Sequence effects on patterns of variation and DNA strand asymmetries observed from whole-genome sequenced UK Biobank participants

Dit onderzoek analyseert de sequentie-afhankelijke patronen van variatie en DNA-strengasymmetrieën in het genoom van 500.000 UK Biobank-deelnemers en onthult complexe mechanismen van mutatie en selectie die niet volledig worden verklaard door bekende factoren zoals geninhoud.

De kern

🧬 De DNA-Verkeersregels: Wat we leren van 500.000 mensen

Stel je voor dat ons DNA een gigantisch, oud boek is. In dit boek staan instructies voor het bouwen en onderhouden van een mens. Soms maken de kopiisten (de cellen die DNA kopiëren) fouten. Deze fouten heten mutaties.

Deze studie kijkt naar een enorme bibliotheek: het DNA van 500.000 mensen uit de UK Biobank. De onderzoeker, David Curtis, heeft gekeken naar twee soorten fouten in dit boek:

1. De "nieuwe" fouten (Singletons): Fouten die maar bij één persoon voorkomen. Dit zijn als het ware net gemaakte tikfouten. Ze vertellen ons hoe het kopiëren nu verloopt.
2. De "oude" fouten (SNP's): Fouten die bij veel mensen voorkomen. Dit zijn fouten die al lang geleden zijn gemaakt en die het boek heeft overleefd. Ze vertellen ons welke fouten de natuur "toelaat" en welke niet.

Hier zijn de belangrijkste ontdekkingen, vertaald naar alledaagse beelden:

1. De omgeving maakt het verschil (De "Buurt" van de fout)

Stel je een letter voor in een woord. Als je een 'T' verandert in een 'C', maakt het uit welke letters er om die 'T' heen staan.

• De ontdekking: De kans dat een fout optreedt, hangt sterk af van de drie letters ervoor en de twee letters erachter (een "pentanucleotide").
• De analogie: Het is alsof je een auto rijdt. Als je een bocht neemt (een mutatie), maakt het uit of je op een gladde weg rijdt (een bepaalde DNA-omgeving) of op een hobbelig pad. Sommige wegen zijn gewoon gevaarlijker dan andere. De studie laat zien dat we de kans op een fout veel beter kunnen voorspellen als we naar de hele "straat" kijken en niet alleen naar de auto zelf.

2. De "C>T" mysterie: Waarom sommige fouten blijven hangen

Er is een specifieke fout die heel vaak voorkomt: een 'C' verandert in een 'T'.

• Het raadsel: Als deze fout gebeurt in een specifieke omgeving (waar een 'G' naast de 'C' staat, dus "CG"), gebeurt hij vaak, maar verdwijnt hij ook vaak weer (hij wordt niet overgeërfd). Maar als hij gebeurt in een andere omgeving, blijft hij vaak hangen.
• De analogie: Stel je voor dat je een fout in een contract maakt.
  • In de ene situatie (de "CG-context") is het contract zo streng dat de fout direct wordt opgemerkt en gecorrigeerd (de natuur "selecteert" tegen deze fout).
  • In de andere situatie is het contract minder streng, of is de fout zelfs handig, waardoor hij blijft staan en doorgegeven wordt aan de volgende generatie.
  • De studie suggereert dat de natuur een heel goed systeem heeft om fouten in de "CG-context" te voorkomen, maar als ze toch gebeuren, zijn ze vaak onschuldig genoeg om te blijven bestaan.

3. De "Linker- en Rechterhand" van het DNA (Strand Asymmetrie)

DNA bestaat uit twee strengen die als een spiegelbeeld van elkaar werken (een plus- en een min-streng). Je zou denken dat fouten op beide strengen even vaak voorkomen.

• De ontdekking: Nee! Er is een duidelijke scheefstand. Sommige fouten komen veel vaker voor op de "plus-streng" dan op de "min-streng".
• De verrassing: Dit gedrag is niet overal hetzelfde. Op de meeste chromosomen (de hoofdstukken van het boek) gedragen de strengen zich hetzelfde. Maar op vijf specifieke chromosomen (10, 14, 19, 21 en 22) doen ze precies het tegenovergestelde!
• De analogie: Stel je een orkest voor. De meeste muzikanten spelen in harmonie. Maar op vijf specifieke plekken in de zaal spelen de muzikanten een andere melodie, of zelfs in een andere toonsoort. De onderzoekers weten nog niet precies waarom deze vijf chromosomen "anders" zijn, maar het is duidelijk dat er een onbekende regisseur is die daar een andere partituur gebruikt.

4. Het boek zelf is niet perfect symmetrisch

Zelfs het "referentieboek" (het standaard-DNA van de mens) is niet helemaal symmetrisch.

• De ontdekking: Sommige lettercombinaties komen veel vaker voor op de ene streng dan op de andere. Bijvoorbeeld, de reeks TTCGT komt 673.000 keer voor op de plus-streng, maar slechts 465.000 keer op de min-streng.
• De betekenis: Dit betekent dat de geschiedenis van het menselijk DNA niet willekeurig is. Er zijn processen geweest die ervoor hebben gezorgd dat bepaalde patronen vaker zijn "gekozen" of "overleefd" op de ene kant dan op de andere.

