Lessons learned from manual curation of thousands of gene models in the nematode Pristionchus pacificus

Dit artikel beschrijft hoe gemeenschapscuratie van het *Pristionchus pacificus*-genoom, ondersteund door nieuwe transcriptoomdata, meer dan 7.500 genmodellen corrigeerde en zo veelvoorkomende annotatiefouten in kaart bracht die ook voor andere soorten relevant zijn.

De kern

Stel je voor dat het lezen van een genoom als het lezen van een enorm, oud en beschadigd boek is. In dit boek staan de instructies voor het bouwen van een levend wezen, in dit geval een kleine rondworm genaamd Pristionchus pacificus.

De wetenschappers in dit artikel hebben een heel specifiek exemplaar van dit boek (van een stam genaamd RSC011) onder handen genomen. Ze ontdekten dat de eerdere versie van dit boek vol zat met fouten: zinnen die niet klopten, woorden die op de verkeerde plek stonden, en zelfs hoofdstukken die samengesmolten waren tot één grote, onbegrijpelijke tekst.

Hier is wat ze deden, vertaald in een simpel verhaal:

1. Het probleem: Een boek vol typfouten

Vroeger maakten computers het boek voor ons. Ze keken naar de letters en probeerden zinnen (genen) te vinden. Maar computers zijn niet perfect. Soms dachten ze dat twee verschillende zinnen één lange zin waren, of dat een stukje tekst dat eigenlijk bij de vorige zin hoorde, nu als een nieuw hoofdstuk begon.
In dit boek waren er duizenden van deze fouten. Het was alsof je een recept voor een taart leest, maar de instructies zeggen: "Meng bloem, suiker, en... wacht, dit is eigenlijk een recept voor soep dat per ongeluk in het taartrecept is geplakt."

2. De oplossing: Drie stappen om het boek te repareren

Stap 1: Het papier gladstrijken (Genoom-polishing)
Eerst keken ze naar de fysieke tekst zelf. Ze ontdekten dat er kleine vlekken en krassen op het papier zaten (fouten in de DNA-sequencing). Door deze vlekken weg te werken met een speciale software, verdwenen al direct veel van de rare "samengesmolten" zinnen. Het boek werd leesbaarder, maar nog niet perfect.

Stap 2: De nieuwe bewijzen verzamelen (Nieuwe data)
Vervolgens brachten ze nieuwe bewijzen aan. Ze maakten nieuwe kopieën van de instructies (transcripten) uit verschillende levensstadia van de worm (eieren, jonge wormen, volwassen wormen).

• De analogie: Stel je voor dat je een oude, vage foto van een gebouw hebt. Door nieuwe, scherpe foto's van verschillende hoeken te maken, zie je plotseling dat er twee aparte gebouwen waren, terwijl je dacht dat het één groot gebouw was.
  Deze nieuwe data hielp om te zien waar de computers fout zaten.

Stap 3: De menselijke hand (Community Curation)
Dit was het belangrijkste deel. Computers kunnen niet alles zien. Daarom namen vier mensen de tijd om het boek handmatig te lezen, regel voor regel.

• Ze gebruikten een "zoektocht": Ze zochten naar plekken waar de tekst vreemd leek (bijvoorbeeld een zin die 3 keer "einde" had in plaats van 1).
• Ze keken naar de nieuwe foto's (de RNA-data) en vergeleken het met een ander, perfect boek (een andere wormsoort) om te zien wat logisch was.
• Ze beslisten: "Is dit één lange zin of twee korte zinnen?" en "Hoorde dit woord hier of daar?"

3. Wat ontdekten ze? (De lessen)

Door dit handmatige werk ontdekten ze dat ongeveer 24% van de oorspronkelijke "zinnen" in het boek fout waren. Dat is enorm! Ze corrigeerden meer dan 7.500 fouten.

