Defining a tandem repeat catalog and variation clusters for genome-wide analyses

Deze paper introduceert de TRExplorer catalogus v1.0, een uitgebreide en gestandaardiseerde verzameling van 4,86 miljoen tandemrepeat-loci en een nieuw algoritme voor het definiëren van variatieclusters, die gezamenlijk de compatibiliteit en nauwkeurigheid van genomische analyses voor zowel korte als lange lezingen verbeteren.

De kern

🧬 De "Tandem Repeat" Kaart: Een Nieuwe Gids voor ons DNA

Stel je voor dat ons menselijk DNA een gigantische bibliotheek is. De meeste boeken in deze bibliotheek bevatten unieke zinnen die instructies geven voor hoe ons lichaam werkt. Maar er zijn ook speciale plekken in de boeken waar woorden of zinnen herhaaldelijk worden opgeschreven.

Bijvoorbeeld: in plaats van "De kat zat op de mat", staat er hier: "De kat zat op de mat mat mat mat". Of: "De kat kat kat zat op de mat".

In de wetenschap noemen we dit Tandem Repeats (Tandemherhalingen). Soms zijn het korte stukjes (zoals 3 letters die 10 keer herhaald worden), soms zijn het hele lange zinnen.

🗺️ Het Probleem: Verwarrende Kaarten

De afgelopen jaren hebben wetenschappers geprobeerd een lijst te maken van al deze herhalingen in het menselijk DNA. Maar er was een groot probleem:

• De ene groep maakte een lijst met 200.000 herhalingen.
• De andere groep maakte een lijst met 7 miljoen.
• Als ze naar dezelfde plek keken, waren ze het vaak niet eens over waar een herhaling begon en eindigde.

De analogie:
Stel je voor dat je een stad wilt in kaart brengen. Groep A zegt: "De stad begint bij de brug en eindigt bij het station." Groep B zegt: "Nee, de stad begint bij de rivier en eindigt bij de school."
Als je nu probeert te vertellen hoeveel mensen er in de stad wonen (of hoeveel herhalingen er zijn), krijg je verschillende antwoorden. Dit maakt het heel moeilijk om onderzoeken met elkaar te vergelijken, vooral als we ziekten willen bestuderen die door deze herhalingen worden veroorzaakt.

🛠️ De Oplossing: De TRExplorer Kaart

In dit artikel presenteren de auteurs een nieuwe, super-accurate kaart die ze TRExplorer v1.0 noemen. Ze hebben de beste stukken van alle oude lijsten samengevoegd en er nieuwe stukken aan toegevoegd.

Wat maakt deze kaart speciaal?

1. De Grootte: Het bevat bijna 5 miljoen herhalingen.
2. Voor iedereen: Het werkt goed voor zowel oude technologie (korte leesjes) als nieuwe, krachtige technologie (lange leesjes).
3. De Twee Soorten Gebieden: De auteurs hebben de kaart in twee soorten gebieden verdeeld:
   • Eilanden (Geïsoleerde herhalingen): Dit zijn herhalingen die alleen staan, omringd door rustig, voorspelbaar DNA. Deze zijn makkelijk te tellen.
   • Borstels (Variatie-Clusters): Dit zijn gebieden waar de herhalingen zitten in een "chaos" van veranderingen. Hier zitten herhalingen, maar ook andere mutaties en onregelmatigheden eromheen.

De Analogie van de Borstel:
Stel je een tandenborstel voor.

• De haren zijn de herhalingen.
• De steel is het normale DNA.
• Bij een Eiland is de steel glad en recht. Je kunt makkelijk tellen hoeveel haren er zijn.
• Bij een Borstel (Variatie-Cluster) is de steel zelf ook beschadigd, gebogen of heeft hij extra stukjes eraan vastzitten. Als je alleen naar de haren kijkt, zie je niet het hele plaatje. Je moet de hele borstel bekijken om te begrijpen wat er aan de hand is.

De nieuwe kaart helpt wetenschappers om deze "borstels" als één geheel te analyseren, in plaats van te proberen de haren los te tellen. Dit voorkomt fouten bij het diagnosticeren van ziekten.

🌐 Een Openbaar Park voor Iedereen

De auteurs hebben niet alleen de kaart gemaakt, maar ook een online park gebouwd: trexplorer.broadinstitute.org.

