ESGI: Efficient splitting of generic indices in single-cellsequencing data

Deze paper introduceert ESGI, een flexibel en uitbreidbaar framework dat complexe, generieke barcodes in single-cell sequencing-data efficiënt splitst en verwerkt, waardoor het een toekomstbestendige oplossing biedt voor diverse experimentele ontwerpen die niet door bestaande pipelines worden ondersteund.

De kern

ESGI: De Slimme Sorteerder voor Single-Cell Data

Stel je voor dat je een enorme berg post hebt ontvangen. Maar dit is geen gewone post; het zijn miljarden kleine briefjes die allemaal van verschillende mensen komen, en op elk briefje staat een geheim codeertje (een "barcode"). Deze briefjes vertellen ons niet alleen wie de afzender is, maar ook wat ze hebben gezegd (hun "RNA") en welke kleding ze dragen (hun "proteïnen").

In de wereld van de biologie noemen we dit single-cell sequencing. Het probleem is echter: hoe haal je die miljarden briefjes uit de brievenbus en sorteer je ze precies voor de juiste persoon, terwijl sommige briefjes beschadigd zijn, de code soms een letter te kort of te lang is, en de volgorde van de codes soms verschuift?

Tot nu toe waren de bestaande hulpmiddelen voor deze taak erg stijf. Ze waren als een stempelmachine die alleen werkt als de briefjes perfect op de juiste plek liggen. Als er één lettertje mist of extra is (een foutje in de code), of als de code net iets langer is dan verwacht, dan slaat de machine op hol en gooit hij de briefjes weg. Voor nieuwe, complexe experimenten moest je dan vaak een hele nieuwe, dure machine bouwen.

ESGI is de oplossing die Tim Stohn en zijn team hebben bedacht. Het is als een slimme, flexibele robot-sorteerder die alles aankan.

Hier is hoe ESGI werkt, vertaald in alledaagse termen:

1. De Flexibele Scanner (Geen vaste posities)

Stel je voor dat je een rij mensen ziet lopen, en je moet hun naamplaatjes lezen.

• De oude machines keken alleen op plek 1, 2 en 3. Als iemand een naamplaatje had dat net iets langer was, of als er een stukje tape (een "linker") tussen zat dat niet op de juiste plek zat, dan zagen ze het plaatje niet.
• ESGI kijkt niet naar vaste plekken. Het loopt langs de rij en zegt: "Ah, hier zie ik een naamplaatje! En daar nog eentje!" Het zoekt de codes waar ze ook maar zitten. Het maakt niet uit of de codes een beetje verschuiven of dat er een extra lettertje tussen zit. Het is als een detective die de context begrijpt in plaats van blind te vertrouwen op een strakke lijst.

2. Het Rekenen met Foutjes (Indels)

Soms zijn briefjes beschadigd. Er kan een lettertje ontbreken (een deletie) of er staat een extra lettertje bij (een insertie).

• De oude machines dachten: "Oh, dit is niet de juiste code, want het telt niet op." En ze gooiden het weg.
• ESGI denkt: "Oké, dit lijkt wel op de code van meneer Jansen, maar er mist een lettertje. Dat is waarschijnlijk een foutje bij het schrijven. Ik tel het toch maar mee."
  Dit is heel belangrijk omdat in de biologie vaak letters verdwijnen tijdens het maken van de codes. ESGI kan deze "gaten" in de tekst opvullen en toch de juiste persoon vinden. Hierdoor worden er meer dan 10% meer briefjes succesvol gesorteerd dan met de oude methoden.

3. De Meester van de Chaos (Meerdere patronen)

Soms zitten er in één grote zak briefjes verschillende soorten codes door elkaar.

• De oude machines moesten de zak eerst leegmaken, sorteren, en dan pas verder.
• ESGI kan alle soorten codes tegelijkertijd herkennen. Het is alsof je één grote bak met Lego-blokjes hebt van verschillende kleuren en vormen, en ESGI kan er direct uit halen: "Dit is een rood blokje voor de keuken, dit is een blauw blokje voor de slaapkamer," zonder dat je eerst de bak moet sorteren.