Enkele specifieke problemen die ze vonden:

• De "Twee-in-één" fout: Soms dachten computers dat twee verschillende genen (twee verschillende instructies) één groot gen waren. Dit gebeurde vaak als ze elkaar raakten in het boek.
• De "Spiegelbeeld" fout: Soms zagen ze een zin die perfect leek op een andere zin, maar dan achterstevoren geschreven. De computer dacht dat dit een nieuw gen was, maar het was eigenlijk een foutieve interpretatie van de andere kant.
• De "Geest" fout: Soms dachten ze dat er een gen was, omdat het leek op een gen van een andere worm, maar in werkelijkheid was er geen bewijs dat dit gen in deze worm bestond.

4. Waarom is dit belangrijk?

Voor de wetenschappers die met deze worm werken, is dit een goudmijn. Met het gecorrigeerde boek kunnen ze nu precies begrijpen welke instructies de worm gebruikt om te beslissen of hij een "predator" wordt of een "graasworm".

Maar de boodschap is breder: Dit geldt voor alle organismen.
De auteurs zeggen: "Zelfs met de allerbeste computers en de nieuwste technologieën, is het nog steeds nodig om mensen aan het werk te zetten om de 'boeken' van het leven te controleren."

Kortom:
Ze hebben een rommelig, foutief boek van een worm opgepoetst, de vlekken verwijderd, nieuwe foto's toegevoegd en vervolgens met de hand duizenden zinnen herschreven. Het resultaat is een veel betrouwbaarder boek dat anderen helpt om de geheimen van het leven beter te begrijpen. Het is een bewijs dat soms, in een wereld vol AI en robots, de menselijke blik nog steeds de beste tool is.

Technische samenvatting

Probleemstelling

Ondanks de snelle vooruitgang in sequentietechnologieën die chromosoom-gewijze genoomassemblages mogelijk maken, loopt de kwaliteit van genannotaties vaak achter. Een hoofdprobleem is dat niet alle genen op elk levensstadium of in elke omgeving tot expressie komen, waardoor transcriptoomdata onvolledig is. Annotaties zijn daarom afhankelijk van een combinatie van genvoorspellingsalgoritmen en homologie-bewijs. Echter, de optimale integratie van deze verschillende datatypen is niet goed begrepen.
In het specifieke geval van de nematode Pristionchus pacificus (stam RSC011) waren de automatisch gegenereerde genannotaties (via de PPCAC-pijplijn) inferieur aan de handmatig gecontroleerde referentieannotaties van de stam PS312. De automatische annotaties bevatten veel fouten, zoals kunstmatige genfusies, ontbrekende genen en onjuiste grenzen, wat de bruikbaarheid van het genoom voor toekomstig onderzoek beperkte.

Methodologie

De auteurs hanteerden een meervoudige aanpak om de kwaliteit van het RSC011-genoom te verbeteren:

1. Generatie van nieuwe transcriptoomdata:

   • Er werden nieuwe Iso-seq (PacBio HiFi) data gegenereerd voor gemengde stadia.
   • Er werden RNA-seq data gegenereerd voor specifieke ontwikkelingsstadia (eieren, J2, J3, J4 en volwassen wormen).
   • Deze data werden gebruikt om transcripten te assembleren met software zoals StringTie en Trinity.

2. Genoomassemblage-polishing:

   • Om assemblagefouten te corrigeren, werden bestaande whole-genome sequencing-data van meer dan 160 mutante lijnen (afgeleid van RSC011) geanalyseerd.
   • Substituties en indels die in meer dan 100 lijnen voorkwamen, werden geïdentificeerd als assemblagefouten (in plaats van echte mutaties).
   • Met de software mutsim werd een "gepolijste" versie van het genoom gemaakt (versie 2).

3. Herannotatie:

   • De PPCAC-annotatiepijplijn werd opnieuw uitgevoerd op het gepolijste genoom.
   • De nieuwe transcriptoomdata werden geïntegreerd, waarbij genmodellen met een start-methionine en volledige ORF's werden geprioriteerd.

