la technologie de pointe pour lire les recettes en entier, on les vérifie avec une intelligence artificielle, et on ajoute les nouvelles découvertes fiables à la bibliothèque.

C'est une avancée majeure pour mieux comprendre comment fonctionnent les gènes, comment le cancer se développe, et comment nous pouvons soigner les humains et leurs compagnons à quatre pattes.

🔗 Où trouver l'outil ?
L'outil est gratuit et ouvert à tous sur internet (comme un logiciel libre), permettant à n'importe quel laboratoire de faire ce travail de "réparation de bibliothèque" génétique.

Résumé technique

1. Problématique

L'avènement des assemblages de génomes complets (de télo-mère à télo-mère) a déplacé le défi de la recherche génomique de l'amélioration de la complétude du génome vers le raffinement de son annotation fonctionnelle. Bien que le séquençage ARN à lectures longues (LR-RNAseq, via PacBio et Oxford Nanopore) ait considérablement amélioré la reconstruction des transcrits complets par rapport aux lectures courtes, il persiste des défis majeurs :

• Fragmentation des transcrits : Les modèles reconstruits sont souvent tronqués, notamment au niveau des sites de début de transcription (TSS).
• Représentation incomplète : Difficulté à capturer l'ensemble des isoformes, en particulier pour les ARN non codants longs (lncRNAs).
• Manque de contrôle qualité (QC) robuste : Il existe un besoin critique de stratégies pour filtrer les artefacts et valider la pertinence biologique des nouveaux transcrits avant d'enrichir les annotations de référence.
• Limites des outils existants : Les pipelines actuels (comme nf-core/nanoseq ou TAGADA) sont souvent limités à une technologie spécifique, ne gèrent pas bien la distinction entre ARN codants (mRNAs) et non codants (lncRNAs), ou manquent de mécanismes de filtrage avancés pour les TSS.

2. Méthodologie : Le pipeline ANNEXA

Les auteurs ont développé ANNEXA, un pipeline d'analyse basé sur Nextflow, conçu pour être scalable, reproductible et compatible avec les données de PacBio et d'Oxford Nanopore. Le pipeline s'articule autour de quatre modules principaux :

1. Reconstruction et quantification du transcriptome :

   • Intégration de deux outils de reconstruction majeurs : Bambu (basé sur un apprentissage automatique guidé par la référence) et StringTie2 (basé sur la construction de graphes d'épissage).
   • Fusion des résultats de plusieurs échantillons pour produire une annotation étendue unifiée.
   • Calcul des scores de probabilité (TPS) et des taux de découverte de nouveauté (NDR) pour évaluer la confiance des transcrits.

2. Évaluation du potentiel codant et classification :

   • Utilisation de FEELnc pour prédire le potentiel codant et distinguer systématiquement les mRNAs des lncRNAs.
   • Utilisation de TransDecoder pour identifier les cadres de lecture ouverts (ORF) et les séquences CDS.
   • Classification des transcrits par rapport à la référence via GffCompare (attribution de codes de classe, ex: u pour intergénique, x pour antisens).

3. Filtrage et évaluation de l'intégrité (Full-length assessment) :

   • Application de deux filtres complémentaires pour éliminer les modèles tronqués :
     • Le filtre NDR (Novel Discovery Rate) issu de Bambu.
     • Le filtre TransforKmer : Un modèle d'apprentissage profond (basé sur l'architecture Transformer DNABERT) pré-entraîné pour évaluer la vraisemblance biologique des sites de début de transcription (TSS) des transcrits nouveaux.
   • Possibilité de choisir entre une opération d'union (sensible) ou d'intersection (précise) pour les filtres.

4. Contrôle Qualité (QC) et Visualisation :

   • Génération de rapports automatiques comparant les éléments connus et nouveaux (distribution de longueur, nombre d'isoformes, couverture des gènes).
   • Intégration de métriques de couverture des lectures (via RSeQC) pour détecter les biais 5'/3'.

