STRmie-HD enables interruption-aware HTT repeat genotyping and somatic mosaicism profiling across sequencing platforms

STRmie-HD is een geavanceerd, uitlijningsvrij computergereedschap dat op basis van diverse sequentietechnologieën nauwkeurige genotypering van HTT-repeatexpansies en kwantitatieve profilering van somatische mozaïekisme mogelijk maakt, waardoor het essentieel is voor het begrijpen van Huntington's ziekte en het stratificeren van patiënten.

De kern

Titel: STRmie-HD: De slimme "tandem-repetitie-teller" voor de ziekte van Huntington

Stel je voor dat het menselijk DNA een enorme bibliotheek is, vol met instructieboeken. Bij de ziekte van Huntington zit er een fout in één specifiek boek (het HTT-gen). Deze fout bestaat uit een zinnetje dat te vaak wordt herhaald, alsof iemand de zin "CAG-CAG-CAG" blijft typen tot het hele bladzijde volstaat. Hoe langer deze herhaling, hoe ernstiger de ziekte.

Maar hier komt het lastige deel: deze herhalingen zijn niet altijd perfect. Soms zit er een "typfout" in (een onderbreking) die de ziekte vertraagt, en soms verdwijnen die onderbrekingen juist, waardoor de ziekte sneller komt. Bovendien verandert de lengte van deze herhalingen in verschillende delen van het lichaam (bijvoorbeeld in de hersenen versus in het bloed). Dit noemen we "mosaïcisme": je lichaam is als een mozaïek van cellen met verschillende lengtes.

Het probleem met de oude methoden
Vroeger waren de gereedschappen om deze herhalingen te tellen als een oude, stompe hamer. Ze konden wel zeggen: "Er is een lange rij," maar ze zagen de kleine details niet. Ze misten de typfouten (de onderbrekingen) en konden niet precies meten hoe veel variatie er in het mozaïek zat. Ook waren ze vaak niet compatibel met de nieuwste, snellere technologieën voor het lezen van DNA.

De oplossing: STRmie-HD
De onderzoekers in dit artikel hebben STRmie-HD bedacht. Je kunt dit zien als een slimme, digitale loep die elk stukje DNA (elk "leesje") individueel bekijkt.

Hier is hoe het werkt, vertaald naar alledaagse beelden:

1. De "Tandem-teller" (Genotypering):
   In plaats van te raden, telt STRmie-HD letterlijk elke "CAG" in de rij. Het is alsof je een rij auto's in de file telt, maar dan op moleculair niveau. Het doet dit voor zowel de korte als de lange rijen in het DNA.

2. De "Typfout-detecteur" (Interruption-aware):
   Dit is het magische deel. Soms zit er een ander woordje in de rij (bijvoorbeeld "CAA" in plaats van "CAG").

   • LOI (Loss of Interruption): Stel je voor dat de rij "CAG-CAG-CAG" normaal gesproken een pauze heeft: "CAG-CAG-[pauze]-CAG". Als die pauze verdwijnt, wordt de rij langer en gevaarlijker. STRmie-HD ziet deze verdwenen pauze direct en zegt: "Aha! Hier is de pauze weggehaald, dit is gevaarlijk."
   • DOI (Duplication of Interruption): Soms wordt de pauze zelfs verdubbeld, wat de ziekte juist vertraagt. STRmie-HD ziet dit ook.
   • Vergelijking: Oude tools zagen alleen een lange rij auto's. STRmie-HD kijkt onder de motorkap en ziet of er een remklauw (de pauze) mist of dubbel zit.

3. De "Mozaïek-meter" (Somatic Mosaicism):
   Omdat STRmie-HD elke individuele cel (leesje) bekijkt, kan het een kaart maken van de variatie.

   • Het berekent twee speciale cijfers: de Instabiliteitsindex en de Expansie-index.
   • Analogie: Stel je een bak met knikkers voor. Sommige knikkers zijn normaal groot, maar in de hersenen zie je dat sommige knikkers steeds groter worden (expansie). STRmie-HD meet precies hoeveel "grote knikkers" er zijn en hoe groot ze worden. Het bewijst wat we al vermoedden: in de hersenen (cortex en striatum) zijn er veel meer "grote knikkers" dan in het bloed.

