Towards standards for analysing structural variants from short-read whole genome sequencing data

हमारा जेनेटिक कोड डीएनए की एक लंबी, घुमावदार सीढ़ी में लिखा गया है, लेकिन कभी-कभी निर्देश ऐसे तरीकों से पुनर्गठित हो जाते हैं जो साधारण टाइपिंग की गलतियों के रूप में देखे जाने के लिए बहुत बड़े होते हैं। ये बड़े पैमाने पर होने वाले परिवर्तन, जिन्हें स्ट्रक्चरल वेरिएंट (structural variants) कहा जाता है, इसमें डीएनए के ऐसे हिस्से शामिल होते हैं जो पचास अक्षरों या उससे अधिक के होते हैं और जिन्हें हटाया (deleted), कॉपी, पलटा (flipped), या किसी नई जगह पर स्थानांतरित किया गया होता है। हालांकि वैज्ञानिक लंबे समय से जानते हैं कि ये पुनर्गठन दुर्लभ बीमारियों और सामान्य लक्षणों दोनों में प्रमुख भूमिका निभाते हैं, लेकिन इन्हें पहचानना कठिन रहा है। वर्षों तक, हमारे डीएनए को पढ़ने की मानक विधि 'शॉर्ट-रीड सीक्वेंसिंग' (short-read sequencing) पर निर्भर रही है, जो एक ऐसी तकनीक है जो जीनोम को छोटे टुकड़ों में काट देती है, उन्हें पढ़ती है, और फिर उन्हें एक फटी हुई किताब की तरह वापस जोड़ने की कोशिश करती है। यह विधि छोटी त्रुटियों को खोजने के लिए तो अच्छी है, लेकिन यह अक्सर बड़ी तस्वीर देखने में संघर्ष करती है, जिससे शोधकर्ता इस बात को लेकर अनिश्चित रहते हैं कि एक बड़ा पुनर्गठन वास्तव में कहाँ शुरू होता है और कहाँ समाप्त होता है। बिना किसी स्पष्ट, सहमत मानक के कि इन बड़े परिवर्तनों को कैसे खोजा और मापा जाए, विभिन्न अध्ययनों के बीच परिणामों की तुलना करना अलग-अलग पैमानों का उपयोग करने वाले अलग-अलग मानचित्रकारों द्वारा बनाए गए मानचित्रों की तुलना करने जैसा था।

शोधकर्ताओं के एक दल ने वर्तमान कंप्यूटर प्रोग्रामों की यह जांच करके इस भ्रम को दूर करने का लक्ष्य रखा कि वे शॉर्ट-रीड डेटा का उपयोग करके इन बड़े डीएनए पुनर्गठनों को कितनी अच्छी तरह से खोज सकते हैं। उन्होंने ज्ञात, सत्यापित डीएनए परिवर्तनों का एक संग्रह एकत्र किया—अनिवार्य रूप से एक "ट्रुथ सेट" (truth set) जहाँ प्रत्येक वेरिएंट का सटीक स्थान और आकार पहले से ही ज्ञात है—और उन्हें परीक्षण के मैदान के रूप में उपयोग किया। उन्होंने सोलह अलग-अलग सॉफ्टवेयर टूल्स और चार प्रमुख संयुक्त पाइपलाइनों (combined pipelines) को चलाया, जो कई टूल्स को एक साथ चलाने वाले वर्कफ़्लो हैं ताकि अधिक वेरिएंट पकड़े जा सकें, इस ट्रुथ सेट के विरुद्ध। लक्ष्य यह देखना था कि कौन से प्रोग्राम डीएनए परिवर्तन के सटीक आरंभ और अंत को, यानी एकल अक्षर तक, पहचान सकते हैं, न कि केवल सामान्य क्षेत्र का अनुमान लगा सकते हैं।

