Neretva: Neural Variational Inference for Allele-level Genotyping of Highly Polymorphic Genes

Neretva is een nieuw, open-source framework dat variational inference met auto-encoders toepast om de genotypering van sterk polymorfe genfamilies zoals CYP en KIR schaalbaar en nauwkeurig te maken voor precisiegeneeskunde.

De kern

Het Grote Genen-Puzzelspel

Stel je voor dat je DNA een enorme bibliotheek is. In deze bibliotheek staan boeken over hoe je lichaam medicijnen verwerkt (zoals de CYP-genen) of hoe je afweersysteem werkt (zoals de KIR-genen).

Het probleem is dat sommige boeken in deze bibliotheek bijna identiek zijn. Ze hebben dezelfde titel, dezelfde kaft en 98% van de tekst is hetzelfde. Alleen op een paar heel specifieke plekken verschillen ze.

Wanneer wetenschappers je DNA sequentiëren (lezen), krijgen ze duizenden kleine stukjes tekst (zoals losse zinnen uit die boeken). De uitdaging is om deze losse zinnen weer in de juiste boeken te plakken en te bepalen:

1. Welke boeken (allelen) je precies hebt?
2. Hoeveel exemplaren van elk boek je hebt? (Soms heb je er twee, soms drie, soms zelfs geen).

De Oude Methode: De Strakke Rekenmachine

Tot nu toe probeerden computers dit op te lossen met een methode die lijkt op een zeer strenge rekenmachine (genaamd Integer Linear Programming of ILP).

• Hoe het werkte: De computer probeerde elke mogelijke combinatie van boeken uit te proberen om te zien welke het beste paste bij de losse zinnen.
• Het probleem: Omdat er zoveel boeken zijn die op elkaar lijken, zijn er miljarden mogelijke combinaties. De rekenmachine raakt in de war, wordt traag, en kan soms vastlopen. Het is alsof je probeert een puzzel van 10.000 stukjes te maken door elke mogelijke plek voor elk stukje handmatig uit te proberen.

De Nieuwe Methode: Neretva (De Slimme Leraar)

De auteurs van dit paper hebben Neretva bedacht. In plaats van een strenge rekenmachine die alles exact moet berekenen, gebruiken ze een neuraal netwerk (een soort kunstmatige intelligentie) dat werkt met waarschijnlijkheid.

Je kunt Neretva vergelijken met een slimme leraar die een klas vol leerlingen (de DNA-fragmenten) heeft:

1. Het Gokken (Variational Inference): De leraar kijkt niet naar elke mogelijke combinatie apart. Hij maakt een slimme gok over welke boeken in de klas zitten, gebaseerd op wat hij ziet.
2. Het Verbeteren: Als de gok niet helemaal klopt, past de leraar zijn ideeën een beetje aan. Hij leert van zijn fouten. Dit gaat heel snel, net zoals een kind dat snel leert lopen door te vallen en weer op te staan, in plaats van eerst alle theorieën over zwaartekracht te bestuderen.
3. Omgaan met onzekerheid: Soms is het lastig te zien of een zin uit Boek A of Boek B komt. De oude methode gaf dan vaak op of gaf een fout antwoord. Neretva zegt: "Ik ben 90% zeker dat dit Boek A is, en 10% Boek B." Dit is veel realistischer voor complexe situaties.

Waarom is dit zo goed?

De paper laat zien dat Neretva twee grote voordelen heeft:

• Snelheid: Waar de oude rekenmachines uren nodig hadden om complexe genen (zoals de KIR-familie) te analyseren, doet Neretva dit in minuten. Het is alsof je van handmatig puzzelen overschakelt naar het gebruik van een scanner die de oplossing direct ziet.
• Nauwkeurigheid: Op de moeilijkste puzzels (de KIR-genen, die extreem op elkaar lijken) scoorde Neretva beter dan alle andere bestaande programma's. Het maakte minder fouten en kon beter omgaan met "schaduwen" (waar stukjes DNA per ongeluk op het verkeerde boek lijken te passen).