Wat betekent dit voor ons?

Deze studie is als het kijken naar de sporen van een trein.

• Door te kijken naar de nieuwe sporen (de singletons), zien we hoe de trein (de cel) momenteel rijdt en waar de rails (het DNA) glad of ruw zijn.
• Door te kijken naar de oude sporen (de SNP's), zien we welke routes de trein in de loop der eeuwen heeft gekozen en welke routes te gevaarlijk waren om te blijven gebruiken.

Conclusie:
De natuur is niet willekeurig. Er zijn complexe, nog niet volledig begrepen regels die bepalen waar mutaties ontstaan en welke mutaties overleven. Het feit dat sommige chromosomen zich anders gedragen dan anderen, en dat de "omgeving" van een letter zo belangrijk is, opent nieuwe deuren. Misschien helpt dit ons later om beter te begrijpen waarom sommige mensen vatbaarder zijn voor ziektes zoals kanker, of waarom bepaalde mutaties juist schadelijk zijn en andere niet.

Het is een eerste stap in het ontcijferen van de geheimen van ons eigen bouwplan.

Technische samenvatting

Probleemstelling

Het doel van dit onderzoek is het in kaart brengen van de complexe relaties tussen korte DNA-sequenties (pentanucleotiden), mutatiepatronen en selectiedruk in het menselijk genoom. Hoewel mutaties de basis vormen van genetische variatie, zijn de onderliggende moleculaire mechanismen die bepalen waarom bepaalde mutaties vaker voorkomen dan andere, en waarom sommige worden behouden in de populatie terwijl andere worden verwijderd door negatieve selectie, nog niet volledig begrepen.

Specifiek richt de studie zich op drie onopgeloste vragen:

1. Hoe beïnvloedt de nucleotide-omgeving (context) de frequentie van singleton-varianten (mutaties die slechts één keer in de steekproef voorkomen en dus waarschijnlijk recent zijn)?
2. Hoe verschilt de overlevingskans van varianten (selectiedruk) tussen zeldzame varianten en meer algemene SNP's, en hoe wordt dit beïnvloed door de sequentie-omgeving?
3. Wat is de oorzaak van de geobserveerde asymmetrieën tussen de plus- en min-DNA-strengen (strand bias) in zowel mutatieprocessen als in de referentiegenome, en waarom variëren deze patronen per chromosoom?

Methodologie

De auteur, David Curtis, heeft gebruikgemaakt van de volledige genoomsequentiegegevens van 500.000 deelnemers uit de UK Biobank. De analyse omvatte honderden miljoenen varianten.

Data-verwerking en Definities:

• Varianten: Er werd onderscheid gemaakt tussen singletons (allelcount = 1), doubletons (allelcount = 2) en SNP's (allelcount > 2, vaak vertegenwoordigend voor bestaande variatie in de populatie).
• Context: Elke enkel-base substitutie (SBS) werd geanalyseerd binnen een pentanucleotide-omgeving (twee basen stroomopwaarts en twee stroomafwaarts van de centrale base).
• Frequentieberekening: Variantfrequentie werd gedefinieerd als het aantal varianten gedeeld door het aantal voorkomen van de bijbehorende pentanucleotide-achtergrond in het referentiegenoom (GRCh38). Dit corrigeert voor de natuurlijke variatie in de frequentie van achtergrondsequenties.

Statistische Modellen:

1. Logistische Regressie: Gebruikt om de invloed van de achtergrondsequentie (van enkel de kernbase tot het volledige pentanucleotide) te modelleren op de frequentie van singleton-varianten en op de verhouding tussen SNP's en singletons (als maatstaf voor selectie).
2. Mutatiesignaturen: De tellingen van singleton-varianten werden gemodelleerd als een lineaire combinatie van 86 referentie-mutatiesignaturen uit de COSMIC-database (afgeleid van kankercellen). Een parsimonieus model werd gefit met positieve coëfficiënten.
3. Strand Bias Analyse: De log-ratio van variantfrequentie op de plus- versus de min-streng werd berekend per chromosoom.
   • Correlatie-analyse: Om te bepalen of strand-bias patronen consistent waren over chromosomen.
   • Hoofdcomponentenanalyse (PCA): Gebruikt om te testen of strand-bias in varianten correleerde met asymmetrie in gen-dichtheid of transcriptlengte op de plus- versus min-streng.
4. Referentie-Asymmetrie: De tellingen van pentanucleotiden in het referentiegenoom zelf werden vergeleken tussen de plus- en min-streng om te zien of de asymmetrie ook in het "oude" genoom aanwezig was.

