Technische Samenvatting: AirLift

Probleemstelling

Referentiegenomen zijn inherent imperfecte representaties van het gemiddelde gezonde individu van een soort, vanwege fouten in sequentietechnologieën en assemblage-algoritmen. Naarmate sequentietechnologieën en assemblage-tools verbeteren, worden referentiegenomen stapsgewijs bijgewerkt (bijvoorbeeld updates van het menselijke referentiegenoom van GRCh37 naar GRCh38, en de recente telomeer-tot-telomeer-assemblages). Om de nauwkeurigheid van downstream genomische analyses, zoals variantdetectie, te waarborgen, moeten read-sets worden gemapt naar het nieuwste referentiegenoom.

Op dit moment is de standaardaanpak om de volledige analysepijplijn opnieuw uit te voeren, waarbij alle reads volledig opnieuw worden gemapt naar het nieuwe referentiegenoom. Dit proces is rekenkundig duur; bijvoorbeeld, het aligneren van 300 miljoen korte reads met het menselijke genoom kan ongeveer 75 uur in beslag nemen. Gezien het volume aan genomische data elke acht maanden verdubbelt en er zeer specifieke referentiegenomen voor diverse populaties ontstaan, verergert de noodzaak om read-sets naar meerdere referenties te mappen deze rekenkundige last.

Bestaande "remapping"-tools (zoals UCSC LiftOver en CrossMap) proberen dit proces te versnellen door gebruik te maken van chain-bestanden om coördinaten van een oude referentie naar een nieuwe te vertalen op basis van constante regio's. Deze tools kampen echter met drie kritieke beperkingen:

1. Gebrek aan volledigheid: Ze kunnen reads die vallen binnen "geretireerde" regio's (verwijderd in de nieuwe referentie) of "nieuwe" regio's (ingevoegd in de nieuwe referentie) niet remappen, wat leidt tot een aanzienlijk verlies aan genomische dekking (bijvoorbeeld het missen van >7% van de genannotaties bij de overstap van hg16 naar hg38).
2. Onnauwkeurigheid: Ze mappen reads vaak naar locaties in de nieuwe referentie die niet goed overeenkomen met de read-sequentie, vooral wanneer er grote inserties bestaan in de nieuwe referentie, wat resulteert in foutpercentages die boven de aanvaardbare drempels uitstijgen.
3. Incompatibiliteit met downstream analyse: Veel tools produceren outputs (bijvoorbeeld BED-bestanden of BAM's met onjuiste CIGAR-strings) die incompatibel zijn met standaard variantdetectie-pijplijnen zoals GATK.

Methodologie: AirLift

AirLift is een methodologie en tool ontworpen om een snelle, volledige en nauwkeurige end-to-end BAM-naar-BAM remapping-oplossing te bieden. Het maakt gebruik van de gelijkenis tussen twee referentiegenomen om de noodzaak voor volledige alignering te minimaliseren, terwijl ervoor wordt gezorgd dat alle reads worden verwerkt.

Kernconcepten: Regio's van het Referentiegenoom

AirLift categoriseert regio's tussen een oude en een nieuwe referentiegenoom in vier types:

1. Constante Regio's: Sequenties die exact identiek zijn in beide referenties.
2. Bijgewerkte Regio's: Sequenties in de oude referentie die overeenkomen met vergelijkbare (maar niet identieke) sequenties in de nieuwe referentie.
3. Geretireerde Regio's: Sequenties in de oude referentie die geen corresponderende regio hebben in de nieuwe referentie (deleties).
4. Nieuwe Regio's: Sequenties in de nieuwe referentie die geen corresponderende regio hebben in de oude referentie (inserties).

De AirLift Index

De kern van AirLift is een voorverwerkte AirLift Index, opgebouwd via een proces van acht stappen dat globale alignering en zaadextractie omvat. Deze index bestaat uit twee Lookup Tables (LUT's):

• Constante Regio's LUT: Maakt exacte matches tussen de oude en nieuwe referenties in kaart.
• Bijgewerkte Regio's LUT: Maakt benaderende matches (binnen een gedefinieerd foutpercentage) tussen de oude en nieuwe referenties in kaart.

Cruciaal is dat de constructie van de Bijgewerkte Regio's LUT een conservatief foutpercentage van 2e gebruikt (waarbij e het aanvaardbare aligneringsfoutpercentage is, typisch 5%). Dit zorgt ervoor dat elke read die in de oude referentie naar een bijgewerkte regio mapt met een foutpercentage e, een corresponderende potentiële locatie in de nieuwe referentie zal vinden, zelfs als het sequentieverschil tussen de twee referenties tot 2e bedraagt.

