DIANA: An integrated pipeline for analysis of long-read whole-genome sequencing data for molecular neuropathology.

Le pipeline DIANA propose une solution automatisée et intégrée pour l'analyse complète des données de séquençage génomique entier à lecture longue, permettant un diagnostic moléculaire précis des tumeurs du système nerveux central en combinant la classification par méthylation de l'ADN et la détection de variants génétiques.

L'essentiel

🧠 DIANA : Le "Super-Détective" des Tumeurs Cérébrales

Imaginez que le cerveau est une ville très complexe. Parfois, des "mauvais quartiers" (des tumeurs) s'y développent. Pour soigner un patient, les médecins doivent comprendre exactement comment fonctionne ce quartier : qui sont les chefs (les gènes défectueux), quelles routes sont bloquées ou élargies (les variations génétiques), et quelles règles de la ville ont été oubliées (les modifications chimiques).

Jusqu'à présent, pour obtenir ce tableau complet, les médecins devaient envoyer des échantillons à cinq ou six laboratoires différents, utiliser cinq ou six machines différentes et attendre des semaines pour assembler les pièces du puzzle. C'était lent, cher et compliqué.

C'est là qu'intervient DIANA.

🚀 Qu'est-ce que DIANA ?

DIANA (Diagnostic Integrated Analytics of Neoplastic Alterations) est un logiciel automatique (un pipeline informatique) créé par des chercheurs norvégiens.

On peut le comparer à un chef cuisinier ultra-rapide qui reçoit une énorme boîte d'ingrédients bruts (les données brutes de l'ADN) et qui, en quelques minutes, prépare un repas complet et prêt à servir (un rapport médical clair) pour le médecin.

Au lieu de faire cinq plats séparés, DIANA utilise une seule technologie de pointe (le séquençage "long-read", comme une caméra qui filme l'ADN en continu sans le couper) pour tout analyser d'un seul coup.

🛠️ Comment fonctionne la "Cuisine" de DIANA ?

Le logiciel est divisé en 4 étapes principales, comme les étapes d'une recette :

1. Le Tri (Mergebam) :
   Imaginez que le séquenceur envoie des milliers de petits morceaux de film vidéo (les fichiers de données) tout au long de la journée. DIANA les rassemble tous en un seul film complet et vérifie qu'ils appartiennent bien au bon patient. C'est comme ranger des éparpillés de pièces de puzzle dans une seule boîte.

2. L'Analyse (Epi2me) :
   C'est le cœur du travail. DIANA regarde le film ADN sous quatre angles différents, simultanément :

   • La Carte Chimique (Méthylation) : Il lit les "notes" chimiques sur l'ADN pour dire : "Ah, ce quartier ressemble à une tumeur de type A ou B".
   • Les Accidents de la Route (Variants Structurels) : Il repère les gros accidents : des ponts qui manquent, des routes qui doublent, ou des bâtiments qui ont changé de place.
   • Les Copistes (CNV) : Il compte combien de fois certains gènes sont copiés. Si un gène est copié 100 fois au lieu de 2, c'est un signe de danger.
   • Les Fautes de Frappe (Petits variants) : Il cherche les petites erreurs d'orthographe dans le texte de l'ADN (comme un "A" écrit "G" par erreur).

3. L'Interprétation (Annotation) :
   DIANA ne se contente pas de lister les erreurs. Il les compare à une grosse encyclopédie médicale (des bases de données mondiales). Il se demande : "Cette erreur est-elle connue pour être dangereuse ?" ou "Ce changement ressemble-t-il à un cancer spécifique ?". Il filtre le bruit pour ne garder que ce qui est important pour le médecin.

4. Le Rapport Final (Report) :
   DIANA génère un PDF élégant et facile à lire.

   • Page 1 (Le Résumé Exécutif) : Comme un résumé de journal, il dit en gros : "C'est un glioblastome, voici les gènes dangereux, et le médicament X pourrait fonctionner."
   • Pages suivantes (Les Détails) : Pour les experts qui veulent voir les preuves, il y a tous les graphiques, les tableaux et les images détaillées.

⚡ Pourquoi est-ce révolutionnaire ?