4. De Kwaliteitscontroleur

Na het sorteren geeft ESGI je niet alleen de gesorteerde stapels, maar ook een rapport.
Het vertelt je: "Hey, bij deze persoon ging het goed, maar bij die groep mensen vielen er veel briefjes weg omdat de inkt vervaagd was." Of: "Bij dit specifieke type code misten we vaak een lettertje."
Dit helpt wetenschappers om hun experimenten te verbeteren. Het is alsof je na het sorteren van post ziet: "Oh, de postbode heeft bij huisnummer 100 vaak de brievenbussen gemist, we moeten daar een bordje neerzetten."

Waarom is dit belangrijk?

De wereld van single-cell sequencing verandert razendsnel. Er komen steeds nieuwe manieren om DNA en RNA te meten, vaak met heel ingewikkelde codes.

• Vroeger: Als je een nieuw experiment bedacht, moest je wachten tot er een speciale software voor kwam, of zelf een hele nieuwe, kwetsbare code schrijven.
• Nu met ESGI: Je kunt je eigen "recept" voor de codes opgeven (een patroonbestand), en ESGI doet de zware sorteerwerk. Het is veilig, snel en past zich aan.

Kortom:
ESGI is de zwitserse zakmes voor biologische data. Waar andere tools een vaste hamer zijn die alleen werkt als je perfect klopt, is ESGI een slimme, aanpasbare robot die zelfs de beschadigde, verschoven en ingewikkelde briefjes van de nieuwste wetenschappelijke experimenten netjes voor je sorteert. Hierdoor kunnen wetenschappers sneller ontdekkingen doen zonder vast te zitten in de technische details van het sorteren.

Technische samenvatting

Probleemstelling

Single-cell sequencing-technologieën evolueren snel van eenvoudige scRNA-seq naar complexe experimenten die meerdere moleculaire modaliteiten (zoals transcriptoom, proteoom, chromatin toegankelijkheid) en ruimtelijke informatie combineren. Deze complexiteit vereist geavanceerde nucleotiden-barcoding-schema's. Echter, bestaande bio-informatica-pipelines voor het verwerken van deze data (demultiplexing, alignering en UMI-telling) hebben ernstige beperkingen:

1. Rigiditeit: De meeste tools zijn strak gekoppeld aan specifieke experimentele platforms (bijv. 10x Genomics) en veronderstellen vaste posities voor barcodes binnen de sequencing-reads.
2. Gebrek aan flexibiliteit voor inserties/deleties (indels): Bestaande tools gebruiken vaak alleen de Hamming-afstand voor foutcorrectie, wat alleen substituties toestaat. Ze negeren inserties en deleties. Omdat indels (vooral deleties) vaak voorkomen tijdens barcode-synthese en sequencing, kunnen ze de leesframe verschuiven. Dit zorgt ervoor dat downstream barcodes op de verkeerde posities worden gelezen en foutief worden toegewezen, zelfs als de barcodes zelf foutloos zijn.
3. Moeilijk te generaliseren: Nieuwe, combinatorische of variabele-lengte barcoding-ontwerpen vereisen vaak aangepaste, hard-coded oplossingen die moeilijk te onderhouden zijn.

Methodologie: ESGI Framework

De auteurs introduceren ESGI (Efficient Splitting of Generic Indices), een flexibel en uitbreidbaar framework dat direct werkt op ruwe FASTQ-bestanden.

