Yeast rDNA as a benchmark for rDNAmine repeat analysis pipeline

Deze studie introduceert de rDNAmine-pipeline en een chromosoomspecifieke DNA-extractiemethode om lange, repetitieve rDNA-reeksen in gistsoorten nauwkeurig te analyseren, waarbij *Saccharomyces cerevisiae* en *Candida albicans* dienen als benchmarks voor de validatie van deze nieuwe aanpak.

De kern

Stel je voor dat je DNA een enorme bibliotheek is. In deze bibliotheek staan er boeken die precies hetzelfde zijn, maar dan duizenden keren achter elkaar op een rij. Dit zijn de rDNA-sequenties (ribosomaal DNA). Ze zijn zo identiek en zo lang, dat het voor computers bijna onmogelijk is om ze uit elkaar te houden. Het is alsof je probeert een specifieke pagina te vinden in een boek dat uit 1000 exact dezelfde kopieën bestaat; als je de boeken door elkaar haalt, weet je niet meer welke pagina bij welk boek hoort.

De auteurs van dit paper, Agnieszka en Natalia, hebben twee nieuwe "superkrachten" bedacht om dit probleem op te lossen: een nieuwe manier om DNA te halen en een nieuwe software om het te lezen.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De "Chromosoom-Visser" (De nieuwe methode om DNA te halen)

Normaal gesproken halen wetenschappers DNA uit een hele cel. Dat is alsof je een hele bibliotheek in één grote hoop gooit en probeert één specifiek boek te vinden. Omdat rDNA op een heel specifieke plek in het DNA zit (op chromosoom XII bij gist), wilden de auteurs alleen dat stukje hebben.

• De analogie: Stel je voor dat je een grote bak met verschillende soorten Lego-blokjes hebt. Je wilt alleen de rode blokken. In plaats van ze één voor één uit de bak te vissen, gebruiken ze een speciale "magneet" (een techniek genaamd PFGE). Ze gooien de blokken in een gel en laten ze door een stroompje bewegen. De rode blokken (het chromosoom met het rDNA) bewegen net iets anders dan de blauwe en gele.
• Het resultaat: Ze kunnen nu het hele "rode blokje" (het chromosoom) uit de bak vissen en apart houden. Hierdoor krijgen ze een schone, gezuiverde hoop met alleen de stukjes DNA die ze echt willen bestuderen, zonder rommel eromheen.

2. De "rDNAmine" Software (De nieuwe lees-app)

Zelfs als je het juiste stukje DNA hebt, is het nog steeds een enorme, saaie reeks van dezelfde letters. Traditionele computersoftware probeert alles in één grote lijn te zetten (aligneren), maar dat werkt niet goed bij deze lange, identieke rijen. Het is alsof je probeert een lange rij identieke auto's in een file te tellen door ze één voor één te bekijken; je raakt de draad kwijt.

• De analogie: De nieuwe software, rDNAmine, doet iets slimms. In plaats van de hele file te bekijken, snijdt het de rij in losse stukjes (modules). Het pakt één stukje, vergelijkt het met een "voorbeeld" en zegt: "Ah, dit stukje is 10% langer dan het voorbeeld" of "Hier zit een kleine foutje".
• De kracht: Het doet dit zonder de hele file opnieuw op te bouwen. Het is alsof je een lange, saaie film niet in één keer bekijkt, maar de film in losse scènes knipt, elke scène apart analyseert en dan een lijstje maakt met de verschillen. Dit werkt zelfs als de data "ruis" bevat (zoals bij de nieuwe Nanopore-technologie, die snel is maar soms wat "ruis" maakt, alsof je een gesprek probeert te verstaan in een drukke kroeg).

Wat hebben ze ontdekt?

Met deze nieuwe tools keken ze naar twee soorten gist:

1. S. cerevisiae (Bakkersgist): Hier waren de rDNA-boekjes vrijwel allemaal hetzelfde. Het was een rustige, eenduidige bibliotheek.
2. C. albicans (Een ziekteverwekkende gist): Hier vonden ze een verrassing! De bibliotheek was verdeeld in twee verschillende groepen. Er waren "korte" boekjes en "lange" boekjes, en ze zaten niet door elkaar, maar in aparte blokken. Alsof je in een bibliotheek twee afdelingen vindt: één met dunne boeken en één met dikke boeken, en ze raken elkaar nooit.

