FourC: identifying significant and differential contacts in 1D chromatin conformation data

De auteurs presenteren FourC, een open-source methode op basis van Bayesiaanse regressie en Gaussische processen die het duplicatieprobleem in 4C-seq-data oplost om significante en differentiële chromatincontacten nauwkeurig te identificeren.

De kern

VierC: Een nieuwe manier om het DNA-architectuur te lezen

Stel je voor dat je DNA niet als een lange streng van letters ziet, maar als een enorme, ingewikkelde stad. In deze stad zijn er belangrijke gebouwen (genen) en er zijn ook kleine bouwvakkers (versterkers of 'enhancers') die ergens anders in de stad wonen, maar die toch moeten praten met die gebouwen om te zeggen: "Bouw dit!" of "Stop met bouwen!".

Om te zien welke bouwvakkers met welke gebouwen praten, gebruiken wetenschappers een techniek genaamd 4C-seq. Het is alsof je een telefoonlijn legt tussen één specifiek gebouw en probeert te horen wie er aan de andere kant van de lijn hangt.

Het probleem: De "Echo" van de PCR
Maar er is een groot probleem met deze telefoonlijn. De techniek die ze gebruiken om het signaal te versterken (zodat je het kunt horen), heet PCR. Het probleem is dat PCR soms te enthousiast is. Het maakt niet één kopie van het gesprek, maar duizenden.

Stel je voor dat je een gesprek hebt en iemand roept: "Ik hoor je!" 1000 keer achter elkaar. Als je later luistert, denk je misschien dat die persoon heel belangrijk is, terwijl het gewoon een echo is van de versterker. In de wetenschap noemen we dit PCR-duplicatie. Omdat 4C-seq geen unieke "handtekeningen" (UMIs) heeft om deze echo's te tellen, is het moeilijk om te weten: is dit een echt gesprek, of is het gewoon ruis?

De oplossing: VierC (FourC)
De auteurs van dit papier hebben een nieuwe methode bedacht, genaamd FourC. Ze hebben een slimme wiskundige truc bedacht om dit probleem op te lossen.

In plaats van te tellen hoe vaak een gesprek wordt gehoord (wat verward kan worden door de echo's), kijken ze alleen naar de vraag: Was er überhaupt een gesprek?

• De analogie van de luidspreker:
  Stel je voor dat je in een drukke zaal staat. Als iemand schreeuwt, hoor je het misschien 100 keer omdat het weerkaatst. De oude methode telde al die 100 geluiden. De nieuwe methode (FourC) zegt: "Stop met tellen. Vraag je gewoon af: 'Heb ik iemand gehoord? Ja of Nee?'"
  Door te kijken naar aanwezigheid in plaats van hoeveelheid, verdwijnen de echo's vanzelf. Het maakt niet uit of iemand 1 keer of 100 keer schreeuwde; het antwoord is gewoon "Ja, er was een gesprek".

Hoe werkt het precies?
De auteurs gebruiken een wiskundig model (een soort slimme voorspeller) dat twee dingen doet:

1. Het filtert de ruis: Het negeert de dubbele echo's en kijkt alleen naar de echte signalen.
2. Het ziet het grote plaatje: Het weet dat in een stad, gebouwen die dicht bij elkaar staan vaker praten dan gebouwen ver weg. Het model houdt hier rekening mee, zodat het niet denkt dat een gesprek met een gebouw op 100 meter afstand even belangrijk is als een gesprek met een gebouw op 1 meter afstand.

Wat hebben ze ontdekt?
Met deze nieuwe bril (FourC) hebben ze gekeken naar hoe menselijke cellen zich ontwikkelen tot pancreas-cellen (de cellen die suiker in je bloed regelen). Ze ontdekten twee belangrijke dingen:

1. Vroegtijdige plannen: Soms leggen de bouwvakkers (versterkers) de telefoonlijn al aan naar het gebouw, lang voordat het gebouw echt gaat bouwen. Het is alsof de telefoon al ligt, maar er nog niemand aan de andere kant zit. Dit gebeurt al in de vroege stadia van de ontwikkeling.
2. Het effect van verstoring: Ze hebben met een schaar (CRISPR) de bouwvakkers weggeknipt of stilgelegd.
   • Als je de bouwvakker stillegt (CRISPRi), wordt de telefoonlijn zwakker, maar hij valt niet helemaal weg.
   • Als je de bouwvakker verwijdert (CRISPR-Cas9), valt de telefoonlijn helemaal weg en verandert de hele structuur van de stad.