• Zoek en Vind: Iedereen kan hier zoeken naar specifieke herhalingen.
• Filteren: Je kunt filteren op bijvoorbeeld "alle herhalingen in het gen dat te maken heeft met Alzheimer" of "alle herhalingen die vaak veranderen tussen mensen".
• Downloaden: Je kunt je eigen lijstje maken om te gebruiken in je eigen onderzoek.

💡 Waarom is dit belangrijk?

Veel ziekten, zoals de ziekte van Huntington of bepaalde vormen van dementie, worden veroorzaakt doordat er te veel herhalingen zijn.

• Met de oude, verwarrende lijsten konden artsen soms de verkeerde diagnose stellen (bijvoorbeeld: "Je hebt 10 herhalingen, dat is veilig" terwijl het eigenlijk 12 waren omdat de meetmethode anders was).
• Met deze nieuwe, eenduidige kaart kunnen artsen en onderzoekers over de hele wereld dezelfde taal spreken. Ze kunnen hun resultaten vergelijken, ziektes beter begrijpen en betere behandelingen vinden.

Kort samengevat:
De auteurs hebben de "GPS" voor de herhalende stukjes in ons DNA opgefrist. Ze hebben een standaard gemaakt zodat iedereen (van de kleinste lab tot de grootste ziekenhuizen) dezelfde route volgt, waardoor we minder verdwaald raken en sneller de juiste bestemming bereiken: het begrijpen en genezen van genetische ziekten.

Technische samenvatting

Titel: Definiëren van een catalogus voor tandemherhalingen en variatieclusters voor genomische analyses op hele genoomschaal

Auteurs: Ben Weisburd, Egor Dolzhenko, et al. (Broad Institute, PacBio, en diverse internationale partners)
Publicatie: bioRxiv preprint (2024)

---

1. Het Probleem

Tandemherhalingen (TRs), waaronder korte tandemherhalingen (STRs) en variabele aantal tandemherhalingen (VNTRs), spelen een cruciale rol in genetische ziekten en populatievariatie. Echter, het analyseren van TRs op genoomschaal wordt gehinderd door een gebrek aan standaardisatie:

• Verschillende catalogi: Bestaande catalogi variëren enorm in grootte (van <200.000 tot >7 miljoen loci) en gebruikte methoden (referentie-gebaseerd vs. cohort-gebaseerd).
• Inconsistentie in grenzen: Zelfs wanneer catalogi overlappen, zijn de gedefinieerde grenzen van de loci vaak verschillend. Dit leidt tot interpretatiefouten bij het vergelijken van resultaten tussen studies (bijv. bij de PABPN1-locus, waar een verschil in definitie leidt tot verschillende pathogene drempels).
• Technologie-afhankelijkheid: Catalogi die zijn ontworpen voor kort-read data (zoals Illumina) zijn vaak te beperkt voor lang-read data, en vice versa. Catalogi met brede grenzen (inclusief onderbrekingen) werken goed voor lang-read genotypering maar zijn onnauwkeurig voor kort-read tools.
• Complexiteit: Veel TRs bevinden zich in complexe regio's met omringende variatie (indels, substituties), wat leidt tot fouten bij het genotyperen van individuele herhalingen.

2. Methodologie

De auteurs hebben een nieuwe, uitgebreide catalogus ontwikkeld, genaamd TRExplorer v1.0, door een hybride aanpak te combineren:

• Data-integratie: De catalogus is samengesteld uit vier bronnen:
  1. 63 bekende ziekte-geassocieerde loci en hun buren.
  2. 174.244 loci uit de Illumina catalogus (gebaseerd op 1000 Genomes Project data).
  3. Perfecte herhalingen gevonden in het hg38 referentiegenoom (≥3 kopieën van 3-1000 bp motieven).
  4. Polymorfe TRs gedetecteerd in 78 haplotype-opgeloste T2T-assemblages (Human Pangenome Reference Consortium).
• Stratificatie in twee groepen:
  1. Isolatie TRs: Herhalingen omringd door niet-polymorfe flanken, geschikt voor kopie-aantal analyse.
  2. Variatieclusters (Variation Clusters - VCs): Regio's waar TRs worden omringd door polymorfe sequenties (indels, andere herhalingen). Deze vereisen sequentie-niveau analyse.
• Nieuw algoritme (vclust): De auteurs introduceerden een nieuw algoritme, vclust, dat HiFi-lang-read data gebruikt om de grenzen van variatieclusters te definiëren. Het algoritme berekent de waarschijnlijkheid dat een base om de TR heen deel uitmaakt van een cluster door de variatie in een 150bp venster te analyseren.
• Validatie: De catalogus is gevalideerd tegenover 250.262 orthogonaal afgeleide polymorfe STR-loci en getest op nauwkeurigheid met tools zoals TRGT, LongTR, HipSTR en ExpansionHunter.

