CBIcall: a configuration-driven framework for variant calling in large sequencing cohorts

CBIcall est un framework open source piloté par la configuration qui permet d'exécuter des pipelines de détection de variants standardisés et reproductibles sur de grands cohortes de séquençage, en surmontant les défis liés à la diversité des environnements informatiques dans les analyses fédérées.

L'essentiel

🧬 CBIcall : Le Chef d'Orchestre des Données Génétiques

Imaginez que vous essayez de construire une immense bibliothèque de livres (les données génétiques) avec des centaines de bibliothécaires différents, chacun travaillant dans une pièce différente avec ses propres outils, ses propres règles et ses propres manuels.

Le problème ? Si chaque bibliothécaire assemble les livres à sa façon, les étagères ne seront pas alignées, les titres seront écrits différemment, et il sera impossible de trouver l'information au moment où l'on en a besoin. C'est exactement le défi que rencontrent les chercheurs quand ils essaient d'analyser l'ADN de milliers de personnes dans différents hôpitaux ou laboratoires.

CBIcall, c'est le chef d'orchestre qui résout ce chaos.

1. Le Problème : Trop de façons de faire la même chose

Dans le monde de la génétique, il existe des milliers d'outils informatiques pour lire l'ADN (le séquençage). Le souci, c'est que si le laboratoire A utilise une version d'un logiciel et le laboratoire B une autre, ou s'ils ont des règles de tri différentes, ils ne trouveront pas les mêmes "fautes de frappe" (variantes) dans l'ADN. C'est comme si deux traducteurs traduisaient le même livre en utilisant deux dictionnaires différents : le résultat serait différent, et on ne saurait plus qui a raison.

2. La Solution : Une seule recette de cuisine (Le fichier YAML)

CBIcall est un outil qui agit comme un livre de recettes ultra-précis.

• Au lieu de donner des ordres complexes à chaque ordinateur, les chercheurs écrivent simplement une liste de courses sur un seul fichier (appelé fichier YAML).
• Ce fichier dit : "Prenez ces données, utilisez cette recette, avec ces ingrédients précis, et faites-le exactement comme ça."
• CBIcall vérifie ensuite que tout est en ordre (comme un inspecteur de cuisine qui s'assure que vous n'avez pas oublié le sel ou que vous n'allez pas utiliser un four à micro-ondes pour cuire un gâteau).

3. Comment ça marche ? (Le Métier de Chef d'Orchestre)

Une fois que le chef d'orchestre (CBIcall) a reçu la partition (le fichier de configuration) :

• Il vérifie la cohérence : Il s'assure que tous les musiciens (les logiciels) jouent la même note. Si un laboratoire essaie d'utiliser un vieux logiciel incompatible, CBIcall dit : "Stop ! On ne peut pas jouer ça ensemble."
• Il dirige l'orchestre : Il lance la musique (l'analyse) soit sur un système simple (Bash), soit sur un système plus complexe (Snakemake), peu importe la machine utilisée.
• Il note tout : Il tient un journal de bord très précis. Si dans 10 ans, quelqu'un veut refaire l'expérience, il pourra lire ce journal et reproduire exactement le même résultat. C'est la clé de la reproductibilité.

4. Les Résultats : Un test grandeur nature

Les auteurs ont testé leur chef d'orchestre avec une vraie situation difficile :

• Ils ont pris des données de 1 111 personnes (des patients atteints de la maladie de Parkinson et des témoins sains).
• Ils ont analysé à la fois le "noyau" de la cellule (l'ADN principal) et les "batteries" de la cellule (l'ADN mitochondrial).
• Le résultat ? CBIcall a réussi à traiter toutes ces données sans erreur, en produisant des résultats identiques et fiables, peu importe la machine utilisée. C'est comme si, après avoir fait cuire 1 000 gâteaux dans 100 fours différents, ils étaient tous exactement identiques.

En résumé

CBIcall est un outil qui permet aux scientifiques de dire : "Peu importe où vous travaillez, peu importe votre ordinateur, si vous suivez notre fichier de configuration, nous obtiendrons exactement le même résultat."

C'est une garantie de qualité, de sécurité et de confiance pour la recherche médicale future, permettant de comparer des données du monde entier comme si elles provenaient d'un seul et même laboratoire.

Résumé technique

Titre : CBIcall : un framework piloté par la configuration pour l'appel de variants dans de grandes cohortes de séquençage

1. Problématique

L'appel de variants à partir de données de séquençage de nouvelle génération (NGS) repose sur un écosystème complexe d'outils et de flux de travail. Dans le contexte des études collaboratives à grande échelle, de plus en plus d'institutions adoptent des modèles d'analyse fédérée, où les données sensibles sont traitées localement pour respecter les exigences légales et éthiques.

Cependant, le déploiement de pipelines identiques à travers plusieurs centres reste un défi majeur en raison de :

• La diversité des environnements logiciels et des politiques de calcul (HPC).
• La difficulté à garantir une exécution cohérente et reproductible des flux de travail.
• L'absence de couches de validation standardisées dans les workflows existants, ce qui oblige souvent à des ajustements manuels spécifiques à chaque site, entraînant une dérive des workflows et des résultats incohérents.