4. De "Universele Adapter":
   Het mooie aan STRmie-HD is dat het werkt met verschillende soorten "lees-apparaten" (Illumina, PacBio, Oxford Nanopore). Of je nu een oude camera of een nieuwe drone gebruikt om het DNA te scannen, STRmie-HD past zich aan en geeft altijd een duidelijk beeld.

Waarom is dit belangrijk?

• Betere diagnose: Artsen kunnen nu niet alleen zeggen "de rij is lang", maar ook "de rij is lang én de pauze is weg". Dit geeft een veel nauwkeurigere voorspelling van wanneer de ziekte begint.
• Onderzoek: Het helpt om te begrijpen waarom de ziekte in de hersenen erger is dan in het bloed.
• Toekomst: Omdat het zo flexibel is, kan het waarschijnlijk ook worden gebruikt voor andere ziektes die worden veroorzaakt door herhalende DNA-fouten (zoals bepaalde vormen van ataxie of de ziekte van Huntington-achtige aandoeningen).

Kortom:
STRmie-HD is als een superkrachtige vertaler die niet alleen het woord "ziek" vertaalt, maar ook de nuance, de foutjes en de variatie in de tekst begrijpt. Het maakt de complexe wereld van Huntington-ziekte-DNA eindelijk leesbaar, meetbaar en begrijpelijk voor zowel onderzoekers als artsen.

Technische samenvatting

Probleemstelling

Huntington's ziekte (HD) wordt veroorzaakt door een abnormale expansie van CAG-trinucleotide-repetities in exon 1 van het HTT-gen. De ziekteprogressie en het begin van symptomen worden niet alleen bepaald door de lengte van deze repetities, maar ook door:

1. Somatische mosaïcisme: Variatie in de repetitielengte tussen verschillende cellen binnen een weefsel (bijv. brein vs. bloed).
2. Interruption variants: Specifieke mutaties in de herhalende sequentie, zoals het verlies van een onderbreking (Loss of Interruption, LOI) of verdubbeling daarvan (Duplication of Interruption, DOI). Een LOI (bijv. het verlies van het CAA-motief) kan de ziekte aanzienlijk versnellen, zelfs bij "reduced penetrance" allelen.

Bestaande bioinformatica-tools hebben beperkingen:

• Veel tools zijn afhankelijk van genoomuitlijning (alignment-based), wat gevoelig is voor fouten bij zeer lange of onderbroken repetities.
• Ze missen vaak de resolutie om zeldzame interruption-varianten op single-read-niveau te detecteren en te kwantificeren.
• Er ontbreekt een geïntegreerde oplossing die zowel genotypering, interruption-detectie als somatische mosaïcisme-metingen combineert over verschillende sequentierplatforms (Illumina, PacBio, Oxford Nanopore).

Methodologie: STRmie-HD

STRmie-HD (Short Tandem Repeat mosaicism and interruption-aware HD) is een nieuw, alignment-free (uitlijningsvrij) en de novo analytisch framework. Het werkt als volgt:

1. Input Verwerking: Het proces start met sequencing reads (FASTA/FASTQ) van het HTT-exon 1-locus.
2. Regex-Engine: In plaats van reads uit te lijnen op een referentiegenoom, gebruikt STRmie-HD een aangepast regular expression-systeem om de nucleotidestructuur van de reads direct te parseren.
   • Het identificeert de lengte van de onderbroken CAG-tract.
   • Het telt opeenvolgende CCG-repetities.
   • Het detecteert specifieke interruption-varianten: LOI-CAA (verlies van CAA in de polyQ-tract), LOI-CCA (verlies van CCA in de PRD-tract) en DOI (verdubbeling van het CAACAG-motief).
3. Platform-specifieke aanpassing: Voor Oxford Nanopore (ONT) data gebruikt het een "Region-of-Interest" (ROI) modus waarbij flankerende ankers worden gezocht om de hogere base-calling fouten van ONT te compenseren.
4. Allel-detectie: Het bouwt een histogram van de repetitielengten en gebruikt algoritmen (zoals scipy.signal.find_peaks of Wavelet-transformatie) om de twee dominante allelen te identificeren.
5. Somatische Indices: Het berekent twee nieuwe kwantitatieve metrieken op basis van de verdeling van de reads:
   • Expansion Index (EI): Meet de accumulatie van signalen naast het expanded allel, wat de mate van somatische expansie kwantificeert.
   • Instability Index (II): Kwantificeert de asymmetrie van de verdeling rond het expanded allel (expansie vs. contractie).
6. Output: Het genereert een HTML-rapport met visualisaties, genotypering, percentages van interruption-varianten en de somatische indices.