3. Belangrijkste Bijdragen

• TRExplorer v1.0 Catalogus: Een nieuwe, rijk geannoteerde catalogus met 4,86 miljoen TR-loci (4.803.366 STRs en 59.675 VNTRs).
  • Dit omvat 780.607 STRs en 21.888 VNTRs die polymorf zijn maar ontbreken in eerdere, veelgebruikte catalogi.
  • Ontworpen om compatibel te zijn met zowel kort-read als lang-read analyses.
• Variatieclusters (VCs): De identificatie van 25.000 complexe variatieclusters (die 5 of meer TRs bevatten). Deze clusters worden gedefinieerd als een eenheid voor analyse in plaats van individuele TRs.
• vclust Tool: Een open-source tool om VCs te detecteren en te visualiseren.
• Trexplorer Portal: Een webportaal (trexplorer.broadinstitute.org) voor interactieve zoekopdrachten, visualisatie, filtering en download van de catalogus en annotaties.
• Kostenefficiëntie-analyse: Een schatting van de rekenkosten voor genotypering van verschillende subsets van de catalogus.

4. Resultaten

• Omvang en Dekking: De catalogus beslaat 2,1% van het hg38 referentiegenoom. 65,8% van de TRs bevindt zich in introns, 27,8% intergenisch, en 0,9% in coderende gebieden.
• Polymorfisme: 52% van de loci (2,4 miljoen) is polymorf (standaardafwijking ≥ 0,2 in allele-grootte).
• Nauwkeurigheid van VCs:
  • Het genotyperen van volledige variatieclusters (in plaats van individuele TRs) verhoogde de sequentie-overeenstemming (concordance rate) aanzienlijk: van 79,43% voor individuele TRs naar 90,58% voor VCs (gebaseerd op HiFi-data en assemblage-validatie).
  • Complexe VCs (≥5 TRs) hebben een mediaan referentielengte van 208 bp; 86% van deze overschrijdt 120 bp, wat ze moeilijk maakt voor kort-read analyse.
• Kenmerken van VCs:
  • TRs met motieven ≥10 bp zitten vaker in VCs (46%) dan in geïsoleerde regio's.
  • VCs komen vaker voor in introns en intergenische regio's dan in coderende regio's.
  • VCs hebben een lagere mappability dan geïsoleerde TRs.
• Kosten: Genotyperen van een gefilterde subset (bijv. 33.546 loci met ziekte-gerelateerde motieven) kost slechts $0,02 - $0,10 per sample, terwijl de volledige catalogus enkele dollars per sample kan kosten.

5. Betekenis en Toekomstperspectief

• Standaardisatie: TRExplorer biedt een gemeenschappelijke basis om fragmentatie in TR-onderzoek te voorkomen en de reproduceerbaarheid tussen studies te verbeteren.
• Overgang naar Lang-read: Door de definitie van variatieclusters te faciliteren, maakt deze catalogus de overgang mogelijk van eenvoudige kopie-aantal analyses naar complexe sequentie-niveau analyses, wat essentieel is voor het begrijpen van ziektemechanismen bij loci zoals RFC1, FGF14 en MUC1.
• Toekomstige uitbreiding: De auteurs plannen om de catalogus uit te breiden met meer VNTRs, onderbroken herhalingen, methyleringsstatus en somatische mozaïekisme, evenals het verfijnen van genotyperingsnauwkeurigheid over verschillende technologieën.

Conclusie: Dit paper introduceert een cruciale infrastructuur voor de next-generation genoomanalyse van tandemherhalingen. Door de scheiding tussen geïsoleerde TRs en complexe variatieclusters, en door het bieden van een universele catalogus, lost het paper fundamentele problemen op in de consistentie en nauwkeurigheid van TR-studies.