Riepilogo Tecnico: AirLift

Enunciato del Problema

I genomi di riferimento sono rappresentazioni intrinsecamente imperfette dell'individuo medio sano di una specie, a causa di errori nelle tecnologie di sequenziamento e negli algoritmi di assemblaggio. Man mano che le tecnologie di sequenziamento e gli strumenti di assemblaggio migliorano, i genomi di riferimento vengono aggiornati in modo incrementale (ad esempio, gli aggiornamenti del riferimento umano da GRCh37 a GRCh38, e i recenti assemblaggi telomero-a-telomero). Per garantire l'accuratezza delle analisi genomiche a valle, come il rilevamento delle varianti, i set di letture devono essere mappati sul più recente genoma di riferimento.

Attualmente, l'approccio standard consiste nel rieseguire l'intera pipeline di analisi, rimappando completamente tutte le letture da zero sul nuovo riferimento. Questo processo è computazionalmente costoso; ad esempio, allineare 300 milioni di letture corte al genoma umano può richiedere circa 75 ore. Con il volume dei dati genomici che raddoppia ogni otto mesi e l'emergere di genomi di riferimento altamente specifici per popolazioni diverse, la necessità di mappare set di letture su più riferimenti esacerba questo onere computazionale.

Gli strumenti esistenti di "rimappatura" (ad esempio, UCSC LiftOver, CrossMap) tentano di accelerare questo processo utilizzando file di catena per tradurre le coordinate da un vecchio riferimento a uno nuovo basandosi su regioni costanti. Tuttavia, questi strumenti soffrono di tre limitazioni critiche:

1. Mancanza di Completezza: Non riescono a rimappare le letture che ricadono all'interno di regioni "ritirate" (cancellate nel nuovo riferimento) o "nuove" (inserite nel nuovo riferimento), portando a una significativa perdita di copertura genomica (ad esempio, mancando >7% delle annotazioni geniche passando da hg16 a hg38).
2. Imprecisione: Spesso rimappano le letture in posizioni del nuovo riferimento che non si allineano bene con la sequenza della lettura, in particolare quando esistono grandi inserzioni nel nuovo riferimento, risultando in tassi di errore che superano le soglie accettabili.
3. Incompatibilità con l'Analisi a Valle: Molti strumenti producono output (ad esempio, file BED o BAM con stringhe CIGAR errate) che sono incompatibili con le pipeline standard di rilevamento delle varianti come GATK.

Metodologia: AirLift

AirLift è una metodologia e uno strumento progettati per fornire una soluzione rapida, completa e accurata di rimappatura end-to-end da BAM a BAM. Sfrutta la somiglianza tra due genomi di riferimento per minimizzare la necessità di un allineamento completo, assicurando al contempo che tutte le letture vengano elaborate.

Concetti Chiave: Regioni del Genoma di Riferimento

AirLift categorizza le regioni tra un vecchio e un nuovo genoma di riferimento in quattro tipi:

1. Regioni Costanti: Sequenze esattamente identiche in entrambi i riferimenti.
2. Regioni Aggiornate: Sequenze nel vecchio riferimento che mappano su sequenze simili (ma non identiche) nel nuovo riferimento.
3. Regioni Ritirate: Sequenze nel vecchio riferimento che non hanno alcuna regione corrispondente nel nuovo riferimento (cancellazioni).
4. Regioni Nuove: Sequenze nel nuovo riferimento che non hanno alcuna regione corrispondente nel vecchio riferimento (inserzioni).

L'Indice AirLift

Il cuore di AirLift è un Indice AirLift preelaborato, costruito tramite un processo in otto passaggi che coinvolge l'allineamento globale e l'estrazione di semi. Questo indice consiste in due Tabelle di Ricerca (LUT):

• LUT delle Regioni Costanti: Mappa le corrispondenze esatte tra il vecchio e il nuovo riferimento.
• LUT delle Regioni Aggiornate: Mappa le corrispondenze approssimative (entro un tasso di errore definito) tra il vecchio e il nuovo riferimento.

Crucialmente, la costruzione della LUT delle Regioni Aggiornate utilizza un tasso di errore conservativo di 2e (dove e è il tasso di errore di allineamento accettabile, tipicamente il 5%). Questo garantisce che qualsiasi lettura che mappa su una regione aggiornata nel vecchio riferimento con un tasso di errore e troverà una posizione potenziale corrispondente nel nuovo riferimento, anche se la differenza di sequenza tra i due riferimenti è fino a 2e.

