MosaicTR: tandem repeat somatic instability quantification from long-read sequencing

Il paper presenta MosaicTR, un metodo che utilizza dati di sequenziamento a letture lunghe per quantificare l'instabilità somatica delle ripetizioni in tandem, superando i limiti delle tecniche a letture corte e offrendo una metrica robusta contro il rumore di sequenziamento.

L'essenziale

Immagina il nostro DNA come un libro di istruzioni molto lungo, scritto con le lettere A, C, G e T. In alcune parti di questo libro, ci sono delle frasi che si ripetono all'infinito, come "CAG-CAG-CAG-CAG...". Queste sono chiamate ripetizioni tandem.

In una persona sana, queste frasi ripetute hanno una lunghezza stabile. Ma in alcune malattie (come la Corea di Huntington) o nel cancro, queste ripetizioni iniziano a "impazzire": si allungano o si accorciano in modo casuale mentre le cellule si dividono. Questo fenomeno si chiama instabilità somatica. È come se, mentre copiavi una pagina del libro, ogni fotocopiatrice aggiungesse o togliesse qualche parola a caso. Più copie fai (più cellule si dividono), più il testo diventa diverso da pagina a pagina.

Fino a poco tempo fa, misurare questo "disordine" era come cercare di contare le parole in un libro usando un microscopio che vedeva solo una lettera alla volta (tecnologia a "lettura corta"). Era difficile capire se le frasi erano lunghe davvero o se era solo un errore della fotocopiatrice.

Ecco che entra in gioco MosaicTR, il nuovo strumento presentato in questo articolo.

Cosa fa MosaicTR? (L'analogia del Detective)

Pensa a MosaicTR come a un detective super-preciso che usa una tecnologia di lettura avanzata (chiamata "lettura lunga", come PacBio o Oxford Nanopore). Invece di guardare una lettera alla volta, questo detective legge intere frasi o paragrafi interi in un colpo solo.

Ecco come funziona, passo dopo passo, con delle metafore semplici:

1. Il Problema del "Rumore":
   Le fotocopiatrici moderne (i sequenziatori) sono molto brave, ma fanno ancora piccoli errori. A volte aggiungono una lettera in più o ne tolgono una per sbaglio.

   • L'analogia: Immagina di dover contare i mattoni di un muro. Se il muratore (il sequenziatore) a volte sbaglia e ne mette uno in più per errore, come fai a sapere se il muro è davvero cresciuto o se è solo un errore?
   • La soluzione di MosaicTR: Il detective sa che gli errori delle fotocopiatrici moderne tendono a essere "piccoli" (mezzo mattone), mentre i veri cambiamenti biologici (la malattia) avvengono in "blocchi interi" (un mattone intero o due). MosaicTR ignora i "mezzo mattone" (rumore) e si concentra solo sui "blocchi interi" (segnale biologico). Questo lo rende molto più preciso dei vecchi metodi.

2. La Distinguibilità delle "Fratelli" (Aplotipi):
   Noi abbiamo due copie di ogni gene (una dalla mamma, una dal papà). Spesso, solo una delle due copie si "impazzisce" e si allunga, mentre l'altra rimane normale.

   • L'analogia: Immagina due gemelli. Uno è sano, l'altro ha iniziato a crescere in modo strano. Se li misuri insieme senza distinguerli, sembra che siano entrambi un po' strani.
   • La soluzione di MosaicTR: MosaicTR ha un "cappello magico" (chiamato etichetta HP) che gli permette di dire: "Questo è il gemello sano, quello è il gemello malato". In questo modo, può misurare esattamente quanto è cresciuto solo il gemello malato, senza confondersi.

3. Il "Termometro" dell'Instabilità (HII):
   Il programma crea un punteggio chiamato Haplotype Instability Index (HII).

   • L'analogia: Pensa all'HII come a un termometro del caos.
     • Se il termometro segna 0, significa che la ripetizione è stabile e ordinata (nessuna malattia).
     • Se il termometro sale (es. 1, 5, 10), significa che c'è molto caos: le cellule hanno copie diverse della stessa ripetizione, segno che la malattia sta progredendo o che c'è un difetto nella riparazione del DNA (come nel cancro).

Perché è importante?

