💻 bioinformatics

Sequence-to-graph alignment based copy number calling using a network flow formulation

यह शोध पत्र Floco को प्रस्तुत करता है, जो एक नवीन विधि है जो नोड-स्तरीय रीड डेप्थ प्रायिकताओं (node-level read depth probabilities) को नेटवर्क फ्लो फॉर्मूलेशन के साथ जोड़कर और इसे इंटीजर लीनियर प्रोग्रामिंग के माध्यम से हल करके जीनोम ग्राफ पर कॉपी नंबर कॉलिंग की सटीकता में सुधार करती है, जिससे पारंपरिक रैखिक संदर्भ मैपिंग (linear reference mapping) और सरल ग्राफ नोड भविष्यवाणियों की सीमाओं को दूर किया जा सके।

मूल लेखक: Magalhaes, H., Weber, J., Klau, G. W., Marschall, T., Prodanov, T.

प्रकाशित 2026-02-24

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Magalhaes, H., Weber, J., Klau, G. W., Marschall, T., Prodanov, T.

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपका जीनोम (आपके शरीर का निर्देश मैनुअल) केवल एक सीधी रेखा वाला टेक्स्ट नहीं है। इसके बजाय, यह एक विशाल, जटिल "चूज़-योर-ओन-एडवेंचर" (अपनी पसंद का रोमांच चुनें) वाली किताब है। कुछ अध्याय सभी के लिए समान होते हैं, लेकिन अन्य अध्यायों में "रास्ते के मोड़" होते हैं जहाँ अलग-अलग लोगों के पास कहानी के अलग संस्करण होते हैं। कभी-कभी किसी व्यक्ति की किताब से एक पूरा पैराग्राफ गायब हो सकता है, या किसी विशिष्ट वाक्य को एक बार के बजाय तीन बार दोहराया जा सकता है।

यह कॉपी नंबर वेरिएशन (CNV) की दुनिया है। यह तब होता है जब लोगों के पास विशिष्ट डीएनए खंडों की अलग-अलग प्रतियां होती हैं। ये अंतर बीमारियों, जैसे कि सुनने की क्षमता खोने, या अद्वितीय लक्षणों का कारण बन सकते हैं।

पुरानी समस्या: टूटा हुआ मानचित्र

पारंपरिक रूप से, वैज्ञानिकों ने एक व्यक्ति के डीएनए की तुलना एक मानक "संदर्भ" मानचित्र (एक रैखिक जीनोम) से करके इन कॉपी नंबरों का पता लगाने की कोशिश की।

इसे एक ऐसे शहर के नेविगेशन की तरह समझें जिसके लिए आप दूसरे शहर के मानचित्र का उपयोग कर रहे हैं:

यदि आपके शहर में एक नया पुल है जो पुराने मानचित्र पर नहीं है, तो आपका जी GPS भ्रमित हो जाता है।
यदि आपके शहर में एक सड़क है जो तीन बार घूमती है, लेकिन मानचित्र पर वह केवल एक बार दिखाई देती है, तो GPS सोचता है कि आप रास्ता भटक गए हैं।

क्योंकि "मानक मानचित्र" में सभी संभावित पथ या विविधताएं नहीं दिखाई देती हैं, इसलिए वैज्ञानिक अक्सर कॉपी नंबरों को गलत बताते थे। वे देखते थे कि डेटा में डीएनए का एक टुकड़ा कितनी बार आता है (रीड डेप्थ), लेकिन यदि वह टुकड़ा मानक मानचित्र में फिट नहीं बैठता था, तो गिनती अव्यवस्थित और गलत हो जाती थी।

नया समाधान: फ्लोको (द ट्रैफिक कंट्रोलर)

लेखकों ने एक नया टूल बनाया जिसे फ्लोको (Floco) कहा जाता है। एक सपाट मानचित्र के बजाय, फ्लोको एक जीनोम ग्राफ का उपयोग करता है।

उपमा: एक सबवे सिस्टम (मेट्रो प्रणाली)
कल्पना कीजिए कि जीनोम ग्राफ एक सबवे सिस्टम की तरह है:

स्टेशन डीएनए के टुकड़े हैं।
ट्रैक स्टेशनों को जोड़ते हैं।
कुछ स्टेशन एक सीधी रेखा पर होते हैं, जबकि अन्य एक जटिल जाल का हिस्सा होते हैं जहाँ ट्रेनें ट्रैक बदल सकती हैं।