परिणामों ने इस क्षेत्र में वर्तमान में काम करने के तरीके में एक आश्चर्यजनक खामी को उजागर किया। जबकि व्यक्तिगत सॉफ्टवेयर टूल्स अक्सर विलोपन (deletion) या प्रविष्टि (insertion) के सटीक स्थान को खोजने में अच्छा प्रदर्शन करते थे, वे संयुक्त पाइपलाइनें जिन पर कई बड़े पैमाने के अध्ययन निर्भर करते हैं, वास्तव में खराब प्रदर्शन करती थीं। जब इन पाइपलाइनों ने एक एकल वेरिएंट सूची बनाने के लिए कई टूल्स के परिणामों को मिलाया, तो वे अक्सर सटीक विवरण खो देते थे। कई मामलों में, संयुक्त दृष्टिकोण ने सबसे अच्छे एकल टूल की तुलना में पूर्णतः सटीक मिलानों की संख्या में ९८ प्रतिशत तक की कमी कर दी। यह सुझाव देता है कि डेटा को मिलाने का तरीका त्रुटियां पैदा कर रहा है, जिससे डीएनए परिवर्तनों के तीखे किनारे धुंधले हो रहे हैं। चूंकि मानव अनुवांशिक भिन्नता के प्रमुख सार्वजनिक डेटाबेस इन्हीं संयुक्त पाइपलाइनों का उपयोग करके बनाए गए हैं, इसलिए अध्ययन में पाई गई अशुद्धियाँ संभवतः यह दर्शाती हैं कि मानव डीएनए अंतरों के मौजूदा रिकॉर्डों में कई स्थानों पर परिवर्तनों के सटीक माप की कमी है।

इसे संबोधित करने के लिए, शोधकर्ताओं ने डेटा को संयोजित करने की एक नई रणनीति का परीक्षण किया। सॉफ्टवेयर को ढीले नियमों के आधार पर परिणामों को स्वचालित रूप से मर्ज करने देने के बजाय, उन्होंने एक ऐसी प्रणाली बनाई जो प्रत्येक विशिष्ट प्रकार और आकार के डीएनए परिवर्तन के लिए सबसे सटीक टूल को प्राथमिकता देती है। उदाहरण के लिए, एक टूल छोटे विलोपन (deletions) को खोजने में सबसे अच्छा हो सकता है, जबकि दूसरा बड़े विलोपन के लिए बेहतर हो सकता है। टीम ने सबसे अच्छे टूल को काम का नेतृत्व करने देने और केवल अन्य टूल्स से अतिरिक्त निष्कर्षों को तभी जोड़ने से कि वे आपस में संघर्ष न करें, एक नया सेट बनाया। इस दृष्टिकोण ने पहले से परीक्षण की गई किसी भी मानक संयुक्त पाइपलाइन की तुलना में अधिक पूर्णतः सटीक मिलान प्राप्त किए। जब उन्होंने अपने परिणामों की तुलना लॉन्ग-रीड सीक्वेंसिंग (long-read sequencing)—एक अधिक उन्नत तकनीक जो डीएनए को बिना तोड़े लंबे हिस्सों को पढ़ती है—से बने स्वतंत्र डेटाबेस से की, तो नए तरीके ने बहुत अधिक सहमति दिखाई। इसने पाया कि मानक पाइपलाइनें कई वास्तविक परिवर्तनों को मिस कर रही थीं, विशेष रूप से जीनोम के जटिल, दोहराव वाले क्षेत्रों में जहाँ डीएनए अनुक्रम खुद को दोहराते हैं।

यह अध्ययन इस बात पर प्रकाश डालता है कि शोधकर्ता वर्तमान में विभिन्न सॉफ्टवेयर टूल्स से डेटा को कैसे मिलाते हैं, जो मानव आनुवंशिकी को समझने में एक महत्वपूर्ण बाधा है। निष्कर्ष बताते हैं कि केवल अधिक टूल्स को एक साथ चलाने से बेहतर परिणाम सुनिश्चित नहीं होते हैं; वास्तव में, यह अंतिम डेटा की सटीकता को कम कर सकता है। इन निष्कर्षों को मिलाने के लिए अधिक सावधानीपूर्ण, प्राथमिकता-आधारित दृष्टिकोण अपनाकर, वैज्ञानिक संरचनात्मक वेरिएंट्स का अधिक पूर्ण और सटीक मानचित्र बना सकते हैं। यह सुधार भविष्य के अनुसंधान के लिए अत्यंत महत्वपूर्ण है, क्योंकि यह जानना आवश्यक है कि डीएनए परिवर्तन की सटीक सीमा क्या है ताकि यह समझा जा सके कि क्या यह किसी जीन को बाधित करता है या बीमारी का कारण बनता है। यह कार्य बेहतर मानक स्थापित करने के लिए एक स्पष्ट मार्ग प्रदान करता है, जिससे यह सुनिश्चित होता है कि दुनिया भर के शोधकर्ताओं द्वारा उपयोग किए जाने वाले जेनेटिक मैप यथासंभव सटीक और विस्तृत हों।