Size dependent loss of structural variant allele counts in pangenome derived VCFs

Ogni essere umano porta con sé un insieme unico di istruzioni scritte nel linguaggio del DNA. Sebbene gran parte di questo codice sia identico da persona a persona, le differenze sono ciò che ci rende individui e guida la nostra salute. Gli scienziati si sono concentrati da tempo sulle minuscole variazioni di una singola lettera nel codice, che sono facili da individuare e registrare. Tuttavia, le differenze più drammatiche coinvolgono grandi blocchi di DNA — a volte lunghi migliaia di lettere — che vengono eliminati, duplicati o capovolti. Queste sono chiamate varianti strutturali. Poiché sono così grandi e complesse, sono molto più difficili da mappare rispetto alle variazioni di una singola lettera. In passato, gli scienziati cercavano di forzare queste differenze grandi e disordinate in una semplice lista lineare, un po' come cercare di descrivere una strada di montagna tortuosa elencando solo i segmenti di autostrada dritti che la attraversano. Questo approccio spesso perdeva dettagli cruciali su quante persone portassero effettivamente una specifica variazione.

Per risolvere questo problema, i ricercatori hanno recentemente sviluppato un nuovo modo per archiviare i dati genetici chiamato grafo del pangenoma. Invece di una singola linea retta, questo grafo intreccia le sequenze di DNA di molte persone in una struttura ramificata. In questa mappa, il DNA di ogni persona è un percorso che si snoda attraverso lo stesso paesaggio, divergendo e ricongiungendosi in diversi punti. Ciò consente agli scienziati di vedere le grandi varianti strutturali come caratteristiche naturali del terreno piuttosto che come annotazioni forzate. Tuttavia, quasi tutti i software utilizzati per studiare le malattie e l'evoluzione si aspettano ancora i dati nel vecchio e semplice formato a lista. Per utilizzare il nuovo grafo, gli scienziati devono convertirlo nuovamente in una lista, un processo che funge da traduttore tra due linguaggi molto diversi. La domanda critica era se questo processo di conversione preservasse il conteggio reale di quante persone portano una specifica grande variante, o se l'atto di convertire i dati ne frammentasse l'informazione.

Un team di ricercatori si è messo in campo per testare esattamente questo. Hanno creato un esperimento controllato in cui conoscevano la risposta prima di iniziare. Utilizzando sequenze di DNA umano reale come base, hanno simulato pannelli di venti individui, posizionando con cura grandi varianti strutturali in posizioni specifiche e assegnandole a portatori noti. Poiché avevano progettato l'esperimento essi stessi, conoscevano il numero esatto di persone che portavano ogni variante. Hanno poi costruito un grafo del pangenoma da questi dati simulati e lo hanno fatto passare attraverso la pipeline di conversione standard utilizzata dai principali consorzi di ricerca per trasformare il grafo nuovamente in una lista. Confrontando la lista finale con la loro verità originale, potevano vedere esattamente quale informazione fosse sopravvissuta al viaggio e quale fosse andata perduta.

I risultati hanno rivelato un problema chiaro e sistematico. Per le piccole varianti, la conversione funzionava quasi perfettamente, preservando il conteggio dei portatori. Ma man mano che la dimensione della variante aumentava, l'accuratezza del conteggio diminuiva drasticamente. Per le varianti di 100 lettere, la conversione identificava correttamente il numero di portatori in quasi tutti i casi. Tuttavia, per le varianti di 30.000 lettere, il conteggio corretto veniva recuperato in circa la metà dei casi. Più grande era la variante, maggiore era la probabilità che il processo di conversione frammentasse i dati, dividendo un singolo gruppo di portatori in molti gruppi più piccoli e non correlati. Questa frammentazione era ancora peggiore nelle regioni del genoma che sono già difficili da leggere, note come duplicazioni segmentali, dove il conteggio corretto era recuperato in meno del 40 percento delle varianti più grandi.

I ricercatori hanno risalito alla fonte di questo errore proprio nel primo passaggio del processo di conversione. Quando il grafo viene scomposto in una lista, il software cerca le "bolle" — sezioni in cui i percorsi divergono e si ricongiungono. Tratta ogni percorso unico attraverso una bolla come una variante distinta. Poiché le bolle grandi contengono spesso molte piccole differenze non correlate tra i portatori, il software vede erroneamente una singola grande delezione come dozzine di eventi leggermente diversi. I passaggi successivi nella pipeline, progettati per pulire e semplificare la lista, non potevano correggere questo malinteso fondamentale. Potevano fondere alcuni dei frammenti, ma non potevano ricostruire il gruppo originale e unificato di portatori perché la scomposizione iniziale aveva già perso la connessione.

Per dimostrare che si trattava di un difetto del metodo di traduzione e non di un difetto del grafo stesso, il team ha provato un approccio diverso. Invece di convertire prima il grafo in una lista, hanno scritto uno strumento che contava direttamente i portatori percorrendo i sentieri del grafo. Questo metodo bypassava interamente la traduzione. Utilizzando questo metodo di conteggio diretto, hanno recuperato il conteggio corretto dei portatori per il 99 percento delle varianti, indipendentemente dalla loro dimensione. Ciò ha dimostrato che l'informazione era ancora presente nel grafo, ma il metodo standard di conversione in una lista stava fallendo nel leggerla correttamente. Il problema non era nella mappa, ma nel modo in cui la mappa veniva letta.

Il team ha poi esaminato dati reali provenienti dall'Human Pangenome Reference Consortium per vedere se questo problema esistesse al di fuori delle loro simulazioni. Hanno esaminato una specifica grande delezione presente nella popolazione umana, portata da 216 individui su 461. Nei dati grezzi del grafo, questo singolo evento appariva come 84 alleli differenti, con il gruppo più grande contenente solo 25 portatori. Quando hanno guardato la lista pubblicata finale, l'evento era stato diviso in quattro record separati. Sebbene il numero totale di portatori fosse approssimativamente corretto quando venivano sommati, l'evento non era più riconosciuto come un'unità singola. Qualsiasi analisi che contasse quanti distinti varianti strutturali esistessero nel genoma avrebbe erroneamente contato questo singolo evento come quattro, gonfiando la diversità e distorcendo la comprensione di quanto comune fosse realmente la variante.

Lo studio conclude che, sebbene i grafi del pangenoma offrano un quadro più completo della variazione genetica umana, gli strumenti standard utilizzati per condividere e analizzare questi dati stanno attualmente rompendo le informazioni più importanti per le grandi varianti. La perdita di conteggi accurati non è un glitch raro, ma una conseguenza prevedibile di come i dati vengono tradotti. I ricercatori suggeriscono che, per gli studi che si basano sulla frequenza delle grandi varianti strutturali, gli scienziati dovrebbero contare i portatori direttamente dai percorsi del grafo anziché affidarsi alle liste convertite. Questo approccio è più veloce e molto più accurato, garantendo che la vera scala della diversità genetica non vada persa nella traduzione da una mappa complessa a una semplice lista.