• Tout-en-un : Avant, il fallait faire 5 tests différents. DIANA fait tout avec un seul test.
• Rapidité : Là où cela prenait des semaines, DIANA peut tout analyser en moins de 2 heures sur un ordinateur standard.
• Accessibilité : C'est un logiciel gratuit et ouvert. N'importe quel hôpital peut l'installer, même sans être un expert en informatique, car il est "emballé" dans un conteneur (comme une boîte de conserve) qui fonctionne partout.
• Précision : Il utilise l'intelligence artificielle pour classer les tumeurs avec une grande précision, aidant à choisir le bon traitement plus vite.

🎯 En résumé

DIANA, c'est comme passer d'une carte papier dessinée à la main (les méthodes anciennes, lentes et fragmentées) à un GPS satellite en temps réel (le séquençage long-read + l'IA).

Il permet aux médecins de voir la tumeur cérébrale dans son intégralité, immédiatement, pour prendre les meilleures décisions pour leurs patients. C'est un outil puissant pour transformer la complexité génétique en une réponse claire et rapide.

Note : Le document précise que c'est un outil de recherche qui doit encore être validé cliniquement, mais il ouvre la voie vers une médecine plus rapide et plus précise.

Résumé technique

Titre de l'article

DIANA : Un pipeline intégré pour l'analyse des données de séquençage du génome entier en lecture longue (Long-read WGS) en neuropathologie moléculaire.

---

1. Problématique

Le diagnostic précis des tumeurs du système nerveux central (SNC) nécessite une caractérisation génomique complète incluant :

• La classification par méthylation de l'ADN (devenue cruciale selon les guidelines OMS 2021).
• La détection des variants de nombre de copies (CNV).
• L'analyse des fusions géniques et des variants structuraux (SV).
• La détection des variants nucléotidiques simples (SNV) et des petites insertions/délétions.
• L'évaluation de l'état de méthylation du promoteur de MGMT.

Limites des approches actuelles : Les flux de travail diagnostiques conventionnels reposent sur plusieurs plateformes distinctes (séquençage NGS, puces à ADN, pyroséquençage, FISH), ce qui crée des charges logistiques et financières importantes.
Potentiel non exploité : Bien que le séquençage du génome entier en lecture longue (Oxford Nanopore Technologies et PacBio) puisse capturer simultanément tous ces types d'altérations dans un seul essai, l'intégration des outils analytiques nécessaires pour exploiter ces données reste complexe et manque de solutions automatisées de bout en bout pour le diagnostic clinique.

2. Méthodologie

Les auteurs ont développé DIANA (Diagnostic Integrated Analytics of Neoplastic Alterations), un pipeline open-source basé sur Nextflow (DSL2) conçu pour automatiser le traitement des données de séquençage WGS en lecture longue.

Architecture du pipeline :
Le workflow est modulaire et se compose de quatre étapes principales, exécutables indépendamment ou séquentiellement :

1. Module mergebam (Prétraitement) :

   • Fusionne les fichiers BAM générés par MinKNOW (ONT) pour éviter la perte de données en cas d'interruption.
   • Utilise des identifiants d'échantillon et de flow cell pour éviter les mélanges.
   • Génère un fichier BAM fusionné et indexé, ainsi qu'un fichier BAM extrait sur les régions d'intérêt (ROI) pour l'appel des SNV.

2. Module epi2me (Analyse primaire) :

   • Méthylation : Extraction des tags de méthylation et quantification CpG via Modkit (5mC et 5hmC).
   • Variants Structuraux (SV) : Détection des insertions, délétions, inversions et translocations via Sniffles2.
   • CNV : Profilage du nombre de copies à l'échelle du génome via QDNAseq (avec correction GC et mappabilité).
   • Variants petits (SNV/Indel) : Appel de variants germinaux (Clair3) et somatiques (ClairS-TO) sur les ROI.
   • Qualité : Calcul des métriques de séquençage via cramino.