Belangrijkste Bijdragen

• Single-read resolutie: STRmie-HD kan interruption-varianten kwantificeren als een exact percentage van de reads (bijv. "35% van de reads heeft een LOI"), in plaats van alleen een binair "ja/nee" of een indirecte afleiding.
• Cross-platform compatibiliteit: Het werkt op Illumina (MiSeq), PacBio SMRT en Oxford Nanopore data zonder dat een referentie-uitlijning nodig is.
• Integratie van CAG en CCG: Het analyseert zowel de glutamine-rijke (CAG) als de proline-rijke (CCG) domeinen en hun onderbrekingen in één workflow.
• Open Source en Toegankelijk: De tool is beschikbaar via GitHub met uitgebreide documentatie en vereist geen complexe bioinformatica-achtergrond voor gebruik.

Resultaten

De auteurs hebben STRmie-HD getest op vier verschillende datasets en vergeleken met bestaande tools (zoals ScaleHD, RepeatDetector, TRGT, DeepRepeat en CharONT2):

1. Illumina MiSeq (Dataset 1):
   • STRmie-HD toonde een hoge nauwkeurigheid (lage RMSE en MAE) in het voorspellen van CAG-lengtes, vergelijkbaar met of beter dan RepeatDetector en aanzienlijk beter dan ScaleHD voor geëxpandeerde allelen.
   • Het slaagde erin om 7 orthogonaal gevalideerde samples met LOI-CAA correct te identificeren, terwijl ScaleHD deze als "Typical" (fout) classificeerde en RepeatDetector alleen indirecte signalen gaf.
2. PacBio SMRT (Dataset 2):
   • STRmie-HD reconstructeerde de allelprofielen met hoge precisie en presteerde beter dan TRGT bij het kwantificeren van zeer lange geëxpandeerde allelen (bijv. correct 102 repeats vs. 46 bij TRGT).
3. Synthetische Data (Dataset 3):
   • Op synthetische reads met bekende LOI- en DOI-configuraties herstelde STRmie-HD de exacte verhoudingen van de varianten perfect, wat de betrouwbaarheid van de interruption-detectie bevestigde.
4. Oxford Nanopore (Dataset 4):
   • Ondanks de hogere fouten van ONT, leverde STRmie-HD betrouwbare diploïde genotypen op, met een hogere volledigheid dan CharONT2 (die vaak geen tweede allel kon vinden).
5. Somatische Mosaïcisme:
   • De Expansion Index (EI) toonde significant hogere waarden in hersenweefsel (cortex en striatum) vergeleken met bloed, wat overeenkomt met de biologische verwachting dat somatische expansie sterker is in het centrale zenuwstelsel.

Significantie

STRmie-HD vult een cruciale leemte in de Huntington's ziekte-onderzoeksliteratuur door een universeel, nauwkeurig en kwantitatief framework te bieden.

• Klinische relevantie: Het vermogen om LOI-varianten nauwkeurig te detecteren en te kwantificeren is essentieel voor het voorspellen van de ziekte-ontwikkeling, aangezien LOI de leeftijd van aanvang met tot 25 jaar kan versnellen.
• Therapeutisch toezicht: De somatische indices (EI en II) kunnen dienen als biomarkers voor het monitoren van ziekteprogressie en de effectiviteit van therapieën die gericht zijn op het verminderen van somatische instabiliteit.
• Brede toepasbaarheid: Hoewel ontwikkeld voor HD, is de alignment-free architectuur van STRmie-HD eenvoudig aanpasbaar voor andere tandem-repeat aandoeningen (zoals SCA1, Fragile X, Myotonic Dystrophy), wat het een waardevol instrument maakt voor de bredere genetische gemeenschap.

Kortom, STRmie-HD biedt een robuuste, schaalbare en transparante oplossing voor de complexe analyse van repetitieve genen, waarbij het de beperkingen van bestaande tools overbrugt door directe, single-read analyse mogelijk te maken.