MosaicTR: tandem repeat somatic instability quantification from long-read sequencing

MosaicTR is een methode die somatische instabiliteit van tandemherhalingen kwantificeert op basis van haplotype-gelabelde long-read sequencing-data, waardoor het beperkingen van short-read benaderingen overbrugt en nauwkeurige metingen mogelijk maakt op zowel PacBio HiFi- als Oxford Nanopore-platforms.

De kern

MosaicTR: De "Rusteloze Repeterende Tekst" van ons DNA

Stel je voor dat ons DNA een gigantische instructiehandleiding is voor het bouwen van een mens. In deze handleiding komen soms zinnen voor die zich herhalen, net als een refrein in een liedje of een strook met dezelfde bloemen op behang. Deze herhalingen noemen we "tandem repeats".

Normaal gesproken is dit geen probleem. Maar bij bepaalde ziekten (zoals de ziekte van Huntington) of bij kanker, beginnen deze herhalingen uit de hand te lopen. Ze worden langer en chaotischer naarmate we ouder worden of als er fouten in de celreparatie zitten. Dit noemen we somatische instabiliteit. Het is alsof de kopieermachine in je cellen steeds meer extra regels toevoegt aan dat ene refrein, en elke cel een iets andere versie van de tekst krijgt.

Tot nu toe was het heel moeilijk om deze kleine, chaotische veranderingen precies te meten, vooral omdat de oude methoden (korte stukjes DNA lezen) te kort waren om de hele "herhalende strook" te zien, of verward raakten door ruis.

Wat doet MosaicTR?

De onderzoekers hebben een nieuwe tool bedacht die MosaicTR heet. Je kunt het zien als een super-scherpe vergrootglas voor DNA, speciaal gemaakt voor de nieuwste, langere leesapparaten (zoals PacBio en Oxford Nanopore).

Hier is hoe het werkt, vertaald in alledaagse termen:

1. Het Kiezen van de Juiste "Tweeling" (Haplotypen)

Mensen hebben twee kopieën van elk gen: één van mama, één van papa. Soms is alleen de kopie van papa "ziek" (uitgebreid), terwijl die van mama gezond blijft.

• De oude manier: Kijkt naar een bont mengsel van alle DNA-fragmenten. Het is alsof je twee verschillende verhalen door elkaar leest en probeert te raden welk verhaal waar is.
• De MosaicTR-methode: Het scheidt de verhalen netjes. Het kijkt specifiek naar de "papa-versie" en de "mama-versie" apart. Zo kan het precies zien welke van de twee aan het uitdijen is.

2. Het Filteren van Ruis (De "Motief-unit" Slimme Weegschaal)

Dit is het slimste stukje van de tool.

• Het probleem: De nieuwe DNA-lezers maken soms kleine foutjes. Soms missen ze één lettertje of voegen ze er één toe. Dit is "ruis".
• De slimme oplossing: MosaicTR weet dat echte biologische veranderingen (ziekte) meestal in hele blokken gebeuren (bijvoorbeeld een blok van 3 letters: CAG-CAG-CAG).
• De analogie: Stel je voor dat je een tekst leest. Als er per ongeluk één letter mist (ruis), telt dat niet als een echte verandering in de zin. Maar als er een heel woord (een blokje) extra staat, dan is dat een echte verandering.
  • MosaicTR negeert de kleine lettertjes-foutjes (die telt hij als "ruis" en geeft ze weinig gewicht).
  • Maar als er een heel blokje extra staat, telt hij dat zwaar mee.
  • Hierdoor ziet het apparaat de echte ziekte veel scherper, zonder verward te raken door de kleine foutjes van de machine.

3. De "Instabiliteitsmeter" (HII)

De tool geeft een cijfer, de Haplotype Instability Index (HII).

• Cijfer 0: Alles is stabiel. De herhalingen zijn perfect gelijk.
• Hoge cijfer: Er is veel chaos. De herhalingen variëren enorm binnen één cel. Dit is een teken van ziekte of kanker.