Belangrijkste Bijdragen

• Grootschalige Context-Analyse: De studie biedt de meest gedetailleerde analyse tot nu toe van mutatiefrequentie en selectie in relatie tot pentanucleotide-achtergronden in een gezonde populatie (UK Biobank).
• Ontleding van Selectie vs. Mutatie: Het demonstreert dat de invloed van de sequentie-omgeving op mutatieprocessen (singleton-frequentie) sterk verschilt van de invloed op selectieprocessen (SNP/Singleton-ratio).
• Ontdekking van Chromosoom-specifieke Asymmetrie: Het is voor het eerst dat systematisch wordt aangetoond dat strand-bias in mutatieprocessen niet uniform is over het genoom, maar dat er twee groepen chromosomen zijn met tegengestelde patronen.
• Referentie-Genoom Asymmetrie: De studie toont aan dat asymmetrieën in DNA-sequenties ook bestaan in het referentiegenoom zelf, wat suggereert dat deze niet alleen het gevolg zijn van recente mutaties of selectie, maar mogelijk van fundamentele mechanische of evolutionaire processen.

Resultaten

1. Invloed van Achtergrond op Mutatiefrequentie:

• De frequentie van singleton-varianten wordt sterk bepaald door de nucleotide-omgeving. De correlatie tussen voorspelde en geobserveerde frequenties steeg van $R=0,71$ (alleen kernbase) naar $R=0,96$ wanneer twee stroomopwaartse en één stroomafwaartse base werden meegenomen.
• Mutatiesignaturen: De tellingen van singleton-varianten konden goed worden benaderd ($R=0,82$) door een combinatie van slechts vijf mutatiesignaturen afgeleid van kankercellen. Dit suggereert dat dezelfde moleculaire mechanismen die kanker veroorzaken, ook de achtergrondmutaties in gezonde populaties aandrijven.

2. Selectiedruk en Variantbehoud:

• C>T in CG-context: Een opvallend resultaat is dat C>T-varianten in de CG-context (CpG) zeldzamer zijn bij singletons, maar juist veel vaker voorkomen bij meer algemene SNP's. Dit suggereert dat hoewel deze mutaties zeldzaam zijn (misschien door beschermende mechanismen), ze wanneer ze toch optreden, niet onder sterke negatieve selectie staan en dus vaak in de populatie behouden blijven.
• Anderzijds: Varianttypes zoals C>A in bepaalde contexten (bijv. C[C>A]X) hebben een lage overlevingskans (lage SNP/Singleton-ratio), wat wijst op sterke negatieve selectie.
• De voorspellende kracht van de sequentie-omgeving voor selectie was ook zeer hoog ($R=0,96$) bij het gebruik van pentanucleotiden.

3. Strand Bias (Asymmetrie):

• Mutatie-asymmetrie: De patronen van strand-bias bij singletons waren niet uniform over alle chromosomen. Er werd een groep van vijf chromosomen (10, 14, 19, 21, 22) geïdentificeerd die een negatieve correlatie vertoonden met de overige chromosomen.
• Oorzaak: Deze verschillen werden niet verklaard door asymmetrie in gen-dichtheid of transcriptlengte (geen correlatie met PCA-componenten van gen-burden).
• Selectie-asymmetrie: In tegenstelling tot mutatie-asymmetrie, waren de asymmetries in selectie (welke varianten worden behouden) en in de referentie-sequentie zelf consistent over alle chromosomen.
• Voorbeeld: De sequentie TTCGT komt 673.300 keer voor op de plus-streng, maar slechts 465.807 keer op de min-streng in het referentiegenoom. Dit wijst op een systematische, niet-toevallige bias.

Significantie en Conclusie

De studie onthult dat de interactie tussen korte DNA-sequenties en mutatie/selectieprocessen veel complexer is dan eerder gedacht.

• Mechanistische Inzichten: De bevindingen suggereren dat er specifieke, nog onbekende moleculaire mechanismen zijn die mutaties en selectie beïnvloeden op basis van de lokale sequentie-omgeving.
• Chromosoom-specifieke Effecten: Het feit dat strand-bias in mutaties per chromosoom verschilt, wijst op chromosoom-specifieke factoren (zoals replicatie-timing of chromosoom-architectuur) die de mutatieprocessen sturen.
• Referentie-Genoom: De aanwezigheid van strand-bias in het referentiegenoom zelf impliceert dat deze asymmetrieën diep geworteld zijn in de evolutie van het genoom en niet alleen het gevolg zijn van recente mutaties.
• Toekomstig Onderzoek: De resultaten vormen een basis voor verder onderzoek naar de moleculaire oorzaken van deze asymmetrieën en hoe ze kunnen worden gebruikt om de pathogeniciteit van varianten beter te voorspellen of om risico op ziekten (zoals kanker) te begrijpen.

Samenvattend biedt dit onderzoek een krachtig bewijs dat sequentie-omgevingen cruciaal zijn voor het begrijpen van mutatiepatronen en selectiedruk, en dat er fundamentele, onopgeloste biologische mechanismen bestaan die asymmetrieën in het menselijk genoom aandrijven.