Waarom is dit belangrijk?

Vroeger dachten wetenschappers dat al deze herhalende stukjes DNA saai en identiek waren. Nu zien ze dat ze juist heel gevarieerd kunnen zijn.

• Voor de ziekte: Als je begrijpt hoe deze variaties werken, kun je misschien nieuwe manieren vinden om schadelijke gist (zoals C. albicans) te bestrijden.
• Voor de technologie: Ze hebben bewezen dat je met deze nieuwe "magneet" en deze slimme "scissors" (software) zelfs de moeilijkste, meest saaie stukjes DNA kunt ontrafelen.

Kortom: Ze hebben een nieuwe manier gevonden om de "naald in de hooiberg" te vinden (door de hele hooiberg te sorteren) en een nieuwe manier om die naald te bestuderen (door hem in stukjes te snijden en te vergelijken). Hierdoor kunnen we eindelijk zien wat er echt gebeurt in die mysterieuze, herhalende stukjes van ons DNA.

Technische samenvatting

Probleemstelling

Het analyseren van lange, repetitieve genomische sequenties, zoals ribosomaal DNA (rDNA), vormt een aanzienlijke uitdaging in de genetica.

• Assemblage-problemen: Bestaande bioinformatica-tools kunnen lange tandemherhalingen (vaak duizenden tot honderdduizenden baseparen) niet correct assemblen vanwege de hoge gelijkenis tussen de herhalende modules. Referentiegenomen bevatten vaak slechts één consensussequens, wat de studie van polymorfisme binnen deze arrays belemmert.
• Beperkingen van kort-read sequencing: Methoden zoals Illumina kunnen niet de volledige lengte van een herhalende module overbruggen, waardoor polymorfismen die binnen één enkele herhaling co-existeren, niet kunnen worden geïdentificeerd.
• Pseudogenen en verontreiniging: Bij het gebruik van totaal-DNA kunnen pseudogenen of rDNA-cirkels (extrachromosomaal) de analyse verstoren en leiden tot onnauwkeurige schattingen van kopie-aantallen en variabiliteit.
• Nanopore-ruis: Hoewel Oxford Nanopore Technologies (ONT) lange reads biedt, is de basecalling-accuraatheid lager dan bij kort-read technologieën, wat de detectie van echte biologische variatie versus sequencing-ruis bemoeilijkt.

Methodologie

De auteurs introduceren een geïntegreerde workflow bestaande uit een experimentele methode voor DNA-isolatie en een nieuwe bioinformatica-pipeline genaamd rDNAmine.

1. Experimentele Workflow: Chromosoom-specifieke DNA-isolatie

• Selectieve isolatie: In plaats van totaal-DNA te gebruiken, werd een methode ontwikkeld om DNA te isoleren uit specifieke chromosomen (chromosoom XII bij Saccharomyces cerevisiae en chromosoom R bij Candida albicans).
• Techniek: Cellen werden ingebed in agaroseblokken, gescheiden via Pulsed Field Gel Electrophoresis (PFGE), en de doelchromosomen werden geëxtraheerd via elektroelutie.
• Voordeel: Dit verrijkt de sequencing-bibliotheek specifiek met de rDNA-loci van dat chromosoom, elimineert verontreiniging door andere chromosomen en minimaliseert de invloed van extrachromosomale rDNA-cirkels.

2. Bioinformatica: De rDNAmine Pipeline
De pipeline is ontworpen voor ONT Direct DNA Sequencing data en vermijdt globale assemblage van het hele repetitieve gebied.