Waarom is dit belangrijk?
Vroeger was het moeilijk om te zeggen: "Deze twee stukken DNA praten echt met elkaar," omdat de echo's (PCR-duplicatie) het beeld vertroebelden. Met FourC kunnen wetenschappers nu veel scherper zien welke contacten echt belangrijk zijn.

Het is alsof ze van een wazige foto zijn gegaan naar een haarscherpe foto. Hierdoor kunnen ze beter begrijpen hoe ziektes ontstaan als deze contacten fout gaan, en hoe we cellen kunnen sturen om bijvoorbeeld nieuwe pancreascellen te maken voor diabetici.

Kortom:
FourC is een slimme nieuwe manier om naar het DNA te kijken. Het negeert de "echo's" die de meetapparatuur zelf maakt, zodat we de echte gesprekken tussen de verschillende delen van ons erfelijk materiaal kunnen horen.

Technische samenvatting

Probleemstelling

4C-seq (Circularized Chromosome Conformation Capture followed by sequencing) is een kosteneffectieve methode om interacties tussen één specifiek genoom-element (de "bait") en alle andere elementen ("captures") te meten. Dit biedt inzicht in regulatorische enhancer-promotor interacties en structurele genomische interacties.

Echter, 4C-seq-data is semi-kwantitatief vanwege twee meetproblemen:

1. PCR-duplicatie-effecten: Door de deterministische restrictie-enzym-stap in het protocol kunnen reads niet op positie gededupliceerd worden (tenzij er UMIs worden gebruikt, wat niet standaard is). Dit betekent dat hoge read-counts vaak het gevolg zijn van PCR-artefacten in plaats van echte biologische frequentie.
2. 3C-bias: Er zijn sampling-bias op fragmentniveau, veroorzaakt door factoren zoals GC-gehalte, fragmentlengte en afstand tot de bait.

Bestaande analysestrategieën lossen dit vaak op door te middelen of te gladstrijken over genomische vensters. Dit verlaagt echter de resolutie van het assay en introduceert extra analyseparameters. Het is daarom moeilijk om significante interacties binnen experimenten of differentiële interacties tussen experimenten betrouwbaar te identificeren.

Methodologie: Het FourC-model

De auteurs hebben FourC ontwikkeld, een open-source methode gebaseerd op een Bayesiaans Bernoulli regressiemodel met Gaussian Processes (GP). De kern van de aanpak is als volgt:

1. Binarisatie van Fragmentdata:

   • In plaats van te werken met read-counts (die beïnvloed zijn door PCR), transformeren de auteurs de data naar binaire aanwezigheid/afwezigheid-indicatoren ($o_i = 1$ als er ten minste één read is, anders 0).
   • Onder de aanname dat PCR grotendeels verliesvrij is en libraries voldoende gesequenced zijn, is de kans om een fragment te zien ($p_i$) fundamenteel gekoppeld aan de intrinsieke capture-rate ($\lambda_i$) via de relatie $p_i = 1 - e^{-\lambda_i}$.
   • Door een complementair log-log (cloglog) transformatie toe te passen, kan er direct geïnfereerd worden op $\lambda_i$ zonder rekening te hoeven houden met PCR-duplicatie-effecten: $cloglog(p_i) = \log(\lambda_i)$.

2. Spatial Generalized Linear Mixed Model (SGLMM):

   • Het model is een Latent Gaussian Model (LGM) dat de binaire observaties linkt met structurele voorspellers.
   • Vaste effecten: Correctie voor technische covariaten zoals GC-gehalte, fragmentlengte, type (blind/non-blind) en steekproef-indicatoren (voor verschillen in startmateriaal en reactie-efficiëntie).
   • Ruimtelijke termen (Gaussian Processes): Het model gebruikt twee GP-termen om ruimtelijke patronen te modelleren:
     • $f^{Coarse}_{GP}$: Modelleren van grootschalige patronen (bijv. algemene afstandsafname over ~100 kb).
     • $f^{Fine}_{GP}$: Modelleren van residuele variatie op kleine schaal (~10 kb) om lokale verrijkingen te detecteren.
   • Schatting: De auteurs gebruiken Integrated Nested Laplace Approximation (INLA) via het inlabru pakket voor snelle en nauwkeurige Bayesiaanse inferentie.

