CBIcall: a configuration-driven framework for variant calling in large sequencing cohorts

CBIcall is een open-source, configuratiegedreven framework dat reproduceerbare en gestandaardiseerde variantbepalingspipelines voor grote NGS-cohorten mogelijk maakt door diverse workflow-backends en toolversies te verenigen via één YAML-configuratiebestand.

De kern

Stel je voor dat je een gigantische puzzel probeert op te lossen, maar de puzzelstukken komen van honderden verschillende mensen over de hele wereld. Iedereen heeft zijn eigen manier van puzzelen: sommigen gebruiken een speciale puzzelklem, anderen werken op een houten tafel, en weer anderen hebben een andere soort lijm. Het resultaat? De puzzelstukken passen soms niet goed bij elkaar, of het plaatje ziet er op verschillende plekken anders uit.

In de wereld van DNA-onderzoek (genomica) is dit precies het probleem. Wetenschappers willen samenwerken aan grote projecten, maar elke universiteit of ziekenhuis heeft zijn eigen computersystemen en software. Als ze allemaal een ander programma gebruiken om hun DNA te analyseren, krijgen ze verschillende resultaten. Dat is gevaarlijk als je wilt weten of een bepaalde genverandering echt een ziekte veroorzaakt.

CBIcall: De "Super-Regelgever" voor DNA-puzzels

De auteurs van dit artikel, Manuel Rueda en zijn team, hebben een oplossing bedacht die ze CBIcall noemen. Je kunt CBIcall zien als een slimme, onzichtbare chef-kok in een gigantisch restaurant met honderd verschillende keukens.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Recept (De YAML-bestand)

Stel je voor dat elke chef-kok (elk onderzoekscentrum) zijn eigen manier heeft om een stoofpot te maken. Soms gebruiken ze te veel zout, soms te weinig.
Met CBIcall hoeft niemand meer te gissen. De chef-kok vult slechts één simpel formuliertje in (een YAML-bestand). Dit is als het recept: "Ik wil stoofpot maken, met 500 gram vlees, 2 uur stoven, en gebruik de 'GATK' kruidenmix."
Dit formuliertje is voor iedereen exact hetzelfde. Het maakt niet uit of je in een kleine keuken of een gigantische fabriek werkt; het recept blijft hetzelfde.

2. De Kwaliteitscontrole (De Validatie)

Voordat de echte kook begint, kijkt de "Super-Regelgever" (de CBIcall-driver) even snel of het recept logisch is.

• "Heb je wel de juiste kruidenmix voor dit type vlees?"
• "Is de temperatuur niet te hoog voor deze pan?"
  Als er iets niet klopt (bijvoorbeeld: je probeert een oud recept te gebruiken met nieuwe, incompatibele ingrediënten), stopt de robot en zegt hij: "Stop! Dit gaat niet werken, anders krijg je een rommel." Dit voorkomt dat er later vreselijke fouten in de resultaten zitten.

3. De Uitvoering (De Keukens)

Zodra het recept goedgekeurd is, stuurt CBIcall de opdracht naar de juiste "keuken".

• Sommige keukens werken met Bash (een simpele, directe manier van commando's geven).
• Andere keukens werken met Snakemake (een geavanceerder systeem dat alles in een strakke keten regelt).
  CBIcall is slim genoeg om beide systemen te begrijpen. Het zorgt ervoor dat, ongeacht welke "keuken" je gebruikt, het eindproduct (de DNA-uitslag) er exact hetzelfde uitziet als bij je buurman.

4. De Logboek-Notitie (Provenance)

Elke keer dat er een gerecht wordt bereid, schrijft CBIcall een gedetailleerd logboek. Welke kruiden zijn gebruikt? Op welke seconde is het vuur aangepast? Wie heeft er gekookt?
Dit is cruciaal voor herhaalbaarheid. Als iemand over een jaar vraagt: "Hoe hebben jullie die stoofpot precies gemaakt?", kun je het logboek erbij pakken en precies hetzelfde gerecht maken. Je kunt het niet meer "vergeten" of "veranderen".

Wat hebben ze bewezen?