जब हम किसी व्यक्ति के डीएनए का अनुक्रम (सीक्वेंसिंग) करते हैं, तो हमें लाखों छोटे पहेली के टुकड़े (रीड्स) मिलते हैं। फ्लोको इन टुकड़ों को सबवे मानचित्र पर रखता है।

चुनौती:
यदि आप केवल एक स्टेशन पर रुकने वाली ट्रेनों की संख्या गिनते हैं, तो आपको एक अजीब संख्या मिल सकती है क्योंकि:

कुछ ट्रेनों ने शायद स्टेशन मिस कर दिया होगा (अनुक्रमण त्रुटियां/sequencing errors)।
कुछ ट्रैक भ्रमित करने वाले हो सकते हैं, जिससे ट्रेनें जमा हो सकती हैं या गायब हो सकती हैं (गलत संरेखण/misalignments)।
मानचित्र में स्वयं ऐसे लूप हो सकते हैं जो गिनती को भ्रमित करते हैं।

फ्लोको का जादू: नेटवर्क फ्लो
फ्लोको केवल एक स्टेशन पर अलग से ट्रेनों को नहीं गिनता है। यह पूरे सबवे सिस्टम को एक साथ देखने वाले एक सुपर-स्मार्ट ट्रैफिक कंट्रोलर की तरह काम करता है।

"फ्लो" (प्रवाह) की अवधारणा: कल्पना करें कि पाइपों के माध्यम से पानी बह रहा है। पानी डीएनए का प्रतिनिधित्व करता है। भौतिकी के नियम कहते हैं कि पानी पाइप के बीच में अचानक प्रकट या गायब नहीं हो सकता; जो अंदर जाता है, वही बाहर आना चाहिए।
त्रुटियों को ठीक करना: फ्लोको एक गणितीय ट्रिक (जिसे इंटीजर लीनियर प्रोग्रामिंग कहा जाता है) का उपयोग करता है ताकि पूरे ग्राफ में डीएनए के सबसे तार्किक "प्रवाह" को खोजा जा सके।
- यदि एक स्टेशन ऐसा दिखता है जहाँ 0 ट्रेनें हैं (कॉपी नंबर 0), लेकिन उससे पहले और बाद के स्टेशन भरे हुए हैं, तो फ्लोको महसूस करता है, "रुको, यह तर्कसंगत नहीं है! पानी यहाँ से होकर बह रहा होगा।" यह त्रुटि को सुधार देता है।
- यदि एक स्टेशन में 10 ट्रेनें दिख रही हैं, लेकिन उससे जुड़ी पाइपें केवल 2 को संभालने की क्षमता रखती हैं, तो फ्लोको महसूस करता है, "यह एक गलती के कारण हुआ ट्रैफिक जाम है। चलिए इसे सुचारू बनाते हैं।"

यह क्यों महत्वपूर्ण है

लेखकों ने वास्तविक मानव और आलू (हाँ, आलू के भी जटिल जीनोम होते हैं!) डेटा पर फ्लोको का परीक्षण किया। यहाँ उन्हें क्या मिला:

सटीकता में वृद्धि: व्यक्तिगत स्थानों को देखने के बजाय (पूरे चित्र/प्रवाह को देखकर), फ्लोको ने पुराने तरीकों की तुलना में सटीकता में 43% तक सुधार किया।
निरंतरता: इसने सुनिश्चित किया कि यदि कोई पथ मौजूद है, तो डीएनए की गिनती पूरे पथ पर तर्कसंगत हो। इसने उन "ग्लिच" को रोका जहाँ एक पथ अचानक गायब हो जाता और फिर से प्रकट हो जाता।
गति: यह एक सामान्य लैपटॉप पर चलने के लिए पर्याप्त तेज़ है, जो डॉक्टरों और शोधकर्ताओं के लिए बहुत अच्छा है।

निचोड़ (The Bottom Line)

फ्लोको एक स्थिर, सपाट मानचित्र से एक गतिशील, 3D ट्रैफिक कंट्रोल सिस्टम में अपग्रेड करने जैसा है।

