LongcallD: joint calling and phasing of small, structural and mosaic variants from long reads

Het artikel introduceert LongcallD, een unificerend framework dat lokale meervoudige sequentie-uitlijning gebruikt om gelijktijdig kleine en structurele varianten te detecteren en te faseren, waardoor ook mosaïcisme en mobiele elementinserties met hoge nauwkeurigheid kunnen worden geïdentificeerd.

De kern

Stel je voor dat je probeert een enorm, ingewikkeld boek te lezen, maar de pagina's zijn in duizenden kleine, versplinterde stukjes gescheurd. Dat is wat er gebeurt als we ons menselijk DNA sequencen met de oude, korte technologieën. We krijgen duizenden kleine fragmenten die we moeten samenvoegen, maar het is vaak onduidelijk welk stukje bij welke pagina hoort.

Nu hebben we lange-read sequencing (lange lees-technologie). Dit is alsof we niet meer met versplinterde stukjes werken, maar met hele, lange hoofdstukken die duizenden letters lang zijn. Dit is een revolutie, want met zo'n lang stuk kunnen we zien hoe verschillende foutjes in de tekst met elkaar verbonden zijn.

Het probleem? De software die we tot nu toe gebruikten, was alsof we drie verschillende mensen hadden die elk een ander deel van het boek bekeken:

1. De één keek alleen naar kleine spelfouten (kleine variaties).
2. De ander keek alleen naar grote pagina's die ontbreken of extra zijn (grote structurele variaties).
3. De derde probeerde te raden welke pagina's bij elkaar horen (faseren).

Ze werkten niet samen, en daardoor gingen veel details verloren, vooral in de moeilijke, "rommelige" delen van het boek waar de tekst zich herhaalt.

LongcallD is de nieuwe, slimme editor die dit allemaal in één keer doet. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het boek in "Schoon" en "Vuil" verdelen

Stel je voor dat je een oude krant hebt. Sommige delen zijn helder en makkelijk te lezen (de "schone" gebieden). Andere delen zijn vies, hebben vlekken, of de tekst is zo vaak herhaald dat het onleesbaar lijkt (de "vuile" gebieden, zoals homopolymeer-rijke zones of tandem-herhalingen).

• De oude software probeerde overal hetzelfde te doen: gewoon tellen wat er staat. In de vuile delen leidde dit tot veel fouten.
• LongcallD kijkt eerst goed om zich heen. Waar het rustig is, telt het gewoon. Maar waar het rommelig is, schakelt het een superkracht in: Haplotypen.

2. De "Tweeling"-analogie (Haplotypen)

Elke mens heeft twee kopieën van zijn DNA: één van papa en één van mama. Stel je voor dat je twee identieke tweelingen hebt die een verhaal vertellen, maar ze hebben beide een paar unieke foutjes gemaakt.

• Als je alleen naar de tekst kijkt zonder te weten wie wie is, zie je een wirwar van foutjes.
• LongcallD is slim genoeg om te zeggen: "Oké, deze zin komt van de 'papa'-tweeling, en die zin komt van de 'mama'-tweeling."

Door de lange stukken DNA te gebruiken, kan LongcallD zien welke foutjes samen voorkomen op hetzelfde lange stukje. Het sorteert de lange stukjes DNA in twee stapels: de 'papa'-stapel en de 'mama'-stapel. Pas daarna leest het de moeilijke, vuile delen. Omdat het nu weet welke stapel het bekijkt, kan het de echte fouten van de herhalingen onderscheiden. Het is alsof je twee verschillende vertalingen van een moeilijk gedicht naast elkaar legt; plotseling wordt de betekenis duidelijk.

3. Het vinden van de "Nieuwe" foutjes (Mosaic Variaties)

Soms ontstaan er foutjes niet bij de geboorte, maar later in het leven (bijvoorbeeld in een tumor). Deze zijn heel zeldzaam; misschien staat er in 100 kopieën van een zin maar 1 foutje.

• Oude software dacht vaak: "Oh, dat is maar één foutje, dat is vast een meetfout van de machine."
• LongcallD kijkt naar de context. Als dat ene foutje op een lange, duidelijke 'papa'-lijn staat, en alle andere foutjes op die lijn kloppen, dan zegt het: "Nee, dit is echt een foutje! Het past perfect bij de rest van deze lijn."

Dit stelt LongcallD in staat om heel kleine, zeldzame mutaties te vinden die anderen missen, zelfs als ze maar door één enkel leesfragment worden ondersteund.

