Facilitating genome annotation using ANNEXA and long-read RNA sequencing

Deze studie introduceert een geüpdatete versie van de Nextflow-pipeline ANNEXA, die long-read RNA-sequencing-data integreert met geavanceerde transcriptoomreconstructie en kwaliteitscontrole om de genoomannotatie van coderende en niet-coderende RNA's te verbeteren, zoals gedemonstreerd in een vergelijkende oncologiestudie bij mens en hond.

De kern

De Genoom-Annotatie: Een Reis door het DNA met ANNEXA

Stel je voor dat het genoom (het DNA) van een organisme, zoals een hond of een mens, een enorme, compleet nieuwe stad is. De wetenschappers hebben onlangs de kaarten van deze stad perfect gemaakt; ze weten precies waar elke straat, elk huis en elk plein ligt. Dit is wat we "complete genoom-assemblages" noemen.

Maar hier is het probleem: de kaarten vertellen je waar de gebouwen staan, maar niet wat erin gebeurt. Is dat gebouw een school, een ziekenhuis of een fabriek? En welke deuren gaan open en dicht? In de biologie noemen we dit annotatie. Het is het proces van het labelen en begrijpen van de functies van het DNA.

Vroeger gebruikten wetenschappers korte stukjes RNA (de "boodschappers" van het DNA) om deze gebouwen te reconstrueren. Maar dat was alsof je probeert een heel boek te begrijpen door alleen losse zinnen te lezen. Je mist de context.

Nu hebben we lange-read sequencing (LR-RNAseq). Dit is alsof we nu hele hoofdstukken, of zelfs het hele boek, in één keer kunnen lezen. Dit helpt enorm, maar het introduceert nieuwe problemen: soms zijn de boeken incompleet, soms zijn de zinnen afgebroken, en soms lijken het nieuwe boeken, maar zijn het eigenlijk maar fragmenten van oude verhalen.

Enter ANNEXA: De Slimme Boekbinder

Hier komt ANNEXA in beeld. Het is een slimme, geautomatiseerde "boekbinder" en "kwaliteitscontroleur" die is gemaakt door Nicolaï Hoffmann en zijn team.

ANNEXA doet drie belangrijke dingen:

1. Het verzamelt en ordent: Het neemt de ruwe, lange leesstukken en gebruikt twee verschillende slimme algoritmen (StringTie2 en Bambu) om de verhalen (transcripten) opnieuw op te bouwen. Het is alsof je twee verschillende detectives hebt die elk hun eigen manier hebben om een raadsel op te lossen.
2. Het filtert de rommel: Niet alles wat eruit komt is waar. Soms zijn het slechts halve zinnen of fouten. ANNEXA gebruikt een soort "AI-sensor" (diep leren) om te kijken of het begin van een verhaal (de TSS of Transcription Start Site) er echt logisch uitziet. Als het begin er raar uitziet, gooit ANNEXA het verhaal weg.
3. Het maakt onderscheid: Het kijkt goed naar wat het is. Is het een belangrijk verhaal dat eiwitten maakt (een "coderend" gen, zoals een recept voor een gerecht)? Of is het een verhaal dat geen eiwit maakt, maar wel een regisseur is die andere genen aanstuurt (een "lncRNA", zoals een regisseur die de acteurs vertelt wat ze moeten doen)? ANNEXA sorteert deze twee groepen zorgvuldig.

De Proef: Honden en Mensen met Kanker

Om te bewijzen dat ANNEXA werkt, hebben de onderzoekers het getest op een heel specifiek en belangrijk gebied: kanker.

Ze namen cellen van honden met kanker (zoals melanoom en sarcoom) en vergelijkingen met mensen. Waarom honden? Omdat honden en mensen veel kankers delen, en honden vaak spontaan ziek worden, net als wij.

Wat ontdekten ze?

• Nieuwe verhalen: ANNEXA vond honderden nieuwe "verhalen" (genen en transcripten) die in de oude kaarten ontbraken.
• De kracht van de filter: Als je de ruwe data neemt, krijg je duizenden nieuwe suggesties. Maar als je de "ANNEXA-filter" erdoor haalt, blijf je met een veel kleinere, maar veel betrouwbaarder lijst zitten. Veel van de oorspronkelijke suggesties bleken namelijk onvolledig.
• Deel van de familie: Ze vonden zelfs nieuwe genen die zowel bij de hond als bij de mens voorkwamen. Dit is als het vinden van een oud familierelatie tussen twee verschillende steden. Als iets bij beide soorten voorkomt en actief is, is de kans groot dat het belangrijk is voor het leven.