• Per le Malattie Genetiche: Aiuta a capire quando una malattia come la Corea di Huntington inizierà a fare danni, misurando quanto velocemente le ripetizioni stanno crescendo nelle diverse parti del corpo.
• Per il Cancro: Nel cancro, un "caos" alto nelle ripetizioni è un segnale che il sistema di riparazione del DNA è rotto. Questo può aiutare i medici a scegliere le cure giuste (come l'immunoterapia).
• Precisione: Funziona sia con le tecnologie di lettura più costose e precise (PacBio) che con quelle più economiche e veloci (Nanopore), adattandosi a entrambe come un abile sarto che sa cucire su qualsiasi tessuto.

In sintesi

MosaicTR è come un nuovo occhio che permette ai ricercatori di vedere il "disordine" nel DNA con una chiarezza mai avuta prima. Non si lascia ingannare dagli errori delle macchine, sa distinguere le due copie del nostro DNA e ci dà un numero preciso per dire: "Ehi, qui c'è un problema che sta peggiorando".

Questo strumento è gratuito e disponibile per tutti, aprendo la strada a diagnosi più precoci e a una migliore comprensione di come le malattie si evolvono nel tempo.

Sommario tecnico

Titolo e Obiettivo

Il paper presenta MosaicTR, un nuovo strumento bioinformatico progettato per quantificare l'instabilità somatica delle ripetizioni in tandem (TR) utilizzando dati di sequenziamento a lettura lunga (long-read). L'obiettivo principale è superare le limitazioni degli approcci basati su letture corte (short-read) e degli strumenti esistenti per analisi a risoluzione di aplotipo, offrendo una misurazione precisa dell'instabilità in contesti di malattie da espansione di ripetizioni e nel cancro.

Il Problema Scientifico

L'instabilità somatica delle ripetizioni in tandem (variazioni nella lunghezza delle ripetizioni tra le cellule di un individuo) è un fattore critico che influenza l'insorgenza e la progressione di malattie come la malattia di Huntington e la sindrome dell'X fragile, nonché un biomarcatore per la carenza del sistema di riparazione degli errori di appaiamento (MMR) nel cancro.
Le sfide attuali includono:

1. Limitazioni delle letture corte: Gli strumenti esistenti (es. prancSTR, MSIsensor) sono limitati alla lunghezza della lettura (circa 150 bp), non riescono a coprire grandi espansioni e soffrono di artefatti da "PCR stutter".
2. Mancanza di risoluzione aplotipica: Le malattie da espansione sono spesso eterozigoti; distinguere l'allele espanso da quello normale richiede un'analisi a livello di aplotipo, che molti strumenti non forniscono.
3. Rumore di sequenziamento: I dati delle piattaforme a lettura lunga (PacBio HiFi e Oxford Nanopore - ONT) contengono errori specifici (es. indel nei polimeri) che possono essere confusi con l'instabilità biologica reale.

Metodologia

MosaicTR opera su file BAM con tag HP (Haplotype-Phasing), output standard delle pipeline di variant calling per HiFi e ONT.

1. Estrazione e Dimensionamento degli Alleli:

   • Il tool estrae le letture che sovrappone la regione di ripetizione con almeno 50 bp di sequenza flaneggiante.
   • Calcola le dimensioni degli alleli sommando le operazioni di allineamento (CIGAR string) senza riallineamento a livello di sequenza.
   • Le letture sono raggruppate per tag HP. Se i tag HP sono assenti, il tool utilizza un'analisi di "gap-split" o un'analisi aggregata (pooled).

2. Indice di Instabilità Aplotipica (HII - Haplotype Instability Index):

   • Questo è il metrico principale. Misura la variazione intra-allelica della lunghezza delle ripetizioni, normalizzata per la lunghezza del motivo (motif).
   • Ponderazione basata sull'unità del motivo: Per ridurre il rumore di sequenziamento, MosaicTR assegna pesi diversi alle deviazioni:
     • Le deviazioni che sono multipli interi della lunghezza del motivo ($\ell$) ricevono peso pieno ($w_i = 1$), poiché riflettono l'instabilità biologica reale.
     • Le deviazioni sub-motivo (non multipli interi) ricevono un peso ridotto ($w_i = 0.1$), poiché spesso corrispondono a errori di sequenziamento (es. indel di 1 bp nei polimeri su HiFi o jitter su ONT).
   • La formula è: $HII_k = \frac{1}{\ell} \cdot \frac{\sum w_i |s_i - \tilde{S}_k|}{\sum w_i}$, dove $s_i$ sono le dimensioni degli alleli e $\tilde{S}_k$ è la mediana dell'aplotipo.