3. Module annotation (Interprétation biologique) :

   • MGMT : Quantification de la méthylation du promoteur MGMT (sites CpG 1-98 et 76-79) pour déterminer le statut méthylé/non méthylé.
   • Classification : Utilisation de deux classificateurs de réseaux de neurones (CrossNN et Sturgeon) pour assigner la classe tumorale selon l'OMS 2021, avec génération de plots UMAP.
   • Annotation des SV : Utilisation de Svanna pour prioriser les variants pathogènes et détecter les fusions géniques.
   • Visualisation CNV : Génération de profils de CNV annotés (gènes clés comme EGFR, CDKN2A/B) et estimation de la teneur en cellules tumorales via ACE.
   • Annotation des SNV : Filtrage et annotation contre ClinVar et COSMIC, génération de snapshots IGV pour les loci clés (IDH1/2, TERT).

4. Module report (Rapport final) :

   • Consolidation de toutes les données dans un rapport PDF lisible par l'homme (via R Markdown).
   • Structure en deux parties : un Résumé Exécutif (vue clinique rapide) et un Rapport Étendu (détails analytiques complets).
   • Génération de fichiers supplémentaires interactifs (HTML) et de fichiers de données brutes.

Fonctionnalités techniques :

• Conteneurisation complète (Docker/Apptainer) pour la reproductibilité.
• Modes d'exécution flexibles (monitoring automatique des échantillons, exécution partielle, etc.).
• Compatible avec les stations de travail locales et les clusters HPC.

3. Résultats et Performances

• Validation sur un cas réel : Le pipeline a été testé sur un échantillon de glioblastome (IDN sauvage) avec une couverture moyenne de 37,65x.
• Résultats cliniques obtenus :
  • Classification : Glioblastome, IDN sauvage, sous-classe RTK II (Score CrossNN : 0,571).
  • CNV : Gain du chromosome 7 (amplification d'EGFR avec copie 32,00), perte du chromosome 10, délétion homozygote de CDKN2A/B sur le chromosome 9.
  • SNV : Détection de variants pathogènes (ex: PIK3CA p.E365K, mutation TERT C228T).
  • MGMT : Statut non méthylé (16,11 %).
• Efficacité computationnelle :
  • Temps d'exécution total : ~82 minutes pour un échantillon avec 28,78x de couverture sur une seule station de travail.
  • Goulots d'étranglement : Fusion BAM (19 min) et appel de variants somatiques (59 min).
  • Consommation mémoire : Pic à 37,9 Go (visualisation UMAP), configuration minimale recommandée de 32 Go de RAM.
• Reproductibilité : Aucun échec de mémoire (OOM) n'a été observé, et le pipeline fonctionne sans expertise bioinformatique préalable.

4. Contributions Clés

1. Premier pipeline de bout en bout : DIANA est présenté comme le premier pipeline public intégrant entièrement le diagnostic des tumeurs du SNC à partir de données WGS en lecture longue.
2. Unification des données : Il remplace la nécessité d'utiliser plusieurs plateformes en fournissant un seul flux de travail couvrant la méthylation, les CNV, les SV et les SNV.
3. Accessibilité clinique : La génération automatique de rapports PDF structurés (Résumé Exécutif + Détails) facilite l'interprétation par les cliniciens et les neuropathologistes.
4. Flexibilité et Modularité : La conception Nextflow permet de réexécuter des modules spécifiques (ex: uniquement la méthylation) sans tout relancer, optimisant les ressources.
5. Open Source et Transparent : Code disponible sur GitHub, licence MIT, et utilisation de conteneurs pour garantir l'indépendance vis-à-vis des environnements informatiques.

5. Importance et Signification

L'article démontre la faisabilité et l'efficacité d'utiliser le séquençage en lecture longue comme outil de diagnostic unique pour les tumeurs du SNC. DIANA comble le fossé entre la technologie de séquençage avancée et l'application clinique routinière en automatisant l'analyse complexe requise par les guidelines de l'OMS 2021.

En réduisant la charge logistique, les coûts et le temps d'analyse, ce pipeline ouvre la voie à une médecine de précision plus rapide pour les patients atteints de tumeurs cérébrales, permettant une prise de décision thérapeutique (notamment concernant la réponse à la témozolomide via le statut MGMT) basée sur une vue d'ensemble génomique complète et cohérente. Bien que l'outil soit actuellement destiné à la recherche et nécessite une validation clinique complète, il représente une avancée majeure vers l'intégration du séquençage de nouvelle génération dans les hôpitaux.