Waarom is dit belangrijk?

Vroeger was het moeilijk om te weten welke nieuwe genen echt waardevol waren en welke gewoon ruis. ANNEXA is als een scharnierende bril die de wetenschappers helpt om de ruis weg te laten en alleen de heldere, waardevolle signalen te zien.

Het stelt onderzoekers in staat om:

• Betere kaarten te maken van het DNA.
• Beter te begrijpen hoe kanker werkt.
• Nieuwe medicijnen te ontwikkelen die specifiek gericht zijn op deze nieuwe, ontdekte genen.

Kortom: ANNEXA helpt ons om van een ruwe kaart van een stad, een gedetailleerde gids te maken waarin we precies weten wat elk gebouw doet, zodat we de stad (of in dit geval, het lichaam) beter kunnen begrijpen en beschermen.

Technische samenvatting

Probleemstelling

Met de komst van complete genoomassemblages (telomeer-tot-telomeer of T2T) is de uitdaging verschoven van het verbeteren van de genoomkwaliteit naar het verfijnen van de genoomannotatie. Hoewel lange-lezen RNA-sequencing (LR-RNAseq) technologieën (zoals PacBio en Oxford Nanopore) een doorbraak hebben betekend voor het reconstrueren van volledige transcripten, blijven er aanzienlijke uitdagingen bestaan:

• Fragmentatie: LR-RNAseq data kan leiden tot gebroken transcriptmodellen, vooral aan het 5'-uiteinde (Transcriptie Start Sites of TSS).
• Onvolledige representatie: Er is vaak sprake van onvolledige isoform-representatie.
• Gebrek aan robuuste QC: Er zijn sterke kwaliteitscontrole (QC) strategieën nodig om artefacten te filteren en de nauwkeurigheid van nieuwe annotaties te waarborgen.
• Tool-afhankelijkheid: Bestaande pipelines zijn vaak beperkt tot specifieke technologieën (bijv. alleen Nanopore) of onderscheiden niet adequaat tussen eiwitcoderende mRNA's en lange niet-coderende RNA's (lncRNA's).

Methodologie: De ANNEXA Pipeline

De auteurs hebben ANNEXA ontwikkeld, een Nextflow-based pipeline die is ontworpen om bestaande referentie-annotaties uit te breiden met nieuwe genen en transcripten, terwijl gelijktijdig strenge kwaliteitscontrole wordt uitgevoerd. De pipeline is compatibel met zowel Nanopore als PacBio data en bestaat uit vier hoofdmodules:

1. Transcriptoomreconstructie en kwantificatie:

   • ANNEXA integreert twee krachtige tools: Bambu en StringTie2.
   • Het stelt gebruikers in staat om beide tools te draaien en de resultaten te vergelijken.
   • Voor StringTie2 worden per steekproef GTF-bestanden gegenereerd en vervolgens samengevoegd. Voor Bambu worden alle steekproeven samen verwerkt met een machine learning-algoritme om een Transcript Probability Score (TPS) te berekenen.

2. Evaluatie van coderend potentieel en classificatie:

   • Het tool FEELnc wordt gebruikt om het coderend potentieel van nieuwe transcripten te voorspellen en deze te classificeren als mRNA of lncRNA.
   • TransDecoder wordt ingezet om de langste Open Reading Frames (ORFs) te extraheren en coderende sequenties (CDS) te voorspellen.
   • GffCompare wordt gebruikt om nieuwe transcripten te vergelijken met de referentieannotatie en ze te classificeren op basis van hun relatie tot bekende genen (bijv. isoform, antisense, intergenic).

3. Filtering en beoordeling van volledigheid:

   • Om fragmentatie en onvolledige modellen te elimineren, past ANNEXA twee filters toe:
     • NDR (Novel Discovery Rate) cutoff: Gebaseerd op Bambu's score om de betrouwbaarheid van nieuwe voorspellingen te bepalen.
     • TransforKmer cutoff: Een deep learning-model (gebaseerd op DNABERT) dat specifiek is getraind om de waarschijnlijkheid van biologisch valide TSS's te beoordelen. Dit filtert transcripten met onwaarschijnlijke startpunten.
   • Gebruikers kunnen kiezen tussen een "union" (minstens één filter doorstaan) of "intersection" (beide filters doorstaan) strategie.