De Vergelijking in het Kort

• De Oude Methode (ILP): Een detective die elke verdachte één voor één ondervraagt, tot hij de dader vindt. Als er te veel verdachten zijn, wordt het ondoenlijk.
• Neretva: Een slimme AI die naar de hele groep kijkt, patronen herkent en direct een zeer waarschijnlijke conclusie trekt, zelfs als de situatie erg rommelig is.

Wat betekent dit voor de toekomst?

Dit is belangrijk voor de precisiegeneeskunde. Als artsen precies weten welke genen een patiënt heeft, kunnen ze medicijnen beter doseren of voorspellen of een patiënt een orgaandonatie zal afstoten.

Neretva is als een nieuwe, snellere en slimmere bril die artsen en wetenschappers helpt om door de "nevel" van complexe genen te kijken. Het is gratis beschikbaar, zodat iedereen er gebruik van kan maken om betere medische beslissingen te nemen.

Kortom: Neretva maakt het mogelijk om de meest ingewikkelde genen-puzzels van het menselijk lichaam snel en nauwkeurig op te lossen, wat een grote stap voorwaarts is voor onze gezondheid.

Technische samenvatting

Probleemstelling

Het nauwkeurig genotyperen en faseren van sterk polymorfe genenfamilies (zoals CYP-farmacogenen en KIR-genen) is cruciaal voor precisiegeneeskunde. Huidige methoden kampen echter met aanzienlijke uitdagingen:

• Extreme sequentie-identiteit: Genen binnen deze families vertonen vaak >98% sequentie-identiteit, wat het toewijzen van korte sequencing reads (HTS) aan hun ware oorsprong bemoeilijkt.
• Structuurcomplexiteit: Veel genen vertonen copy number variation (CNV), deleties, duplicaties en complexe fusies (bijvoorbeeld tussen paralogen).
• Berekeningskosten: Bestaande state-of-the-art tools (zoals Aldy, StellarPGx, Geny) vertrouwen vaak op combinatorische optimalisatie via Integer Linear Programming (ILP). Deze methoden zijn NP-hard, schalen slecht bij complexe families (zoals KIR met 17 genen), zijn afhankelijk van gesloten "black-box" solvers (zoals Gurobi) en hebben moeite met onzekerheid in ruisige datasets.

Methodologie: Neretva

Neretva is een nieuw raamwerk dat het genotyperingsprobleem herschrijft als een probabilistisch latent variabelenmodel en gebruikmaakt van Auto-Encoding Variational Bayes (AEVB) voor inferentie. In plaats van een discrete optimalisatie (ILP) te gebruiken, benadert Neretva het probleem via gradiëntgebaseerde optimalisatie.

De kerncomponenten van de methode zijn:

1. Database Voorbereiding:

   • Het model gebruikt bekende allelen-databases (IPD-KIR voor KIR, PharmVar voor CYP).
   • Allelen worden gedefinieerd door sets van varianten (kernvarianten die de fenotype beïnvloeden en "minor" varianten).
   • Om mapping-ambigüiteit op te lossen (vooral bij KIR), wordt een "extended variant set" gebruikt die ook "shadow varianten" bevat (varianten die door foutieve mapping van andere genen lijken te ontstaan).

2. Genkopie-aantalschatting (Copy Number Estimation):

   • Neretva behandelt kopie-aantalschatting als een probleem van dekkingreconstructie (coverage reconstruction).
   • Het model schat het aantal kopies ($n$) van elk gen door de geobserveerde read-dekking te vergelijken met een verwachte dekking, gebruikmakend van een lineaire regressie met Huber-verlies om robuust te zijn tegen outliers.

3. Generatief Model voor Allelidentificatie:

   • Het model genereert een matrix van base-aantallen ($Y$) op basis van latente variabelen:
     • $\theta$: De relatieve proportie van elke kandidaat-allel (op een simplex).
     • $\Psi$: De emissiekansen van basen op specifieke posities voor elk allel.
   • Een Bias Factor Matrix ($H$) wordt geïntroduceerd om sequencing-bias en mapping-artefacten te modelleren, waardoor het signaal van ware varianten wordt versterkt.