Waarom is dit belangrijk?

1. Vroegtijdige diagnose: Het kan ziekten opsporen voordat er symptomen zijn, door te zien welke cellen al beginnen te "dwalen" in hun DNA.
2. Kanker-onderzoek: Het kan helpen om te zien of een tumor "instabiel" is, wat belangrijk is voor het kiezen van de juiste behandeling.
3. Tijdreis: Je kunt dezelfde persoon op verschillende momenten meten. Zo zie je hoe de ziekte in de loop der tijd vordert, alsof je een film van de ziekte maakt in plaats van een foto.

Samenvattend:
MosaicTR is als een slimme detective die door de chaos van DNA-leesfouten heen prikt. Het scheidt de twee versies van je DNA, negeert de kleine ruisjes van de camera, en telt alleen de echte, grote veranderingen. Hierdoor kunnen artsen en onderzoekers veel preciezer zien hoe ziekten zich ontwikkelen in onze cellen, zelfs op de kleinste schaal.

Technische samenvatting

Probleemstelling

Somatische instabiliteit van tandemherhalingen (TR's) speelt een cruciale rol in de pathogenese van herhaling-expansieziekten (zoals de Ziekte van Huntington) en fungeert als biomarker voor mismatch-reparatie-deficiëntie in kanker. Bestaande methoden hebben echter beperkingen:

• Korte-read sequencing: Tools zoals MSIsensor of prancSTR zijn beperkt tot herhalingen die binnen de leeslengte vallen (vaak <150 bp) en lijden onder PCR-stutter-artefacten.
• Haplotypische resolutie: Omdat herhaling-expansieziekten vaak heterozygoot zijn, is het essentieel om de instabiliteit per allel (haplotype) te onderscheiden, wat met korte reads moeilijk is.
• Bestaande lange-read tools: Hoewel genotyperingstools (zoals TRGT, LongTR) nauwkeurige allelmaten kunnen bepalen, ontbreekt het aan tools die specifiek somatische instabiliteit kwantificeren met inachtneming van platformspecifiek ruisprofiel en haplotype-resolutie.

Methodologie: MosaicTR

MosaicTR is een Python-tool die somatische instabiliteit kwantificeert op basis van haplotype-gelabelde (HP-tagged) lange-read sequencing data (PacBio HiFi en Oxford Nanopore).

Kerncomponenten:

1. Input en Extractie:

   • De tool neemt HP-tagged BAM-bestanden en een BED-catalogus van loci als input.
   • Reads die de herhalingsregio overlappen met voldoende flankerende sequentie worden geëxtraheerd.
   • Allelmaten worden berekend uit CIGAR-strings zonder sequence-level realignement. Reads worden gegroepeerd op basis van hun HP-tag.
   • Bij afwezigheid van HP-tags gebruikt MosaicTR een fallback-methode op basis van bimodaliteitstests (gap-split) of gepoolde analyse.

2. De Haplotype Instability Index (HII):

   • Dit is de primaire metriek voor instabiliteit. De HII meet de variatie in herhalingslengte binnen een haplotype, genormaliseerd naar de motiflengte.
   • Motif-unit-gewogen ruisreductie: Een cruciale innovatie is de weging van reads op basis van hun consistentie met het herhalingsmotief.
     • Afwijkingen die een geheel veelvoud zijn van het motief (biologisch signaal) krijgen volle gewicht ($w=1$).
     • Sub-motief afwijkingen (vaak sequencing-ruis, vooral bij PacBio HiFi) krijgen een verlaagd gewicht ($w=0.1$).
   • Dit onderscheidt biologische expansie/contractie van sequencing-fouten.