4. Kwaliteitscontrole (QC) en Visualisatie:

   • Ingehaald op de SQANTI-tool, genereert ANNEXA uitgebreide QC-rapporten.
   • Deze rapporten bevatten structurele metrieken (aantal genen, lengteverdeling, aantal exons) en kwantificeringsmetrieken (leesdiepte, expressiebreedte).
   • Er wordt ook gekeken naar dekking van het genlichaam om 5'/3'-bias te detecteren.

Belangrijkste Bijdragen

• All-in-one oplossing: ANNEXA combineert reconstructie, classificatie (mRNA vs. lncRNA), filtering en QC in één reproduceerbare workflow.
• Integratie van Deep Learning: Het gebruik van het TransforKmer-model voor TSS-validatie is een innovatieve stap om biologisch onwaarschijnlijke transcripten te verwijderen.
• Vergelijkende analyse: De pipeline maakt het mogelijk om de prestaties van Bambu en StringTie2 direct te vergelijken binnen dezelfde context, met specifieke aandacht voor lncRNA's.
• Open Source en Schaalbaarheid: De pipeline is beschikbaar via GitHub, werkt in Nextflow, en ondersteunt Docker/Singularity containers voor gebruik op clusters (SGE/SLURM).

Resultaten

De pipeline werd getest op LR-RNAseq data van 10 kankercellijnen (8 hond, 2 mens) afkomstig van mucosale melanomen, histiocytische sarcomen en osteosarcomen.

• Tool-vergelijking (Bambu vs. StringTie2):

  • Bambu reconstrueerde consistent meer bekende genen en transcripten dan StringTie2, ongeacht de referentieannotatie (Ensembl, RefSeq, UU, Gencode, CHESS). Dit wijst op een hogere precisie en recall voor bestaande annotaties.
  • StringTie2 identificeerde over het algemeen meer nieuwe (novel) elementen, maar een groot deel hiervan bleek na filtering (vooral door het TSS-filter) onvolledig of artefactueel.
  • De keuze van de referentieannotatie had een enorme impact op het aantal gevonden nieuwe elementen; minder complete annotaties (zoals bij de hond) leidden tot meer nieuwe vondsten.

• Filtering Effectiviteit:

  • Het toepassen van de ANNEXA-filters (vooral de TSS-validatie) verminderde het aantal nieuwe genen drastisch (bijv. van 9.612 naar 749 bij de hond), maar verhoogde de validatiekans met CAGE-data aanzienlijk (van 9,3% naar 52%). Dit bevestigt dat veel ongefilterde "nieuwe" transcripten fragmenten waren.

• LncRNA Classificatie:

  • Er werden duidelijke verschillen gevonden in het classificeren van lncRNA's. Bambu detecteerde aanzienlijk meer antisense lncRNA's dan StringTie2, wat suggereert dat Bambu minder afhankelijk is van strand-informatie in de referentie en beter presteert bij het vinden van antisense transcripten in minder goed geannoteerde genomen.

• Cross-species Conservatie:

  • Door nieuwe hond-genen te mappen op het menselijk genoom, vonden de auteurs 3.709 orthologen. Van deze nieuwe hond-genen bleken er 2.901 lncRNA's te zijn, waarvan er 931 overeenkwamen met menselijke lncRNA-genen. Dit toont de waarde van kruis-species annotatie voor het vinden van functionele elementen.

Significantie

De studie benadrukt dat het simpelweg "meer transcripten vinden" niet genoeg is; de kwaliteit en volledigheid van deze transcripten zijn cruciaal.

• Betrouwbaarheid: ANNEXA biedt een gestructureerd kader om de betrouwbaarheid van LR-RNAseq annotaties te verhogen door artefacten te filteren en biologische validatie (via TSS-modellen) toe te passen.
• Functionele Interpretatie: Door nauwkeurig onderscheid te maken tussen mRNA en lncRNA en door nieuwe, geconserveerde elementen te identificeren, faciliteert ANNEXA verdere functionele studies, vooral in de context van vergelijkende oncologie (mens vs. hond).
• Flexibiliteit: De mogelijkheid om de strengheid van de filtering aan te passen (sensitivity vs. precision) maakt de tool bruikbaar voor diverse onderzoeksdoelen, van het ontdekken van zeldzame transcripten tot het verfijnen van klinische annotaties.

Kortom, ANNEXA is een essentiële tool geworden voor het maximaliseren van de waarde van lange-lezen sequencing data voor genoomannotatie, met name voor het verbeteren van de kennis over niet-coderende RNA's en het oplossen van problemen met transcriptfragmentatie.