Systematic benchmarking of small variant calling pipelines for long-read RNA sequencing data

技術要約：ロングリードRNAシーケンシングデータにおけるスモールバリアント・コーリング・パイプラインの系統的ベンチマーク

問題提起
ロングリードRNAシーケンシング（lrRNA-seq）は、転写産物レベルでのバリアント検出を可能にし、特定のアイソフォームへの遺伝的変化の紐付けや、アレル特異的なイベントおよびスプライシングの解析を容易にする。しかし、lrRNA-seqにおけるスモールバリアント（SNVおよびインデル）コーリング・パイプラインの系統的かつ中立的な評価は依然として限られている。既存のツールの性能が、異なるシーケンシング技術（Oxford Nanopore Technologies [ONT] および Pacific Biosciences [PacBio]）、アライメント戦略、バリアントコーラーの選択、ゲノムコンテキスト、およびダウンストリームのハプロタイプフェージングにどのように影響されるかは、完全には理解されていない。さらに、lrRNA-seqに特化して最適化されたバリアントコーラーを使用する場合において、アライメントファイルの変換（スプライスされたRNAアライメントを連続したDNA様表現に変換すること）が依然として必要であるかどうかも不明である。

方法論
著者らは、4種類のONTライブラリ調製プロトコル（cDNA R9.4.1、cDNA R10.4.1、dRNA002、dRNA004）と2種類のPacBioプロトコル（Iso-SeqおよびMas-Seq/Kinnex）でシーケンシングされた、Genome in a Bottle (GIAB) データセット（3つの細胞株：HG002、HG004、HG005）を用いた系統的なベンチマークを実施した。本研究は、最近のLongBenchデータセット（H211およびH526肺癌細胞株）への評価も拡張している。

ベンチマークのワークフローは以下の通りである：

1. アライメント： リードは minimap2 および pbmm2（PacBioに最適化されたラッパー）を用いてアライメントされた。本研究では、アライメント変換（SplitNCigarReads を用いて連続したDNAアライメントを模倣する）を行うことと、生の（splicedな）アライメントを使用することの影響を評価した。
2. バリアントコーリング： 5つのlrRNA-seq特化型コーラーを評価した：Clair3-RNA、DeepVariant（PacBioにはMASSEQモデルを、ONTにはONT DNAモデルを使用）、isoLASER、longcallR、および longcallR-nn。GATK HaplotypeCaller は、ショートリードのベースラインとして含まれた。
3. ハプロタイプフェージング： フェージング性能は、WhatsHap、LongPhase、HapCUT2、HiPhase、および isoLASER と longcallR のネイティブなフェージング出力を用いて評価された。
4. 評価指標： 高信頼領域内のグランドトゥルース（正解）コールに対する精度を、精度（precision）、再現率（recall）、およびF1スコアを用いて定量化した。これらは、シーケンシング深度、バリアントタイプ（SNV/インデル）、およびゲノムコンテキスト（ホモポリマー、タンデムリピート、GC含量）によって層別化された。フェージングは、スイッチエラー率、フェージングカバレッジ、およびフェーズブロックN50を用いて評価された。

主な貢献と結果

• 主要な決定要因としてのシーケンシング特性： 本研究は、シーケンシング特性（化学組成、エラー率、スループット、およびマッパビリティ）がバリアントコーリング性能の最も強力な決定要因であることを特定しており、これはバリアントコーラーの選択よりも、F1スコアおよび真陽性数に対して多くの分散を説明している。PacBioデータセット（特にMas-Seq）は、高いシーケンシング精度とより多くのコーリング可能な塩基により、一貫してONTデータセットを上回った。ONTの化学組成の中では、dRNA004とcDNA R10が最も優れた性能を示し、dRNA002が最も低い性能を示した。
• バリアントコーラーの性能：
  • Clair3-RNA は、SNVおよびインデルの両方において、ONTおよびPacBioの両方の化学組成に対して、最も広く堅牢な適用性を示した。
  • DeepVariant は、PacBioデータ（特にインデルコーリング）において強力な性能を示したが、専用のONT RNA-seqモデルを欠いていたため、ONTデータでは性能が低かった。
  • longcallR は、事前学習済みモデルに依存せずにONTデータでのSNVコーリングにおいて競争力があり、直接的なフェーズド出力を提供した。
  • isoLASER は高い精度を示したが、特にONTデータにおいては再現率が低く、保守的なバリアントコーリングを行った。
  • longcallR-nn は、特定のデータセットにおいて競争力のある性能を示したが、dRNA002では苦戦した。
• アライメント戦略：
  • アライナーの選択： pbmm2 は、パラメータのプリセットの違いやスプライスジャンクションのアノテーション入力の欠如により、特にスプライス領域で偽陽性を多く導入する傾向があったため、一般に minimap2 の方が高いF1スコアを得た。
  • BAM変換： lrRNA-seq特化型コーラーの場合、アライメント変換（エキソン・イントロン接合部でのリードの分割）は性能を向上させず、むしろRNA特有のアライメント特徴（例：スプライスを考慮したCIGARパターン）やハプロタイプ情報を損なうことで精度を低下させる場合があった。変換が有益であり続けたのは、PacBioデータにおけるDeepVariantによるインデル検出においてのみであった。
• ゲノムコンテキストとRNA編集：
  • ホモポリマー（特にA/T）や極端なGC領域などの困難なゲノムコンテキストにおいて、性能が低下した。インデルコーリングは、SNVコーリングよりもホモポリマーの長さに敏感であった。
  • RNA編集（A-to-I）は偽陽性に寄与した。RNA編集データベース（例：REDIportalを介してClair3-RNAがサイトをタグ付けする）を統合したコーラーや、反復的なフェージング（longcallR）を用いるコーラーは、真のバリアントと編集イベントを区別する上で優れていた。
• ハプロタイプフェージング： すべての指標において最適な単一のフェージング手法は存在しなかった。WhatsHap は、スイッチエラー率が高くなる代わりに、フェージングカバレッジと連続性（長いフェーズブロック）を優先した。一方、HapCUT2 は、カバレッジはやや低いものの、精度を優先した。longcallR は、結合されたバリアントコーリングとフェージングのための強力な選択肢を提供した。
• 汎用性： GIABデータセットで観察された性能傾向は、LongBenchの癌細胞株データセットの結果とも一致しており、シーケンシング特性の支配性と、コーラーの相対的な性能階層を裏付けている。

意義
本論文は、lrRNA-seqのバリアントコーリングのための基礎的なベンチマークを確立しており、ツールの選択も重要ではあるが、基礎となるシーケンシング技術とライブラリ調製こそが成功のための最も重要な要因であることを強調している。本研究は、パイプライン構築のための具体的なガイダンスを提供している：

1. 一般的なlrRNA-seqのバリアントコーリングには、Clair3-RNA が最も汎用性の高いツールとして推奨される。
2. DeepVariant は、特にインデルにおいて、PacBioデータに対する強力な選択肢である。
3. アライメント変換 は、PacBioでのDeepVariant使用時を除き、長距離情報を保持するために、lrRNA-seq特化型コーラーでは原則として省略すべきである。
4. WhatsHap と HapCUT2 は、ダウンストリームのフェージングにおいて補完的なトレードオフを提供し、longcallR は統合されたコーリングとフェージングに適している。

本研究は、感度のさらなる向上が、発現依存的な制限を克服するための標的濃縮戦略を必要とする可能性があると結論付けており、さらなる研究として、転写産物レベルのバリアント割り当ておよびシングルセルへの応用に関するベンチマークが必要であるとしている。