4. Community Curation (Handmatige correctie):

   • Een "probleemset" van genmodellen met abnormaal lange UTR's (meer dan drie exon-UTR's) werd geselecteerd (oorspronkelijk 4113, na polishing 2819).
   • Vier curatoren inspecteerden deze loci handmatig in de genoombrowser (JBrowse).
   • Curatoren moesten kiezen uit een vooraf gedefinieerde set van alternatieve computergenererde modellen (bijv. RNA-seq modellen, Iso-seq modellen, ORF-only modellen). Dit beperkte de vrijheid van wijziging om de schaalbaarheid te vergroten, maar vereiste minder training dan volledig vrije bewerkingen.
   • Criteria voor correctie waren o.a. transcriptoom-overlappen, strand-oriëntatie en conservatie in C. elegans.
   • Na de eerste ronde werd het volledige genoom gescreend (op 20 kb-resolutie) om verdere fouten te vinden.

Belangrijkste Bijdragen en Resultaten

• Aantal gecorrigeerde modellen: In totaal werden 7.528 correcties aangebracht, wat neerkomt op ongeveer 24% van de oorspronkelijk automatisch geannoteerde genmodellen (31.726).

• Oorzaken van fouten: De studie identificeerde vier hoofdoorzaken van annotatiefouten:

  1. Assemblagefouten: Leidden tot kunstmatige fusies en onjuiste genstructuren. Polishing verlaagde het aantal problematische modellen aanzienlijk (van 4113 naar 2819).
  2. Retained introns en polycistronische reads: Nematoden hebben operon-achtige structuren. Immature polycistronische transcripten werden vaak ten onrechte geannoteerd als één gen met extreem lange UTR's.
  3. Antisense coderend potentieel: Veel ORF's werden ten onrechte op het verkeerde strand geannoteerd. Genen op het tegenovergestelde strand die overlappen met coderende exons werden vaak foutief als genen geïdentificeerd, zelfs als ze conservatie vertoonden.
  4. Foutpropagatie: Het gebruik van bestaande, mogelijk foutieve homologie-data (zoals de PS312 annotaties) als leidraad voor nieuwe stammen leidde tot het doorgeven van kunstmatige genfusies.

• Kwaliteitsverbetering:

  • Het aantal "probleemmodellen" (genen met >3 UTR-exons) werd teruggebracht van 4113 naar 697.
  • Het aantal genen met een correct geannoteerde start-methionine steeg drastisch (van ~14.000 naar ~22.000).
  • Het aantal genen met een geannoteerde 3'UTR nam toe van ~3.000 naar ~16.000.
  • De BUSCO-compleetheid (een maatstaf voor de volledigheid van het genoom) steeg van 81,5% (PPCAC1) naar 88,6% (PPCAC2 cream), wat aangeeft dat de gepolijste en gecurated versie de meest complete set is.

Significantie en Conclusie

Deze studie levert een cruciale verbeterde genoomannotatie voor de P. pacificus stam RSC011, wat essentieel is voor onderzoek naar transgenerationale epigenetische erfelijkheid en mondvorm-plasticiteit.

Breedere implicaties voor de genoomwetenschap zijn:

1. Genoom-polishing is essentieel: Zelfs HiFi-assemblages bevatten nog significante fouten die de genannotatie beïnvloeden.
2. Noodzaak van handmatige curatie: Automatische pijplijnen kunnen ongeveer 24% van de genmodellen niet correct identificeren. Handmatige inspectie blijft onmisbaar voor hoge kwaliteit.
3. Uitdagingen bij integratie: Het combineren van homologie- en transcriptoomdata is complex. Homologie kan fouten propagëren, terwijl transcriptoomdata soms onvolledig is of door operon-structuur wordt verward.
4. Antisense fouten: De studie benadrukt dat antisense coderend potentieel vaak leidt tot valse positieve genen, en stelt voor om tijdens de annotatie antisense overlap van exons te verbieden tenzij er sterk bewijs is.

De auteurs concluderen dat hoewel veel van deze problemen al bekend waren, het samenbrengen van deze bevindingen in één casestudie waardevolle lessen biedt voor het optimaliseren van annotatiepijplijnen voor andere soorten in de toekomst.