Remapping-procedure

AirLift verwerkt elke read in een BAM-bestand op basis van de oorspronkelijke mappingslocatie in de oude referentie:

1. Reads in Constante Regio's: Als de read mapt naar een constante regio, gebruikt AirLift de Constante Regio's LUT (via een tool genaamd FastRemap) om de coördinaten direct naar de nieuwe referentie te vertalen. Er wordt geen heralignering uitgevoerd.
2. Reads in Bijgewerkte Regio's: Als de read mapt naar een bijgewerkte regio, raadpleegt AirLift de Bijgewerkte Regio's LUT om kandidaat-locaties in de nieuwe referentie te identificeren. Vervolgens wordt een volledige alignering (met BWA-MEM) uitgevoerd, maar uitsluitend tegen deze specifieke kandidaat-locaties om de beste match binnen het foutdrempel e te vinden.
3. Reads in Geretireerde Regio's: Als de read mapt naar een geretireerde regio, wordt deze gemarkeerd als unmapped in de nieuwe referentie, aangezien er geen corresponderende sequentie bestaat.
4. Eerder Unmapped Reads: Reads die in de oude referentie unmapped waren, worden volledig gealigneerd met de Nieuwe en Bijgewerkte regio's van het nieuwe referentiegenoom met behulp van een volledige mapper (BWA-MEM).

Deze hybride aanpak zorgt ervoor dat het overgrote deel van de reads (die in constante regio's) direct wordt verwerkt, terwijl slechts een klein percentage dat complexe verwerking vereist, volledige alignering ondergaat.

Belangrijkste Bijdragen

• Eerste Volledige BAM-naar-BAM Remapper: AirLift is de eerste tool die een end-to-end oplossing biedt die BAM-bestanden output die compatibel zijn met downstream analyse-tools (zoals GATK) voor alle reads, inclusief die in geretireerde en nieuwe regio's.
• Hoge Nauwkeurigheid: Door tijdens de indexconstructie een conservatief foutpercentage van 2e te gebruiken en reads in bijgewerkte regio's opnieuw te aligneren, vermijdt AirLift de hoge foutpercentages die geassocieerd zijn met eenvoudige coördinatenverschuiving.
• Snelheid: Het reduceert de uitvoeringstijd aanzienlijk door volledige her-mapping te vermijden voor reads in constante regio's, die het merendeel van het genoom uitmaken.

Resultaten

De auteurs hebben AirLift geëvalueerd tegen geavanceerde remapping-tools (CrossMap, LiftOver) en de baseline van volledige remapping met BWA-MEM over menselijke, C. elegans- en gist-referentiegenomen.

• Uitvoeringstijd: AirLift bereikt een snelheidswinst van 2,76× tot 27,4× in vergelijking met volledige remapping. De snelheidswinst is het hoogst voor menselijke genomen (tot 27,4× voor hg17→hg38) waar constante regio's groot zijn, en lager voor gist waar constante regio's kleiner zijn ten opzichte van het totale genoom.
• Nauwkeurigheid (Variantdetectie): Met GATK HaplotypeCaller toont AirLift precisie en recall voor SNP- en Indel-detectie die vergelijkbaar zijn met volledige remapping. Bijvoorbeeld, bij het remappen van menselijke reads van hg19 naar hg38, bereikte AirLift 97,05% precisie en 96,39% recall voor SNPs tegenover de ground truth, vergeleken met 97,73%/99,25% voor volledige mapping.
• Volledigheid: In tegenstelling tot CrossMap en LiftOver, die significante delen van annotaties missen (bijvoorbeeld 4,47% van de genen bij het lift-en van hg19 naar hg38), verwerkt AirLift de volledige read-set, waardoor ervoor wordt gezorgd dat geen enkele genomische regio wordt genegeerd.
• Geheugengebruik: Het piekgeheugengebruik van AirLift is vergelijkbaar met volledige remapping (BWA-MEM), omdat het afhankelijk is van BWA-MEM voor het subset van reads in bijgewerkte regio's, wat nog steeds aanzienlijk geheugen vereist.

Betekenis

Het artikel stelt dat AirLift een levensvatbaar, hoogpresterend alternatief is voor volledige remapping voor onderzoekers die genomische studies updaten naar nieuwe referentieversies. Door de noodzaak om rekenkundig dure pijplijnen volledig opnieuw uit te voeren te elimineren, terwijl hoge nauwkeurigheid en volledigheid worden behouden, stelt AirLift onderzoekers in staat om grote genomische datasets snel aan te passen aan de nieuwste referentiegenomen. Dit is bijzonder significant gezien de toenemende frequentie van updates van referentiegenomen en de groeiende hoeveelheid genomische data, waardoor onderzoekers up-to-date analyses kunnen behouden zonder prohibitieve rekenkosten. De tool is open-source en biedt een volledige BAM-naar-BAM-workflow, wat directe downstream analyse faciliteert.