• Generieke Patroon Specificatie: In plaats van vaste posities, definieert de gebruiker een flexibel patroon dat de volgorde en toelaatbare sequenties van barcodes, constante linkers, UMIs en genomische sequenties beschrijft.
• Indel-bewust Matching: ESGI gebruikt de Levenshtein-afstand (edit distance) in plaats van alleen Hamming-afstand. Dit maakt het mogelijk om substituties, inserties én deleties te corrigeren.
  • Sequentiële mapping: ESGI mappet patronen sequentieel. Als een barcode een insertie of deletie heeft, wordt het startpunt van het volgende element automatisch aangepast. Dit voorkomt dat een verschuiving in de leesframe leidt tot foutieve toewijzing van daaropvolgende barcodes.
  • Variabele lengte: Het systeem kan barcodes van variabele lengte (bijv. door "staggered" bases) verwerken, omdat het de exacte lengte bepaalt op basis van de beste match in plaats van een vaste snijpositie.
• Multi-patroon Ondersteuning: ESGI kan meerdere patronen tegelijkertijd mappen op één FASTQ-bestand, wat essentieel is voor libraries met verschillende modaliteiten of hiërarchische barcode-ontwerpen.
• Integratie met STAR: Voor genomische data (zoals RNA) kan ESGI STAR aanroepen om reads te aligneren tegen een referentie-genoom en gen-annotaties toe te voegen.
• Feature Counting & UMI Collapsing: De laatste stap is het tellen van features en het samenvoegen (collapsen) van UMIs. ESGI gebruikt een strategie vergelijkbaar met alevin om PCR-duplicaten te identificeren en fouten in UMIs te corrigeren (bijv. door UMIs met één mismatch te groeperen als ze zeldzaam zijn).
• Kwaliteitsmetrieken: ESGI genereert gedetailleerde statistieken over mapping-fouten per positie, types van fouten (substitutie/deletie/insertie) en UMI-verdeling, wat cruciaal is voor kwaliteitscontrole (QC).

Belangrijkste Resultaten

De auteurs hebben ESGI getest op zes datasets van vier verschillende single-cell-technologieën (SIGNAL-seq, SPLiT-seq, Phospho-seq, xDBiT) en vergeleken met bestaande tools (kITE, zUMIs, alevin, Cell Ranger).

1. Verbeterde Read Recovery:
   • Door indels expliciet te modelleren, kon ESGI >10% meer reads succesvol demultiplexen in complexe combinatorische datasets (zoals SIGNAL-seq en SPLiT-seq) vergeleken met methoden die alleen substituties toelaten.
   • In de RNA-modality van SIGNAL-seq leidde het toestaan van indels tot een significante toename in het aantal toegewezen reads.
2. Hoge Correlatie met Bestaande Pipelines:
   • Waar bestaande pipelines wel van toepassing waren, leverde ESGI resultaten op met een zeer hoge correlatie (Pearson-correlatie medianen van 0,94 tot 1,0) met de output van gevestigde tools zoals kITE en zUMIs.
3. Efficiëntie:
   • ESGI is multi-threaded en memory-efficiënt. Voor RNA-data was ESGI sneller dan zUMIs (ca. 1 uur vs. 3 uur voor 183 miljoen reads) en gebruikte het ongeveer de helft van het piekgeheugen (RAM).
   • De meeste rekentijd wordt besteed aan de STAR-alignering, niet aan het demultiplexen zelf.
4. Kwaliteitsinzicht:
   • ESGI onthulde dat deleties vaak dominanter zijn dan substituties in synthetische barcodes, wat de noodzaak van indel-aware mapping onderstreept.
   • Het framework leverde inzicht in welke specifieke barcodes vatbaarder zijn voor bepaalde fouten, wat nuttig is voor het optimaliseren van toekomstige experimentele ontwerpen.

Significantie en Conclusie

ESGI biedt een generieke en toekomstbestendige oplossing voor de preprocessing van single-cell sequencing-data. Het overbrugt de kloof tussen de toenemende complexiteit van experimentele ontwerpen (combinatorisch, multimodaal, ruimtelijk) en de rigiditeit van bestaande software.

• Flexibiliteit: Het stelt onderzoekers in staat om snel nieuwe experimenten te analyseren zonder aangepaste scripts te hoeven schrijven.
• Robuustheid: Door indels te corrigeren, verhoogt het de datakwaliteit en het aantal bruikbare cellen, vooral bij complexe combinatorische barcoding.
• Inzicht: De meegeleverde kwaliteitsmetrieken helpen bij het debuggen en optimaliseren van nieuwe sequencing-protocollen.

ESGI is geschreven in C++, open source (GPL v3.0) en beschikbaar via GitHub, met uitgebreide documentatie voor diverse single-cell technologieën. Het is een essentieel hulpmiddel voor de adoptie van opkomende single-cell methoden die nog geen dedicated bio-informatica pipelines hebben.