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

私たちの遺伝暗号は、DNAという長くねじれた梯子の中に書き込まれていますが、時としてその指示書が、単なる誤字脱字とは言い切れないほど大規模な形で組み替えられてしまうことがあります。構造変異として知られるこれらの大規模な変化は、50文字以上のDNAの塊が欠失したり、コピーされたり、反転したり、あるいは新しい場所に移動したりする現象を伴います。科学者たちは、こうした再編成が希少疾患や一般的な形質の両方において重要な役割を果たしていることを古くから知っていましたが、それを見つけ出すことは困難でした。長年、私たちのDNAを読み取るための標準的な手法は、ショートリード・シーケンシングという技術に依存してきました。これはゲノムを極小の断片に細かく切り刻んで読み取り、まるでシュレッダーにかけられた本を再び繋ぎ合わせるかのように、それらを組み立てようとする技術です。この手法は小さなエラーを見つけるのには適していますが、全体像を把握することには苦戦することが多く、研究者は大規模な再編成が正確にどこで始まり、どこで終わるのかを確信できないままになってしまいます。これらの大きな変化を見つけ出し、測定するための明確で合意された標準が存在しなかったため、異なる研究間での結果の比較は、異なる尺度を用いて描かれた異なる地図製作者による地図を比較しようとするようなものでした。

ある研究チームは、現在のコンピュータプログラムがショートリード・データを用いて、これら大規模なDNAの再編成をどの程度正確に見つけられるかを検証することで、この混乱を解決しようと試みました。彼らは、既知の、検証済みのDNA変化のコレクション——つまり、あらゆる変異の正確な位置とサイズがすでに判明している「真理セット（truth set）」——を集め、それをテストの場として使用しました。彼らは16種類の異なるソフトウェアツールと、4つの主要な統合パイプライン（複数のツールを同時に走らせてより多くの変異を捉えようとするワークフロー）を、この真理セットに対して実行しました。その目的は、どのプログラムがDNAの変化の開始点と終了点を、単におよその領域を推測するのではなく、一文字単位の精度で特定できるかを確認することでした。

結果は、現在の分野の運用における驚くべき欠陥を明らかにしました。個々のソフトウェアツールは、欠失や挿入の正確な位置を見つけることにおいて優れた性能を示すことが多かったのですが、多くの大規模研究が依拠している統合パイプラインは、実際にはむしろ性能が低下していたのです。これらのパイプラインが複数のツールの結果を統合して単一の変異リストを作成する際、正確な詳細情報が失われることが頻繁にありました。多くの場合、この統合アプローチによって、最も優れた単一のツールと比較して、完全に正確な一致の数が最大で98パーセントも減少していました。これは、データを統合する方法自体がエラーを導入しており、DNA変化の鋭い輪郭をぼやけさせていることを示唆しています。主要なヒト遺伝的変異の公開データベースは、これらと同じ統合パイプラインを使用して構築されているため、この研究で見つかった不正確さは、既存のヒトDNAの違いの記録の多くが、変化の発生場所に関する不正確な測定値を含んでいる可能性が高いことを意味しています。

これに対処するため、研究者たちはデータを統合するための新しい戦略をテストしました。ソフトウェアが緩いルールに基づいて自動的に結果をマージさせるのではなく、特定のタイプやサイズのDNA変化に対して最も正確なツールを優先させるシステムを構築したのです。例えば、あるツールは小さな欠失を見つけるのが得意であり、別のツールは大きな欠失を見つけるのが得意であるといった具合です。最も適したツールに主導権を与え、他のツールからの追加の発見については、それらが矛盾しない場合にのみ加えるという手法をとることで、チームは新しい一連の結果を作り出しました。このアプローチは、テストされた標準的な統合パイプラインのどれよりも、多くの「完全に正確な一致」を回収することができました。彼らが、ロングリード・シーケンシング（DNA配列を細切れにせず、より長い区間で読み取る、より高度な技術）から構築された独立したデータベースとこれらの新しい結果を比較したところ、新しい手法は非常に高い一致を示しました。標準的なパイプラインは、特にDNA配列が繰り返される複雑で反復的なゲノム領域において、多くの実在する変化を見逃していることが判明しました。

この研究は、研究者が異なるソフトウェアツールからのデータを統合する方法が、ヒト遺伝学を理解する上での重大なボトルネックとなっていることを浮き彫りにしています。今回の知見は、単に多くのツールを併用すれば良い結果が得られるわけではなく、実際には最終的なデータの精度を低下させかねないことを示唆しています。優先順序に基づいたより慎重な統合アプローチを採用することで、科学者は構造変異のより完全で精密な地図を作成することができます。この改善は、将来の研究にとって極めて重要です。なぜなら、DNAの変化が遺伝子を破壊するのか、あるいは疾患を引き起こすのかを理解するためには、その境界を正確に知ることが不可欠だからです。この研究は、世界中の研究者が使用する遺伝地図が、可能な限り正確かつ詳細であることを保証するための、より良い標準を確立するための明確な道筋を示しています。