3. Platformspecifieke aanpassing:

   • PacBio HiFi: De meeste resterende fouten zijn sub-motief homopolymer-indels, die worden gedown-weighted.
   • Oxford Nanopore (ONT): Deze platformen vertonen willekeurige lengte-jitter ($\pm1$ bp). MosaicTR past dynamische drempels toe: voor dinucleotiden (waar 2 bp een heel motief is) wordt minder gedown-weighted, terwijl voor grotere motieven ($\ge3$ bp) de jitter als sub-motief wordt behandeld en zwaarder wordt gedown-weighted.

4. Vergelijkingsmodi:

   • Pairwise comparison: Vergelijkt instabiliteit tussen twee monsters (bijv. tumor vs. normaal, of verschillende passages).
   • Matrix mode: Berekent alle paarwijze $\Delta$HII-waarden over meerdere monsters voor longitudinale studies.
   • Inter-haplotype Asymmetry Score (IAS): Een extra metriek die aangeeft of instabiliteit beperkt is tot één haplotype (IAS $\approx$ 1) of bilateraal is.

Belangrijkste Bijdragen

• Eerste tool voor haplotype-resolvente somatische instabiliteit: MosaicTR combineert haplotype-aware analyse met een motief-unit-gewogen score om ruis te scheiden van biologisch signaal.
• Multi-platform ondersteuning: Werkt zowel op PacBio HiFi als Oxford Nanopore data door platformspecifieke ruismodellen te integreren.
• Geen extra phasing nodig: Werkt direct op bestaande HP-tagged BAM-bestanden, wat de workflow versnelt.
• Open source: Beschikbaar onder de MIT-licentie via GitHub.

Resultaten

• Validatie en Nauwkeurigheid:
  • Op synthetische data vertoonde de gemeten HII een lineaire relatie met de gesimuleerde instabiliteit ($R^2 = 1.000$).
  • Voor de classificatie van stabiele vs. instabiele loci werd een AUC van 0.975 bereikt (met een drempelwaarde van HII = 0.45).
  • De motief-unit-gewaging verlaagde de false-positive rate van 10,2% naar 0,9% op gezonde referentie-monsters (HG002).
• Ziekte-detectie:
  • MosaicTR detecteerde instabiliteit bij dragers van vijf verschillende ziekten (o.a. Ziekte van Huntington, Fragile X, SCA10) op zowel HiFi als ONT data.
  • Er werd een duidelijke correlatie gevonden tussen de grootte van de expansie en de HII-waarde (bijv. een HII van 31,0 voor een expansie van 1.041 eenheden).
  • De tool onderscheidde succesvol heterozygote dragers (instabiliteit slechts op één allel) van bilaterale expansies.
• Longitudinale Analyse:
  • Toepassing op een pancreaskanker-celijn (HG008) toonde progressieve expansies over 41 passages aan, waarbij specifieke loci (zoals ATAG en GAGCC) aanzienlijke lengte-toenames vertoonden.
  • De analyse bevestigde dat dinucleotide herhalingen de meeste drift vertoonden, consistent met replicatie-slippage, terwijl mononucleotide instabiliteit afwezig was (verwacht voor een microsatelliet-stabiele lijn).

Betekenis en Toekomstperspectief

MosaicTR vult een kritieke lacune in de genoomanalyse door het mogelijk te maken om somatische mosaïcisme op tandemherhalingen op locus-niveau en haplotype-niveau te kwantificeren. Dit is essentieel voor:

1. Het begrijpen van de ziekteprogressie bij herhaling-expansieziekten.
2. Het identificeren van mismatch-reparatie-deficiëntie in kanker.
3. Het analyseren van weefsel-specifieke en leeftijdsafhankelijke expansiepatronen, mede mogelijk gemaakt door initiatieven zoals SMaHT (Somatic Mosaicism across Human Tissues) die gekoppelde lange-read datasets genereren.

Hoewel er beperkingen blijven (zoals de noodzaak van phasing voor ONT-data en uitdagingen bij zeer grote expansies >10kb), biedt MosaicTR een robuust kader voor de volgende generatie somatische instabiliteitsonderzoek.