Cross-Platform Evaluation of Long-Read Sequencing for DNA Methylation and Portability of Methylation Predictors
Questo studio dimostra che, sebbene le tecnologie di sequenziamento a lettura lunga (ONT e PacBio) offrano una copertura estesa del metiloma e supportino la portabilità di predittori della metilazione su larga scala, il loro attuale accordo inter-piattaforma a livello di singoli siti CpG rimane insufficiente per la sostituzione diretta dei microarray Illumina EPIC senza un aumento della profondità di sequenziamento, calibrazione e validazione specifica per piattaforma.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Le cellule umane portano con sé uno strato nascosto di istruzioni che si siede sopra il codice genetico, agendo come un interruttore a regolazione continua che accende o spegne i geni senza cambiare le lettere del DNA stesso. Questo strato, noto come metilazione del DNA, è un'etichetta chimica che si attacca a punti specifici lungo il genoma, aiutando a determinare come una cellula si comporta, come appare in termini di età e se è sana o malata. Per decenni, gli scienziati si sono affidati a uno strumento di laboratorio standard per leggere queste etichette, un metodo che funziona bene ma che controlla solo una frazione minuscola dei milioni di punti in cui queste etichette possono apparire. È come cercare di comprendere il meteo guardando solo poche finestre in una casa enorme. Recentemente, sono emerse nuove tecnologie che promettono di leggere le etichette attraverso l'intero genoma senza distruggere il campione di DNA nel processo, offrendo una visione molto più ampia. Tuttavia, prima che gli scienziati possano fidarsi di questi nuovi strumenti per studi su larga scala, devono sapere se le diverse macchine concordano tra loro e se le vecchie regole per interpretare i dati sono ancora applicabili.
Un team di ricercatori si è messo alla prova per testare queste nuove macchine di sequenziamento a lettura lunga, che provengono da due diverse aziende, confrontandole con lo standard consolidato. Hanno preso campioni di sangue da due grandi gruppi di persone e li hanno fatti passare attraverso tre sistemi diversi: il vecchio metodo standard e le due nuove macchine a lettura lunga. L'obiettivo era vedere se le nuove macchine potessero catturare le stesse informazioni di quella vecchia e se le nuove macchine concordassero tra loro. I ricercatori hanno scoperto che entrambe le nuove macchine erano in grado di scansionare quasi l'intero genoma, trovando circa ventotto milioni di punti dove potrebbero esistere le etichette di metilazione, un enorme miglioramento rispetto al metodo standard che guarda solo poche centinaia di migliaia. Questa ampia copertura è un passo significativo in avanti, che permette agli scienziati di vedere regioni del genoma che prima erano invisibili agli studi su larga scala.
Tuttavia, quando i ricercatori hanno confrontato i numeri specifici prodotti dalle macchine per lo stesso punto sulla stessa persona, l'accordo non era perfetto. Sebbene le macchine vedessero generalmente gli stessi schemi, le misurazioni esatte per i singoli punti spesso differivano. I ricercatori hanno scoperto che la quantità di dati raccolti per ogni punto, nota come profondità di lettura, giocava un ruolo cruciale. Quando hanno simulato cosa sarebbe successo se avessero raccolto più dati, hanno scoperto che una macchina avrebbe dovuto leggere ogni punto circa cinquanta o sessanta volte per eguagliare l'affidabilità del vecchio metodo standard. Nei loro esperimenti reali, una delle nuove macchine ha raccolto abbastanza dati da avvicinarsi a questo livello di affidabilità, mentre l'altra ne ha raccolti leggermente meno. Ciò suggerisce che i nuovi strumenti sono potenti, ma attualmente devono essere utilizzati con intensità sufficiente per raccogliere abbastanza punti dati per essere pienamente affidabili per ogni singolo punto.
Lo studio ha anche testato se le formule matematiche che gli scienziati usano per predire cose come l'età biologica o il rischio di malattie potessero essere utilizzate direttamente con i nuovi dati. Queste formule sono come ricette che sommano i livelli di metilazione di specifici punti per dare un punteggio. I ricercatori hanno scoperto che la dimensione della ricetta contava molto. Le formule che utilizzavano migliaia di punti funzionavano bene tra le diverse macchine, producendo risultati simili. Al contrario, le formule che si affidavano a solo poche centinaia di punti davano spesso risposte molto diverse a seconda della macchina utilizzata. Ciò indica che, sebbene le nuove macchine possano supportare previsioni complesse, le formule semplici e scarse sviluppate per la vecchia tecnologia potrebbero non trasferirsi direttamente senza aggiustamenti.
Infine, il team ha investigato una strategia per risparmiare denaro mescolando i campioni di diverse persone prima di farli passare attraverso le macchine. Speravano che questo approccio permettesse di studiare grandi gruppi in modo più economico. I risultati hanno mostrato che, sebbene questo approccio funzionasse per ottenere un senso generale del gruppo, non forniva dati sufficienti affinché ogni singolo punto individuale fosse misurato accuratamente. Il rimescolamento aveva diluito i dati al punto da rendere impossibile ottenere letture precise per posizioni specifiche del genoma. Di conseguenza, i ricercatori hanno concluso che, sebbene l'unione dei campioni possa funzionare per riassunti generali, non è adatta per studi che richiedono misurazioni precise per ogni persona.
Il lavoro suggerisce che il sequenziamento a lettura lunga è una via promettente per lo studio dell'epigenoma, offrendo una visione dell'intero genoma che prima era impossibile. Eppure, i risultati servono anche da monito che questi strumenti non sono ancora un sostituto diretto dei vecchi metodi senza una calibrazione attenta. Per usarli efficacemente, gli scienziati devono assicurarsi di raccogliere abbastanza dati per superare le variazioni naturali tra le macchine e devono validare i loro modelli di previsione per garantire che funzionino con la nuova tecnologia. La strada da seguire comporta il bilanciamento tra l'incredibile ampiezza di questi nuovi strumenti e la precisione richiesta per fare scoperte scientifiche accurate.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.