हमारे जटिल आनुवंशिक "चूज़-योर-ओन-एडवेंचर" किताबों के घुमावों, मोड़ों और गायब हिस्सों से भ्रमित होने के बजाय, फ्लोको पूरी कहानी को समझता है। यह सुनिश्चित करता है कि जब हम यह गिनते हैं कि किसी व्यक्ति के पास किसी जीन की कितनी प्रतियां हैं, तो हम केवल एक टूटे हुए मानचित्र के आधार पर अनुमान नहीं लगा रहे होते हैं, बल्कि हम यह गणना कर रहे होते हैं कि डीएनए वास्तव में सिस्टम के माध्यम से कैसे प्रवाहित होता है। यह हमें बीमारियों को बेहतर ढंग से समझने और हमारे आनुवंशिक मानचित्रों को मान्य करने में मदद करता है।

यहाँ शोध पत्र "Sequence-to-graph alignment based copy number calling using a network flow formulation" (Floco) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

कॉपी नंबर (CN) वेरिएशन, फेनोटाइपिक अंतरों और रोगों से जुड़ा एक महत्वपूर्ण जीनोमिक फीचर है। पारंपरिक CN कॉलिंग, अनुक्रमण रीड्स (sequencing reads) को एक रैखिक संदर्भ जीनोम (linear reference genome) पर मैप करने और रीड डेप्थ के आधार पर CN का अनुमान लगाने पर निर्भर करती है। यह दृष्टिकोण दो प्रमुख सीमाओं से ग्रस्त है:

संदर्भ पूर्वाग्रह (Reference Bias): रैखिक संदर्भ उन अनुक्रमों या पुनर्गठनों (rearrangements) का प्रतिनिधित्व नहीं कर सकते जो संदर्भ में अनुपस्थित हैं, जिससे मैपिंग पूर्वाग्रह और गैर-संदर्भ एलील्स (non-reference alleles) के लिए गलत CN अनुमान प्राप्त होते हैं।
ग्राफ में विसंगति (Inconsistency in Graphs): हालांकि पैनजीनोम ग्राफ (विविध अनुक्रमों का प्रतिनिधित्व करने वाले) पूर्वाग्रह की समस्या को हल करते हैं, लेकिन केवल स्थानीय रीड डेप्थ के आधार पर व्यक्तिगत ग्राफ नोड्स के लिए CN का अनुमान लगाना अक्सर असंगत परिणाम देता है। अनुक्रमण त्रुटियां (sequencing errors), मिस-अलाइनमेंट और मिस-असेंबली जैसे कारक शोर (noise) पैदा करते हैं, जिससे यह सुनिश्चित करना कठिन हो जाता है कि ग्राफ में CN मान एक वैध जैविक वॉक (जैसे, ग्राफ के माध्यम से फ्लो संरक्षण सुनिश्चित करना) बनाते हैं।

2. कार्यप्रणाली: Floco (Methodology: Floco)

लेखक Floco का प्रस्ताव करते हैं, जो नेटवर्क फ्लो फॉर्मूलेशन (solved via Integer Linear Programming - ILP) के साथ स्थानीय रीड-डेप्थ सांख्यिकी को जोड़कर जीनोम ग्राफ पर CN कॉलिंग करता है।

इनपुट (Input)

एक जीनोम ग्राफ (GFA फॉर्मेट में)।
सीक्वेंस-टू-ग्राफ अलाइनमेंट्स (GAF फॉर्मेट में)।

कार्यप्रवाह (Workflow)