Procedura di Rimappatura

AirLift elabora ogni lettura in un file BAM in base alla sua posizione di mappatura originale nel vecchio riferimento:

1. Lettture di Regioni Costanti: Se la lettura mappa su una regione costante, AirLift utilizza la LUT delle Regioni Costanti (tramite uno strumento chiamato FastRemap) per tradurre istantaneamente le coordinate sul nuovo riferimento. Non viene eseguito alcun riallineamento.
2. Lettture di Regioni Aggiornate: Se la lettura mappa su una regione aggiornata, AirLift interroga la LUT delle Regioni Aggiornate per identificare le posizioni candidate nel nuovo riferimento. Successivamente, esegue un allineamento completo (utilizzando BWA-MEM) solo contro queste specifiche posizioni candidate per trovare la migliore corrispondenza entro la soglia di errore e.
3. Lettture di Regioni Ritirate: Se la lettura mappa su una regione ritirata, viene contrassegnata come non mappata nel nuovo riferimento, poiché non esiste alcuna sequenza corrispondente.
4. Lettture Precedentemente Non Mappate: Le letture che non erano mappate nel vecchio riferimento vengono allineate completamente alle regioni Nuove e Aggiornate del nuovo riferimento utilizzando un mappatore completo (BWA-MEM).

Questo approccio ibrido garantisce che la vasta maggioranza delle letture (quelle nelle regioni costanti) venga elaborata istantaneamente, mentre solo una piccola frazione che richiede una gestione complessa subisce un allineamento completo.

Contributi Chiave

• Primo Rimappatore Completo da BAM a BAM: AirLift è il primo strumento a fornire una soluzione end-to-end che produce file BAM compatibili con gli strumenti di analisi a valle (come GATK) per tutte le letture, incluse quelle nelle regioni ritirate e nuove.
• Alta Accuratezza: Utilizzando un tasso di errore conservativo di 2e durante la costruzione dell'indice e riallineando le letture nelle regioni aggiornate, AirLift evita i tassi di errore elevati associati al semplice spostamento delle coordinate.
• Velocità: Riduce significativamente il tempo di esecuzione evitando la rimappatura completa per le letture nelle regioni costanti, che costituiscono la maggior parte del genoma.

Risultati

Gli autori hanno valutato AirLift rispetto agli strumenti di rimappatura all'avanguardia (CrossMap, LiftOver) e alla linea di base della rimappatura completa utilizzando BWA-MEM su genomi di riferimento umani, di C. elegans e di lievito.

• Tempo di Esecuzione: AirLift ottiene un aumento di velocità da 2,76× a 27,4× rispetto alla rimappatura completa. L'aumento di velocità è più elevato per i genomi umani (fino a 27,4× per hg17→hg38) dove le regioni costanti sono ampie, e più basso per il lievito dove le regioni costanti sono più piccole rispetto al genoma totale.
• Accuratezza (Rilevamento delle Varianti): Utilizzando GATK HaplotypeCaller, AirLift dimostra precisione e richiamo per il rilevamento di SNP e Indel comparabili alla rimappatura completa. Ad esempio, rimappando letture umane da hg19 a hg38, AirLift ha raggiunto una precisione del 97,05% e un richiamo del 96,39% per gli SNP rispetto alla verità fondamentale, rispetto al 97,73%/99,25% per la mappatura completa.
• Completezza: A differenza di CrossMap e LiftOver, che perdono porzioni significative di annotazioni (ad esempio, il 4,47% dei geni quando si passa da hg19 a hg38), AirLift elabora l'intero set di letture, assicurando che nessuna regione genomica venga ignorata.
• Utilizzo della Memoria: Il picco di utilizzo della memoria di AirLift è comparabile alla rimappatura completa (BWA-MEM) perché si affida a BWA-MEM per il sottoinsieme di letture nelle regioni aggiornate, che richiede comunque una memoria sostanziale.

Significato

Il documento afferma che AirLift è un'alternativa valida e ad alte prestazioni alla rimappatura completa per i ricercatori che aggiornano studi genomici a nuove versioni di riferimento. Eliminando la necessità di rieseguire pipeline computazionalmente costose da zero, mantenendo al contempo alta accuratezza e completezza, AirLift consente l'adattamento rapido di grandi dataset genomici ai più recenti genomi di riferimento. Questo è particolarmente significativo data la crescente frequenza degli aggiornamenti dei genomi di riferimento e il volume crescente dei dati genomici, permettendo ai ricercatori di mantenere analisi aggiornate senza costi computazionali proibitivi. Lo strumento è open-source e fornisce un flusso di lavoro completo da BAM a BAM, facilitando l'analisi immediata a valle.