3. Detectie van Significante en Differentiële Interacties:

   • Significante contacten: Identificatie van regio's waar de posterior-kans dat de fijne ruimtelijke term ($f^{Fine}$) groter is dan 0, boven een drempelwaarde ligt (bijv. 90%). Dit markeert lokale verrijking boven de achtergrondtrend.
   • Differentiële contacten: Berekening van log-fold changes tussen condities (A en B) als het verschil in totale ruimtelijke effecten: $\Delta(s_i) = (f^{Fine}_B + f^{Coarse}_B) - (f^{Fine}_A + f^{Coarse}_A)$. Significante verschillen worden bepaald wanneer het 90% betrouwbaarheidsinterval 0 uitsluit.

Belangrijkste Bijdragen

• Oplossing voor PCR-duplicatie: De eerste analytische framework die expliciet PCR-effecten op fragmentniveau adresseert door over te schakelen naar een binair model, waardoor deduplicatie zonder UMIs mogelijk wordt.
• Hoge resolutie zonder gladstrijken: Door Gaussian Processes te gebruiken, wordt informatie gedeeld tussen aangrenzende fragmenten, wat toelaat om op fragmentniveau te werken zonder de resolutie te verliezen door het middelen over grote vensters.
• Softwarepakket: De implementatie van het model in een gebruiksvriendelijk R-pakket genaamd FourC.
• Validatie: Uitgebreide validatie tegen bestaande methoden (zoals peakC) en Hi-C data.

Resultaten

De methode werd getest op 4C-seq data van menselijke pancreatische stamcellen tijdens differentiatie (van Embryonale Stammen (ESC) naar Definitief Endoderm (DE), Primitive Gut Tube (GT) en Pancreatische Progenitor (PP)) en onder CRISPR-perturbaties.

1. Identificatie van Significante Contacten:

   • FourC slaagde erin functionele enhancers te identificeren (gemarkeerd door H3K27ac en CTCF binding) die door de bestaande methode peakC werden gemist.
   • Voor de genen ONECUT1, SOX17 en GATA6 identificeerde FourC specifieke enhancer-promotor contacten die biologisch relevant waren, terwijl peakC vaak alleen algemene CTCF-bindingen detecteerde of geen enhancers vond.
   • De rangcorrelatie tussen replicaten was aanzienlijk hoger voor de gebinariseerde FourC-data dan voor de ruwe count-data.

2. Differentiële Interacties:

   • De geschatte fold-changes van FourC toonden een hoge overeenkomst met dedupliceerde Hi-C data, wat aantoont dat het binair model biologische informatie behoudt.
   • In tegenstelling tot standaard tellingsmethoden (zoals DESeq2 toegepast op 4C-counts), die verkeerde conclusies trokken over contactverlies bij PDX1 door PCR-duplicatie, gaf FourC resultaten die consistent waren met Hi-C.

3. CRISPR Perturbaties (Enhancer Functie vs. Looping):

   • GATA6: CRISPRi (silencing) en CRISPR-Cas9 (deletie) van enhancers (+e9 en +e12) toonden aan dat het verlies van enhancer-functie leidt tot een afname van chromatin-locaties. FourC kon subtiele, gelokaliseerde veranderingen detecteren die door binned count-methoden (DESeq2) werden gemist.
   • ONECUT1: Een interessante bevinding was dat contacten tussen de promotor en een distale enhancer (+e664) al werden gevormd in vroege differentiatiefasen (ESC/DE), zelfs voordat de enhancer functioneel actief was. Echter, bij de activering van het gen (PP-stadium) stagneerde de toename van contacten in CRISPR-knockout-cellen. Dit suggereert een "priming"-mechanisme waarbij contacten eerst worden gevestigd (onafhankelijk van enhancer-functie) en later worden versterkt door de functionele activiteit van de enhancer.

Betekenis en Conclusie

FourC biedt een robuuste oplossing voor de inherente beperkingen van 4C-seq-data. Door de data te reconceptualiseren als binaire aanwezigheid/afwezigheid en gebruik te maken van Bayesiaanse ruimtelijke modellering, elimineert de methode technische artefacten (PCR-duplicatie) terwijl de hoge resolutie van het assay behouden blijft.

Dit stelt onderzoekers in staat om:

• Betrouwbare significante interacties te vinden zonder voorafgaande kennis van loop-atlassen.
• Subtiele differentiële interacties te detecteren die door andere methoden worden over het hoofd gezien.
• De dynamiek van chromatin-structuur tijdens differentiatie en onder genetische perturbaties nauwkeuriger te bestuderen.

De methode is niet alleen toepasbaar op 4C-seq, maar kan ook worden aangepast voor andere 3C-varianten die een 1D-representatie toelaten, door de Bernoulli-likelihood te vervangen door Poisson of Negative Binomial.