प्रीप्रोसेसिंग और कवरेज गणना (Preprocessing & Coverage Calculation):
- अनावश्यक अनुक्रमों को हटाने के लिए नोड्स को क्लिप किया जाता है (ब्लंटिफिकेशन के समान)।
- एक थ्रेशोल्ड (डिफ़ॉल्ट 100 bp) से लंबे नोड्स को बिनों (bins) में विभाजित किया जाता है।
- कवरेज ( $k_v$ ) की गणना एक नोड या बिन के सभी बेस पेयर्स में रीड डेप्थ के योग के रूप में की जाती है।
संभाव्यता मॉडलिंग (Probabilistic Modeling):
- लेखक CN > 0 के लिए नेगेटिव बाइनोमियल (NB) वितरण का उपयोग करके रीड कवरेज के वितरण को मॉडल करते हैं।
- CN = 0 (डिलीशन) के लिए, वे अलाइनमेंट त्रुटियों के कारण होने वाले लो-लेवल नॉइज़ को मॉडल करने के लिए एक डिस्क्रीटाइज्ड एक्सपोनेंशियल (Exponential) वितरण का उपयोग करते हैं।
- नोड की लंबाई और अपेक्षित रीड डेप्थ को ध्यान में रखते हुए, फ़िल्टर्ड नोड्स पर मैक्सिमम लाइक्लीहुड एस्टीमेशन (MLE) के माध्यम से पैरामीटर्स ( $r, q$ ) का अनुमान लगाया जाता है।
- नोड प्रोबेबिलिटी: बेयस प्रमेय (Bayes' theorem) का उपयोग करके, देखे गए कवरेज के आधार पर एक नोड $v$ के कॉपी नंबर $c$ होने की संभावना $p_{vc}$ की गणना की जाती है।
नेटवर्क फ्लो फॉर्मूलेशन (मुख्य नवाचार) (Network Flow Formulation):
- समस्या को एक बिडायरेक्टेड ग्राफ (bidirected graph) पर मैक्सिमम प्रोबेबिलिटी फ्लो के रूप में मॉडल किया गया है।
- ग्राफ निर्माण:
  - प्रत्येक नोड $v$ के दो छोर (बायां/दायां) होते हैं।
  - एक सुपरसोरस ( $s$ ) और एक सुपरसिंक ( $t$ ) जोड़ा जाता है, जो प्रत्येक नोड एंड से जुड़े होते हैं।
  - नोड एंड्स के बीच के किनारे (edges) ग्राफ टोपोलॉजी का प्रतिनिधित्व करते हैं।
- ऑब्जेक्टिव फंक्शन: चुने गए CN के लॉग-प्रोबेबिलिटी के योग और ट्रेवर्स किए गए किनारों की लागत को अधिकतम करना।
  $\text{Maximize } \sum_{v \in V} g(x_v; p_v) + \sum_{e \in E} f_e \cdot \xi_e$
  जहाँ $x_v$ पूर्णांक CN वेरिएबल है, $g$ एक पीसवाइज लीनियर फंक्शन है जो CN को लॉग-प्रोबेबिलिटी में मैप करता है, $f_e$ फ्लो है, और $\xi_e$ एज कॉस्ट है।
- प्रतिबंध (Constraints):
  - फ्लो कंजर्वेशन (Flow Conservation): एक नोड एंड में आने वाला फ्लो, दूसरे छोर से बाहर जाने वाले फ्लो के बराबर होना चाहिए।
  - क्षमता (Capacity): फ्लो गैर-ऋणात्मक पूर्णांक (non-negative integers) होना चाहिए।
  - एज पेनल्टी (Edge Penalties): कम रीड्स (अपेक्षित डेप्थ से कम) द्वारा समर्थित किनारों पर एक उच्च "महंगी" लागत पेनल्टी लगती है, जो अविश्वसनीय पथों के माध्यम से फ्लो को हतोत्साहित करती है।
- सॉल्वर (Solver): समस्या को Gurobi ILP सॉल्वर का उपयोग करके हल किया जाता है ताकि प्रोबेबिलिटी को अधिकतम करने वाले CN के वैश्विक इष्टतम सेट को पाया जा सके।

3. मुख्य योगदान (Key Contributions)

नवाचारी फॉर्मूलेशन: जीनोम ग्राफ पर CN कॉलिंग के लिए विशेष रूप से नेटवर्क फ्लो ऑप्टिमाइजेशन लागू करने वाला पहला तरीका, जो स्थानीय कवरेज अनुमान और वैश्विक टोपोलॉजिकल निरंतरता के बीच के अंतर को पाटता है।
शोर के प्रति मजबूती (Robustness to Noise): फ्लो कंजर्वेशन को लागू करके, Floco उन असंगत CN असाइनमेंट को ठीक करता है जो स्टैंडअलोन डेप्थ-आधारित तरीकों में अनुक्रमण त्रुटियों या मिस-अलाइनमेंट के कारण होते हैं।
बहुमुखी प्रतिभा (Versatility): यह टूल विभिन्न प्रकार के ग्राफों (असेंबली ग्राफ, पैनजीनोम ग्राफ) और अनुक्रमण तकनीकों (HiFi, ONT, और सिंथेटिक चॉप्ड असेंबली) के साथ काम करता है।

4. परिणाम (Results)

लेखकों ने तीन ग्राफों वाले 15 डेटासेट्स पर Floco का मूल्यांकन किया:

HG01114 असेंबली ग्राफ (मानव डिप्लोइड)।
Altus असेंबली ग्राफ (आलू टेट्राप्लोइड)।
HPRC पैनजीनोम ग्राफ (मानव, 90 हैप्लोटाइप्स)।

मुख्य निष्कर्ष:

सटीकता में सुधार: नेटवर्क फ्लो फॉर्मूलेशन जोड़ने से केवल रीड-डेप्थ अनुमान की तुलना में CN भविष्यवाणी की सटीकता में 43% तक की वृद्धि हुई।
- उदाहरण: HPRC ग्राफ के लिए HiFi डेटा पर, नोड-लेवल सटीकता 95.2% से बढ़कर 99.3% हो गई।
कम कवरेज प्रदर्शन: फ्लो फॉर्मूलेशन कम कवरेज (1×) पर स्थानीय तरीकों की तुलना में काफी बेहतर रहा। 1× पर ONT डेटा के लिए, सटीकता 53.4% से बढ़कर 96.9% हो गई (त्रुटि दर में ~15 गुना कमी), जो पड़ोसी नोड्स से सिग्नल को एकत्रित करने के कारण संभव हुआ।
अनुरूपता (Concordance): तीन अलग-अलग डेटा स्रोतों (HiFi, ONT, और चॉप्ड असेंबली) से प्राप्त भविष्यवाणियों में उच्च अनुरूपता देखी गई:
- मानव असेंबली ग्राफ के लिए 93.2% अनुरूपता।
- आलू असेंबली ग्राफ के लिए 92.9% अनुरूपता।
- CHM13 इन-सैंपल पैनजीनोम अलाइनमेंट के लिए 99.9% अनुरूपता।
गुणवत्ता नियंत्रण (Quality Control): Floco ने असेंबली ग्राफ में मिस-असेंबल किए गए नोड्स (जिनमें कुछ कवरेज होने के बावजूद CN=0 असाइन किया गया) को सफलतापूर्वक पहचाना, जिससे उन बबल्स और संरचनात्मक त्रुटों को चिह्नित किया गया जिन्हें मानक उपकरण मिस कर सकते हैं।
प्रदर्शन (Performance):
- रनटाइम: असेंबली ग्राफ के लिए 8-22 मिनट; जटिल पैनजीनोम ग्राफ के लिए 40 मिनट-3 घंटे।
- मेमोरी: सबसे बड़े ग्राफ के लिए भी पीक मेमोरी उपयोग 53 GB से कम रहा।

5. महत्व (Significance)

एक महत्वपूर्ण अंतराल को भरना: Floco जीनोम ग्राफ पर CN कॉलिंग के लिए पहला समर्पित टूल प्रदान करता है, जो रैखिक संदर्भों से पैनजीनोम की ओर बढ़ते क्षेत्र के लिए एक आवश्यक कदम है।
बेहतर जीनोटाइपिंग को सक्षम बनाना: यह जटिल स्ट्रक्चरल वेरिएशंस (जैसे सेगमेंटल डुप्लिकेशंस) की सटीक जीनोटाइपिंग की अनुमति देता है जो रैखिक संदर्भों के साथ कठिन होते हैं।
असेंबली सत्यापन: यह जीनोम असेंबली ग्राफ के लिए एक शक्तिशाली गुणवत्ता नियंत्रण (QC) टूल के रूप में कार्य करता है, जो असेंबली प्रक्रिया में त्रुटियों और विसंगतियों की पहचान करता है।
भविष्य के लिए तैयार: जैसे-जैसे पैनजीनोम संदर्भ मानक बनते जा रहे हैं, Floco विविध आबादी में CN वेरिएशन का विश्लेषण करने के लिए एक मजबूत ढांचा प्रदान करता है, जो रैखिक संदर्भ मैपिंग में निहित पूर्वाग्रहों से मुक्त है।

संक्षेप में, Floco CN कॉलिंग को एक स्थानीय, शोर-ग्रस्त अनुमान कार्य से बदलकर एक वैश्विक, टोपोलॉजी-जागरूक अनुकूलन समस्या में बदल देता है, जो ग्राफ-आधारित संदर्भों का उपयोग करके जीनोमिक विश्लेषण के लिए सटीकता और निरंतरता में महत्वपूर्ण सुधार करता है।