3. Gestione del Rumore Specifico per Piattaforma:

   • PacBio HiFi: Sfrutta il fatto che il 92% degli errori residui sono indel sub-motivo nei polimeri, che vengono attenuati dalla ponderazione.
   • Oxford Nanopore (ONT): Adatta le soglie di rumore in base alla lunghezza del motivo. Per motivi $\ge 3$ bp, un errore di 1 bp è sub-motivo (peso ridotto). Per dinucleotidi, un errore di 2 bp equivale a un'unità di motivo completa e viene trattato diversamente per evitare falsi positivi.

4. Confronto Multi-Campione:

   • Include modalità per confronti a coppie (es. tessuto tumorale vs normale) e matrici per studi longitudinali, calcolando il $\Delta HII$ per rilevare cambiamenti specifici per tessuto o nel tempo.

5. Asimmetria Inter-aplotipica (IAS):

   • Un punteggio ausiliario che misura se l'instabilità è confinata a un solo aplotipo (eterozigosi) o presente su entrambi.

Risultati Chiave

• Validazione su Dati Sintetici: L'HII misurato scala linearmente con l'instabilità simulata ($R^2 = 1.000$). Per la classificazione binaria (stabile/instabile), il tool raggiunge un AUC di 0.975 con una soglia di HII = 0.45.
• Riduzione dei Falsi Positivi: Su 108.584 loci nel campione di riferimento sano (HG002), la ponderazione basata sul motivo ha ridotto il tasso di falsi positivi dal 10,2% allo 0,9%. L'analisi aplotipica ha ulteriormente ridotto i falsi positivi del 70% nei loci eterozigoti.
• Risoluzione Aplotipica: MosaicTR ha distinto con successo portatori eterozigoti (instabilità confinata a un allele, IAS $\approx$ 1) da espansioni bilaterali (IAS basso), una distinzione impossibile con dati aggregati.
• Rilevamento di Portatori: Il tool ha identificato portatori di malattie (Huntington, SCA10, Sindrome X fragile, ecc.) sia su dati HiFi che ONT. L'HII è aumentato proporzionalmente alla dimensione dell'espansione (es. da 0,6 per 321 ripetizioni a 31,0 per 1.041 ripetizioni).
• Analisi Longitudinale: Applicato alla linea cellulare di cancro al pancreas HG008, ha rilevato espansioni progressive nel tempo (es. +675 bp in un locus tra il passaggio 23 e 41), confermando l'instabilità dipendente dal tempo.
• Confronto con Owl: MosaicTR mostra una distribuzione del rumore più stretta rispetto a Owl (che usa il coefficiente di variazione non pesato).

Contributi e Significatività

1. Primo strumento integrato: È il primo strumento che combina separazione del rumore consapevole del motivo, supporto multi-piattaforma (HiFi e ONT) e confronto multi-tessuto con risoluzione aplotipica.
2. Superamento delle limitazioni tecniche: Elimina la necessità di allineamento di sequenza complesso e supera il limite della lunghezza della lettura, permettendo di studiare espansioni massive.
3. Impatto Clinico e Biologico: Fornisce un metodo robusto per quantificare l'instabilità somatica, essenziale per comprendere i meccanismi delle malattie da espansione di ripetizioni e per utilizzare l'instabilità come biomarcatore per la carenza di MMR nel cancro.
4. Accessibilità: Il software è open source (licenza MIT) e scritto in Python con dipendenze minime, facilitando l'adozione nella comunità scientifica.

In sintesi, MosaicTR rappresenta un avanzamento significativo nella caratterizzazione genomica delle ripetizioni in tandem, trasformando i dati di sequenziamento a lettura lunga in metriche quantitative affidabili per l'instabilità somatica, fondamentali per la ricerca traslazionale e la medicina di precisione.