4. Variational Inference & Loss Functie:

   • Omdat de marginale likelihood onberekenbaar is, wordt Variational Inference gebruikt met een mean-field benadering.
   • De Evidence Lower Bound (ELBO) wordt gemaximaliseerd, maar aangevuld met twee belangrijke regularisatietermen:
     • Jensen-Shannon Divergentie (JSD): Deze term straft afwijkingen tussen de empirische verdeling van functionele (kern)varianten en de gereconstrueerde verdeling. Dit zorgt ervoor dat het model prioriteit geeft aan biologisch relevante varianten.
     • Entropie-straal: Deze term moedigt het model aan om scherpe distributies te kiezen voor basen (d.w.z. één dominante base per positie), wat past bij de lage foutenratio van Illumina-sequencing.
   • De optimalisatie gebeurt via de Adam-optimizer en de reparameterization trick voor efficiënte gradiëntberekening.

Belangrijkste Bijdragen

• Paradigmawissel: De eerste toepassing van deep variational inference (AEVB) voor het genotyperen van complexe, sterk polymorfe genenfamilies, in plaats van traditionele ILP- of likelihood-benaderingen.
• Schalbaarheid: Het model schalt efficiënt op tot zeer complexe families (zoals KIR) zonder de exponentiële tijdscomplexiteit van ILP.
• Flexibiliteit: Het raamwerk kan domein-specifieke beperkingen (zoals biologische kennis over kernvarianten) direct integreren als differentieerbare regularisatoren.
• Open Source: Neretva is vrij beschikbaar en transparant, in tegenstelling tot tools die afhankelijk zijn van proprietaire solvers.

Resultaten

De prestaties van Neretva zijn getest op twee datasets:

1. Farmacogenen (CYP): Geëvalueerd op 70 GeT-RM WGS-samples (CYP2C8/9/19 en CYP2D6).

   • Neretva behaalde een F1-score van 1.0 voor CYP2C19, CYP2C8 en CYP2C9, wat gelijkstaat aan de beste bestaande tools (PyPGx, Astrolabe).
   • Voor de complexere CYP2D6 (met CNV en fusies) behaalde Neretva een F1-score van 0.994 (per allel), wat vergelijkbaar is met de state-of-the-art tool Aldy en slechts één call minder dan Cyrius.

2. KIR Genenfamilie: Geëvalueerd op 40 HPRC-samples.

   • Neretva presteerde significant beter dan bestaande tools (Geny, T1K, kir-mapper).
   • Sample-level: F1-score van 0.908 (tegenover 0.883 voor Geny).
   • Allele-level: F1-score van 0.912 (tegenover 0.884 voor Geny).
   • Neretva reduceerde het aantal fout-positieven aanzienlijk door de ambiguïteit in de KIR-regio beter te hanteren.

3. Efficiëntie:

   • Neretva voltooit de inferentie voor KIR-genen in minder dan 20 minuten (inclusief alignment).
   • In vergelijking hiermee faalden ILP-modellen (opgelost met Gurobi) om binnen 30 minuten een oplossing te vinden voor dezelfde complexe datasets, of leverden ze suboptimale resultaten.

Betekenis en Toekomstperspectief

Neretva bewijst dat variational inference een krachtig alternatief is voor combinatorische optimalisatie in de bio-informatica. Het biedt een schaalbare, probabilistische aanpak die onzekerheid natuurlijk verwerkt en geschikt is voor klinische toepassingen waar privacy (bijv. via homomorfische encryptie) en reproduceerbaarheid essentieel zijn.

De auteurs identificeren toekomstige richtingen, waaronder:

• Integratie van long-read sequencing (Oxford Nanopore).
• Uitbreiding naar andere complexe families zoals HLA en T-celreceptoren.
• Gebruik van pangenoom-graaf-referenties en graaf-neurale netwerken voor betere afstemming.
• Integratie met privacy-bevorderende technologieën voor veilige tensor-algebra.

Samenvattend biedt Neretva een robuuste en snelle oplossing voor het genotyperen van complexe genen, wat een belangrijke stap is naar betere beslissingen in de precisiegeneeskunde.