Waarom is dit belangrijk?

• Voor de geneeskunde: Veel ziektes worden veroorzaakt door complexe fouten in de "vuile" delen van ons DNA die tot nu toe onzichtbaar waren. LongcallD maakt deze zichtbaar.
• Voor kanker: Het kan de kleine mutaties in een tumor vinden die ontstaan zijn, zelfs als ze nog heel klein zijn.
• Efficiëntie: Het doet dit allemaal in één keer, zonder dat je eerst een hele dure en trage reconstructie van het hele boek hoeft te maken (zoals bij andere methoden).

Kortom:
LongcallD is als een super-intelligente redacteur die niet alleen kijkt naar de letters, maar ook begrijpt welke letters bij welke versie van het verhaal horen. Door de lange stukken tekst slim te gebruiken, lost het de moeilijkste puzzels op in ons DNA, waardoor we een completer en nauwkeuriger beeld krijgen van wat ons uniek maakt en wat ons ziek maakt.

Technische samenvatting

Probleemstelling

Langereid-sequencing (PacBio HiFi en Oxford Nanopore) biedt de unieke mogelijkheid om kleine varianten (SNP's en kleine indels), structurele varianten (SV's) en fasering (phasing) binnen één continue read te detecteren. Echter, bestaande computationele tools behandelen deze taken grotendeels als losstaande problemen:

1. Gekoppelde fouten: Kleine variant-callers (zoals Clair3, DeepVariant) zijn vaak niet bewust van SV's. Dit leidt tot foutieve calls in complexe, laag-complexiteit regio's (LCR's) en homopolymeren, waar aligneringen onnauwkeurig zijn.
2. Gebrek aan integratie: SV-callers (zoals Sniffles2, cuteSV) negeren vaak de fasering of gebruiken deze niet om aligneringen te verbeteren, wat resulteert in inconsistente haplotype-reconstructies, vooral in tandemherhalingen.
3. Mosaiciteit: Het detecteren van mosaïsche varianten met een lage variant-alleelfrequentie (VAF) is uitdagend omdat ze vaak verward worden met sequencing-artefacten, en bestaande tools hebben moeite met het onderscheiden van ware mosaïsche SV's van fouten.

Er is een gebrek aan een unified framework dat kleine varianten, SV's en fasering gelijktijdig en geïntegreerd verwerkt om het volledige potentieel van langereid-data te benutten.

Methodologie: LongcallD

LongcallD is een unificerend framework dat lokale multiple-sequence alignment (MSA) gebruikt om kleine en structurele varianten gelijktijdig te callen en te faseren. De workflow bestaat uit de volgende kernstappen:

1. Classificatie van Regio's:

   • Het genoom wordt opgesplitst in "schone" (clean) en "ruisende" (noisy) regio's.
   • Schone regio's: Gebieden met nauwkeurige aligneringen. Hier worden hoge-confidence germline varianten direct bepaald door allelen te tellen.
   • Ruisende regio's: Omvat homopolymeren, korte tandemherhalingen (STR's), variabele aantal tandemherhalingen (VNTR's) en gebieden rondom SV-grenzen waar aligneringen vaak "clipping" vertonen.

2. Haplotype-Tagging en Consensus-Generatie:

   • In schone regio's worden heterozygote varianten gebruikt om lange reads lokaal te partitioneren in haplotypen.
   • Voor elke ruisende regio worden reads op basis van hun haplotype geëxtraheerd.
   • Haplotype-bewuste MSA: Binnen elk haplotype wordt een MSA uitgevoerd (met tools zoals abPOA en WFA) om een consensussequentie af te leiden. Dit lost inconsistente aligneringen op door reads binnen hetzelfde haplotype met elkaar te aligneren in plaats van alleen met het referentiegenoom.
   • In gebieden zonder nabije heterozygote varianten wordt haplotype-agnostische MSA gevolgd door clustering om heterozygote van homozygote regio's te onderscheiden.

3. Iteratieve Fasering:

   • Variant calls uit ruisende regio's worden geïntegreerd met calls uit schone regio's via een iteratief proces.
   • Een read-variant compatibiliteitsmatrix wordt gebruikt om haplotypen iteratief uit te breiden totdat convergentie wordt bereikt. Dit zorgt voor een consistent haplotype-resolved view van het hele genoom.