2. Méthodologie

Pour répondre à ces défis, les auteurs ont développé CBIcall, un framework agnostique vis-à-vis du moteur de workflow, conçu comme une couche de validation et d'exécution pilotée par la configuration.

Architecture et Design :

• Approche en deux couches de configuration (fichiers YAML) :
  1. Paramètres utilisateur : Définit l'intention de l'analyse (échantillons, sélection du pipeline, version du génome, paramètres des outils).
  2. Registre de workflow : Mappe les définitions de pipeline et les moteurs d'exécution (Bash ou Snakemake) aux scripts exécutables.
• Moteur d'exécution (Driver) : Implémenté en Python 3, ce driver central charge les paramètres, valide les entrées contre des vocabulaires contrôlés et impose des règles de compatibilité (versions d'outils, builds de génome, modes d'analyse).
• Validation et Provenance : Le système valide les définitions de workflow via JSON Schema et génère une structure de projet déterministe. Il enregistre une métadonnée structurée (versions logicielles, paramètres, contexte d'exécution, provenance des tâches) dans un fichier JSON (log.json) pour assurer l'auditabilité et la reproductibilité.
• Portabilité : CBIcall est distribué sous forme d'image conteneurisée (compatible Docker et Apptainer/Singularity pour les HPC sans Docker), permettant un déploiement cohérent sur des environnements hétérogènes. Les ressources externes (génomes de référence, bases de données) sont montées séparément.

Pipelines Validés :
Le framework fournit des pipelines prêts à l'emploi pour :

• ADN nucléaire (WES et WGS) : Suivant les meilleures pratiques GATK (Best Practices).
  • Support de GATK 3.5 (pour les données legacy) et GATK 4.6.
  • Modes : Appel de variants par échantillon unique ou génotypage conjoint de cohorte (joint genotyping).
  • Étapes : Alignement (BWA-MEM), tri, marquage des duplicatas, recalibration des scores de qualité, génération de gVCF, et filtrage.
• ADN mitochondrial (mtDNA) : Utilisation de MToolBox (basé sur GATK 3.5) pour l'appel de variants, la priorisation et la génération de rapports HTML interactifs.

3. Résultats et Validation

Le framework a été validé sur des jeux de données réels au sein de l'environnement HPC du CNAG (Centro Nacional de Análisis Genómico) dans le cadre du projet européen HEREDITARY.

Étude de cas :

• Cohorte : 1 111 échantillons combinés (608 cas de la maladie de Parkinson issus de l'étude NINDS/dbGaP et 503 contrôles du projet 1000 Genomes).
• Données : Séquençage d'exome (WES) traité avec le pipeline CBIcall sur le génome de référence b37 (hg19).

Comparaison des stratégies de génotypage :
Les auteurs ont comparé deux approches sur les mêmes données :

1. Mode échantillon unique : Appel de variants individuel suivi d'une fusion des VCF.
2. Mode génotypage conjoint de cohorte : Génération de gVCF individuels suivie d'un génotypage conjoint (GATK GenotypeGVCFs).

• Résultat : Le génotypage conjoint a permis de conserver davantage de variants valides (PASS) par rapport à la fusion simple, confirmant l'avantage de l'approche de cohorte pour la détection de variants rares, tout en maintenant une forte intersection avec les résultats individuels.

Analyse mitochondriale :

• L'analyse mtDNA a été réussie sur environ 95 % des échantillons, démontrant que le WES fournit une couverture suffisante pour l'ADN mitochondrial dans la majorité des cas.
• La distribution des variants hétéroplasmiques (fraction > 0,3) était cohérente entre les cohortes de cas et de contrôles, malgré les différences de stratégies de séquençage d'origine.

Qualité des données :

• Les distributions de variants (SNV, INDEL) et de profondeur de lecture (DP) étaient similaires entre les cohortes et les modes d'analyse, indiquant l'absence de biais systématique introduit par le pipeline.
• L'analyse en composantes principales (PCA) n'a révélé aucune ségrégation de groupe majeure, validant l'intégrité de la cohorte intégrée pour les analyses en aval.

4. Contributions Clés

• Standardisation : CBIcall résout le problème de la dérive des workflows dans les analyses fédérées en permettant l'exécution de pipelines validés via un seul fichier de configuration YAML.
• Agnosticisme : Le framework n'impose pas un moteur de workflow spécifique mais agit comme une couche d'orchestration au-dessus de Bash et Snakemake, tout en étant extensible à d'autres (ex: Nextflow).
• Reproductibilité : L'enregistrement automatique de la provenance structurée et la validation stricte des paramètres garantissent que les résultats sont reproductibles quel que soit l'environnement de calcul.
• Prêt à l'emploi : Fournit des pipelines complets pour le WES, le WGS et le mtDNA, conformes aux standards de l'industrie (GATK Best Practices).

5. Signification

CBIcall représente une avancée significative pour la génomique collaborative à grande échelle. En facilitant le déploiement cohérent de pipelines complexes sur des infrastructures HPC hétérogènes, il permet aux consortiums internationaux (comme le projet HEREDITARY) de traiter des milliers d'échantillons avec une rigueur méthodologique uniforme. Cela améliore la fiabilité des découvertes génétiques, réduit la charge opérationnelle liée aux ajustements manuels de pipelines et renforce la confiance dans les analyses fédérées de données sensibles. Le code source est open source (GPLv3) et disponible publiquement.