3. Contributions Clés

• Pipeline intégré et flexible : ANNEXA est le premier outil à combiner simultanément la reconstruction (Bambu + StringTie), la classification des biotypes (FEELnc), le filtrage par IA (TransforKmer) et le QC dans un seul flux de travail Nextflow.
• Filtrage par IA des TSS : L'intégration d'un modèle Deep Learning spécifique pour valider les TSS permet de réduire drastiquement les faux positifs liés aux transcrits tronqués, un problème récurrent en LR-RNAseq.
• Analyse comparative multi-espèces : Le pipeline a été validé sur des données humaines et canines, démontrant sa capacité à fonctionner sur des génomes avec des niveaux d'annotation très différents (de haut à moyen).
• Outil Open Source : Disponible sur GitHub, permettant une utilisation reproductible via des conteneurs Docker/Singularity.

4. Résultats

L'équipe a appliqué ANNEXA à un projet d'oncologie comparative impliquant 10 lignées cellulaires cancéreuses (2 humaines et 8 canines, incluant des mélanomes muqueux, des sarcomes histiocytaires et des ostéosarcomes).

• Benchmark des outils de reconstruction :

  • Bambu a systématiquement reconstruit plus d'éléments connus (gènes et transcrits de référence) que StringTie, avec une meilleure précision, en particulier dans les génomes bien annotés (humain) ou avec des annotations de référence complètes (UU pour le chien).
  • StringTie a tendance à identifier plus d'éléments nouveaux, mais avec un taux plus élevé de fragments ou d'artefacts.
  • L'annotation de référence influence fortement le nombre de nouveautés détectées : une annotation de référence plus complète (ex: Gencode v47 pour l'humain) réduit le nombre de "nouveautés" détectées, ce qui suggère une meilleure précision.

• Impact du filtrage (TransforKmer) :

  • L'application du filtre de validité des TSS a réduit drastiquement le nombre de gènes nouveaux détectés (ex: de 9 612 à 749 gènes nouveaux chez le chien), éliminant une grande proportion de faux positifs.
  • Le taux de validation par des données orthogonales (CAGE) est passé de 9,3 % (données brutes) à 52 % (données filtrées), prouvant l'efficacité du filtrage.

• Découvertes biologiques :

  • Identification de gènes et transcrits nouveaux conservés entre l'homme et le chien.
  • Découverte de 5 gènes lncRNA nouveaux chez le chien ayant des orthologues chez l'homme (dont certains classés comme codants chez l'homme), suggérant un potentiel fonctionnel conservé.
  • Mise en évidence de différences dans la reconstruction des lncRNAs antisens : Bambu détecte mieux les transcrits antisens que StringTie, particulièrement dans les génomes moins bien annotés.

5. Signification et Impact

Ce travail démontre que l'annotation des génomes par séquençage à lectures longues nécessite une approche rigoureuse de contrôle qualité pour être biologiquement pertinente.

• Fiabilité accrue : ANNEXA fournit une méthode standardisée pour distinguer les vrais transcrits fonctionnels des artefacts de séquençage, en particulier pour les TSS.
• Complémentarité des outils : L'étude souligne qu'aucun outil unique n'est optimal pour tous les contextes ; l'utilisation combinée de Bambu (précision, gènes connus) et de StringTie (sensibilité, isoformes nouveaux), couplée à un filtrage strict, offre la meilleure stratégie.
• Médecine translationnelle : La capacité à identifier des gènes conservés entre l'homme et le chien ouvre de nouvelles perspectives pour l'utilisation du chien comme modèle spontané de cancer humain, permettant de découvrir de nouvelles cibles thérapeutiques ou biomarqueurs communs.
• Ressource pour la communauté : En rendant le pipeline et les annotations étendues (humaines et canines) accessibles, ANNEXA facilite les études fonctionnelles futures sur le génome non codant et la régulation génique.