• Input: FASTQ-bestanden met lange reads.
• Filtering: Reads korter dan twee keer de lengte van de rDNA-module worden verwijderd om pseudogenen en fragmenten uit te sluiten.
• Identificatie (HMM): Met behulp van Hidden Markov Models (via HMMER) worden reads geïdentificeerd die overeenkomen met een referentiemodule.
• Extractie: De rDNAmine_module_collector extraheert de specifieke rDNA-modules uit de lange reads op basis van de coördinaten van de HMM-uitvoer.
• Filtering op lengte: Modules worden gefilterd op basis van een vooraf ingestelde lengte (min/max) om onvolledige kopieën te verwijderen.
• Alignement en Tabelvorming: De geïsoleerde modules worden uitgelijnd met de referentie (via MAFFT) en omgezet in een tabulair formaat (CSV).
• Analyse: De data worden geanalyseerd in R om polymorfismen (substituties, deleties, inserties) te kwantificeren. Een nieuwe metric, de Substitution-Deletion Coefficient (SDC), wordt gebruikt om de diversiteit van modules te meten.

Belangrijkste Bijdragen

1. rDNAmine Toolkit: Een nieuw, schaalbaar bioinformatica-pakket dat lange repetitieve sequenties analyseert zonder globale alignement, waardoor polymorfismen binnen individuele herhalingen zichtbaar worden.
2. Chromosoom-specifieke Enrichment: Een bewezen methode voor het isoleren van DNA uit specifieke chromosomen, wat essentieel is voor het ontrafelen van complexe repetitieve loci in organismen met meerdere rDNA-loci.
3. Validatie op twee modellen: De methode is succesvol getest op twee gistsoorten met verschillende complexiteiten: S. cerevisiae (bekend, beperkt polymorfisme) en C. albicans (hoog polymorfisme, complexe structuur).

Resultaten

• Chromosoom-enrichment: De PFGE-gebaseerde isolatie resulteerde in datasets met een sterke verrijking van reads die corresponderen met de doelchromosomen (XII en R), bevestigd door mapping-coverage.
• S. cerevisiae:
  • De rDNA-array toont beperkte variatie in modulelengte.
  • De geschatte kopie-aantal is ongeveer 183.
  • Polymorfismen zijn voornamelijk beperkt tot niet-coderende regio's (IGS), terwijl coderende regio's onder sterke evolutionaire druk staan.
• C. albicans:
  • Er werd een aanzienlijke variatie in modulelengte waargenomen.
  • De analyse onthulde twee distincte populaties van rDNA-modules binnen dezelfde array: een groep met korte modules en een groep met lange modules (waarschijnlijk gescheiden in sub-arrays).
  • De lange modules bevatten een grote insertie (een groep I intron in het 25S-gen) die ontbreekt in de kortere modules.
  • Er werden twee expansie- en één contractie-gebeurtenis van korte herhalingen gedetecteerd.
• Polymorfisme-analyse:
  • De SDC-coëfficiënt toonde aan dat niet-coderende regio's significant meer variatie vertonen dan coderende regio's.
  • Door een drempelwaarde van 30% (varianten die in >30% van de modules voorkomen) aan te houden, konden sequencing-ruis en echte biologische variatie worden onderscheiden.
  • Dodelijke mutaties bleken extreem zeldzaam (<0.1%), wat consistent is met het concept van concertevolutie dat schadelijke mutaties uit de populatie verwijdert.

Significantie en Conclusie

Dit onderzoek biedt een doorbraak in het bestuderen van repetitieve genoomregio's.

• Overcoming Limitations: De combinatie van chromosoom-specifieke isolatie en de rDNAmine-pipeline omzeilt de beperkingen van assemblage-tools en kort-read sequencing. Het maakt het mogelijk om de interne architectuur en variabiliteit van rDNA-arrays direct te analyseren.
• Biologische Inzichten: De studie onthult dat rDNA-arrays niet uniform zijn, maar kunnen bestaan uit gescheiden sub-arrays met verschillende modulelengtes (zoals gezien bij C. albicans). Dit heeft implicaties voor het begrijpen van ribosomaal heterogeniteit en evolutie.
• Toepasbaarheid: Hoewel de huidige ONT-technologie (R9/R10 simplex) nog niet perfect is voor SNP-calling door de foutmarge, is de methode ideaal voor het bestuderen van structurele variatie (lengte-polymorfismen, inserties/deleties). Voor SNP-analyse wordt het gebruik van duplex-sequencing aanbevolen.
• Toekomst: De tools zijn breed toepasbaar op andere organismen en repetitieve sequenties, en bieden een robuust raamwerk voor toekomstig onderzoek naar de rol van ribosomaal polymorfisme in ziekte en evolutie.