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

Il nostro codice genetico è scritto in una lunga scala a chiocciola di DNA, ma a volte le istruzioni vengono riorganizzate in modi troppo grandi per essere visti come semplici errori di battitura. Queste modifiche su larga scala, note come varianti strutturali, coinvolgono blocchi di DNA di cinquanta lettere o più che vengono eliminati, copiati, ribaltati o spostati in una nuova posizione. Sebbene gli scienziati sappiano da tempo che queste riorganizzazioni svolgono un ruolo fondamentale sia nelle malattie rare che nei tratti comuni, individuarle è stato difficile. Per anni, il metodo standard per leggere il nostro DNA si è basato sul sequenziamento a short-read (lettura breve), una tecnica che frammenta il genoma in minuscoli pezzi, li legge e cerca di ricomporli come un libro sminuzzato. Questo metodo funziona bene per trovare piccoli errori, ma spesso fatica a vedere il quadro generale, lasciando i ricercatori incerti su dove esattamente inizi e finisca una grande riorganizzazione. Senza uno standard chiaro e concordato su come trovare e misurare queste grandi variazioni, confrontare i risultati tra diversi studi è stato come cercare di confrontare mappe disegnate da diversi cartografi utilizzando scale differenti.

Un team di ricercatori si è messo in moto per risolvere questa confusione, testando quanto bene gli attuali programmi informatici riescano a trovare queste grandi riorganizzazioni del DNA utilizzando dati a short-read. Hanno raccolto una collezione di cambiamenti del DNA noti e verificati — essenzialmente un "set di verità" dove l'esatta posizione e la dimensione di ogni variante sono già note — e li hanno usati come campo di prova. Hanno fatto girare sedici diversi strumenti software e quattro principali pipeline combinate, ovvero flussi di lavoro che eseguono diversi strumenti contemporaneamente per cercare di catturare più varianti, contro questo set di verità. L'obiettivo era vedere quali programmi potessero individuare l'inizio e la fine esatti di un cambiamento del DNA, fino al singolo carattere, piuttosto che limitarsi a ipotizzare l'area generale.

I risultati hanno rivelato un difetto sorprendente nel modo in cui il settore opera attualmente. Mentre i singoli strumenti software spesso performavano bene nell'individuare l'esatta posizione di una delezione o di un'inserzione, le pipeline combinate su cui si basano molti studi su larga scala, in realtà, performavano peggio. Quando queste pipeline fondevano i risultati di più strumenti per creare un unico elenco di varianti, spesso perdevano i dettagli precisi. In molti casi, l'approccio combinato riduceva il numero di corrispondenze perfettamente accurate fino al novantotto per cento rispetto al miglior singolo strumento. Ciò suggerisce che il metodo utilizzato per combinare i dati stia introducendo errori, sfocando i bordi netti dei cambiamenti del DNA. Poiché i principali database pubblici della variazione genetica umana sono costruiti utilizzando queste stesse pipeline combinate, le imprecisioni trovate nello studio indicano probabilmente che molti record esistenti delle differenze del DNA umano contengono misurazioni imprecise di dove avvengono questi cambiamenti.

Per affrontare questo problema, i ricercatori hanno testato una nuova strategia per combinare i dati. Invece di lasciare che il software fonda automaticamente i risultati basandosi su regole approssimative, hanno creato un sistema che dà priorità allo strumento più accurato per ogni specifico tipo e dimensione di cambiamento del DNA. Ad esempio, uno strumento potrebbe essere il migliore nel trovare piccole delezioni, mentre un altro potrebbe essere migliore nel trovare delezioni grandi. Lasciando che lo strumento migliore per il compito specifico prenda il comando e aggiungendo solo i risultati extra dagli altri strumenti quando non entrano in conflitto con essi, il team ha creato un nuovo set di risultati. Questo approccio ha recuperato più corrispondenze perfettamente accurate di qualsiasi delle pipeline combinate standard testate. Quando hanno confrontato questi nuovi risultati con database indipendenti costruiti tramite il sequenziamento a long-read — una tecnologia più avanzata che legge segmenti più lunghi di DNA senza sminuzzarli — il nuovo metodo ha mostrato un accordo molto più elevato. Ha scoperto che le pipeline standard stavano perdendo molti cambiamenti reali, in particolare nelle regioni genomiche complesse e ripetitive, dove le sequenze di DNA si ripetono.

Lo studio evidenzia come il modo in cui i ricercatori combinano attualmente i dati di diversi strumenti software sia un collo di bottiglia significativo per la comprensione della genetica umana. I risultati suggeriscono che non basta far girare più strumenti insieme per garantire risultati migliori; anzi, può degradare l'accuratezza dei dati finali. Adottando un approccio alla fusione dei risultati più attento e basato sulle priorità, gli scienziati possono generare una mappa più completa e precisa delle varianti strutturali. Questo miglioramento è vitale per la ricerca futura, poiché conoscere i confini esatti di un cambiamento del DNA è essenziale per capire se esso interrompa un gene o causi una malattia. Il lavoro fornisce una via chiara per stabilire standard migliori, garantendo che le mappe genetiche utilizzate dai ricercatori in tutto il mondo siano il più accurate e dettagliate possibile.