4. Detectie van Mosaïsche Varianten:

   • LongcallD gebruikt de geëtabliceerde haplotype-informatie om mosaïsche varianten met lage VAF (<20%) te onderscheiden van sequencing-artefacten.
   • Filterstrategie: Een ware mosaïsche variant moet consistent zijn met één haplotype. Als ondersteunende reads verspreid zijn over beide haplotypen of in strijd zijn met gefaseerde germline varianten, wordt het als artefact beschouwd.
   • Mobile Element Insertions (MEI's): Specifieke kenmerken zoals Target Site Duplications (TSD) en poly(A)-staarten worden expliciet gemodelleerd om MEI's te detecteren, zelfs als ze door slechts één read worden ondersteund.

Belangrijkste Bijdragen

• Unified Framework: LongcallD is de eerste tool die kleine varianten, SV's en fasering volledig integreert in één workflow, gebruikmakend van haplotype-bewuste MSA in plaats van losse pipelines.
• Verbeterde SV-detectie in LCR's: Door het gebruik van haplotype-specifieke consensussequenties, overwint LongcallD de problemen van fragmentatie en inconsistentie in tandemherhalingen en homopolymeren.
• Gevoelige Mosaïsche Detectie: Het framework kan mosaïsche SNV's en grote indels (inclusief MEI's) detecteren die door slechts één of twee reads worden ondersteund, zonder een toename in vals-positieven, door strikte haplotype-consistentie te eisen.
• Efficiëntie: In tegenstelling tot de novo assembly-benaderingen (zoals hifiasm gevolgd door dipcall), werkt LongcallD direct op read-alignments, wat aanzienlijk minder rekentijd en geheugen vereist.

Resultaten

Het framework werd geëvalueerd op het well-characterized HG002 referentiestaal (PacBio HiFi en ONT R10.4.1) en tumor-normaal mengsels (COLO829, H2009).

1. Germline Variant Calling:

   • Kleine varianten: LongcallD behaalde prestaties die vergelijkbaar waren met state-of-the-art tools (DeepVariant, Clair3) voor SNP's en kleine indels, met name in homopolymeren.
   • Structurele Varianten (SV's): In tandemherhalingen (waar de meeste fouten optreden) behaalde LongcallD de beste FDR (3,2%) en FNR (9,8%) onder alle alignment-based SV-callers. Het presteerde beter dan Sniffles2, SVDSS en sawfish.
   • Haplotype-reconstructie: Met behulp van de aardvark-benchmark (die haplotype-sequenties vergelijkt) behaalde LongcallD perfecte genotype- en basepair-F1-scores in >80% van de tandemherhalingsregio's, wat aanzienlijk beter was dan SV-only callers.

2. Mosaïsche Variant Detectie:

   • SNV's: Op een 1:49 tumor-normaal mengsel (1-2% VAF) behaalde LongcallD de hoogste precisie (52,0%) en recall (33,1%), en identificeerde 4.343 ware positieven die door andere tools werden gemist.
   • Grote Indels: LongcallD detecteerde mosaïsche indels met een recall van 78,2% (vs. 46,8% voor Sniffles2) en een hogere precisie, zelfs bij ondersteuning door slechts één read.
   • MEI's: Voor mobiele elementinserties werd een precisie van 95,5% en recall van 92,7% bereikt door het gebruik van sequentiekenmerken (TSD, poly(A)).

3. Validatie:

   • In een negatieve controle (HG002, geen mosaïsche varianten verwacht) produceerde LongcallD aanzienlijk minder vals-positieven dan Sniffles2.
   • De tool is computatie-efficiënt: een 40x HiFi dataset werd in 19 minuten verwerkt met <20GB geheugen, vergeleken met 218 minuten en 40GB voor een pipeline met DeepVariant, HiPhase en Sniffles2.

Significantie

LongcallD biedt een robuuste basis voor het oplossen van complexe genetische architecturen in zowel klinische als evolutionaire toepassingen. Door de integratie van fasering in het variant-calling proces, lost het fundamentele beperkingen op van huidige methoden in repetitieve genoomregio's. Het vermogen om mosaïsche varianten met lage frequentie nauwkeurig te detecteren, opent nieuwe mogelijkheden voor het bestuderen van somatische mutaties in kanker en andere ziekten met langereid-sequencing. De tool maakt het mogelijk om het volledige spectrum van genetische variatie (van SNP's tot grote SV's en mosaïcisiteit) in één geïntegreerde analyse te benaderen, wat essentieel is voor de toekomst van de genoomwetenschap.