De auteurs hebben dit systeem getest in een groot Europees project (HEREDITARY). Ze hebben DNA van 1.111 mensen (zowel patiënten met Parkinson als gezonde controles) geanalyseerd.

• Ze hebben het DNA van de patiënten (uit de VS) en de controles (uit heel Europa) samengevoegd.
• Dankzij CBIcall konden ze dit doen alsof het allemaal in één grote, perfecte laboratorium was gebeurd, terwijl het eigenlijk op honderden verschillende computers liep.
• Het resultaat? Een perfecte, betrouwbare puzzel. Ze zagen dat de DNA-uitslagen van de verschillende groepen perfect bij elkaar pasten, zonder dat er "ruis" of fouten door verschillende software ontstonden.

Waarom is dit belangrijk voor jou?

Voor de gewone mens betekent dit dat medische onderzoeken betrouwbaarder worden. Als artsen en wetenschappers in heel Europa samenwerken om een nieuwe behandeling te vinden, kunnen ze nu vertrouwen op de data. Ze hoeven niet meer te twijfelen of de resultaten komen door de ziekte, of alleen maar omdat de computer in Amsterdam een andere instelling had dan die in Barcelona.

Kortom: CBIcall is de tolk en de kwaliteitscontroleur die ervoor zorgt dat de hele wereld met één stem spreekt, zelfs als ze allemaal verschillende talen (software) spreken. Het maakt grote, internationale DNA-studies mogelijk, veilig en betrouwbaar.

Technische samenvatting

Probleemstelling

Variant calling voor Next-Generation Sequencing (NGS) data is afhankelijk van een complex ecosysteem van tools en workflows. In grote, samenwerkende studies wordt steeds vaker gekozen voor federatieve analyse, waarbij elke instelling gevoelige data lokaal verwerkt om te voldoen aan juridische en ethische vereisten. De grootste uitdaging hierbij is het uitvoeren van identieke, gevalideerde pipelines over verschillende instituties heen.

De huidige situatie kent de volgende tekortkomingen:

• Heterogene omgevingen: Verschillende centra werken met uiteenlopende software-stacks, scheduling-beleid en bestandsysteemconventies op High-Performance Computing (HPC) clusters.
• Workflow-divergentie: Zelfs bij het gebruik van dezelfde workflow-sjablonen leiden handmatige aanpassingen en ontbrekende validatielagen vaak tot inconsistente resultaten.
• Gebrek aan standaardisatie: Veel workflows missen een gestructureerde validatielaag die configuratiefouten, incompatibele tool-versies en inconsistente runtime-omgevingen voorkomt voordat de uitvoering begint.

Methodologie: Het CBIcall Framework

CBIcall is een configuratie-gedreven framework dat is ontwikkeld om standaardiserde variant-calling pipelines uit te voeren van ruwe FASTQ-bestanden tot analyse-klare VCF-bestanden. Het is geen nieuwe workflow-engine, maar fungeert als een validatie- en uitvoeringslaag bovenop bestaande backends (zoals Bash en Snakemake).

Kernarchitectuur en componenten:

1. Tweelaags configuratiemodel:

   • Gebruikersparameters (YAML): Specificeert de analyse-intentie (input-samples, pipeline-selectie, genoombouw, tool-parameters).
   • Workflow-register (YAML): Mapt pipeline-definities naar uitvoerbare scripts (Bash of Snakemake) en verwijst naar gedeelde componenten.
   • Doel: Het scheiden van deze lagen minimaliseert configuratie-afwijkingen en voorkomt divergentie tussen verschillende runs.

2. Executiecontroller (Python 3):

   • Laadt de YAML-parameters en valideert deze tegen gecontroleerde vocabulaires.
   • Dwingt compatibiliteitsregels af tussen analyse-modi, genoombouwen, workflow-backends en tool-versies (bijv. specifieke versies van GATK).
   • Gebruikt JSON Schema voor validatie van workflow-definities.
   • Creëert een deterministische projectdirectorystructuur voor elke uitvoering.

3. Workflow Backends:

   • Ondersteunt Bash en Snakemake.
   • Voor Bash zijn er kant-en-klare pipelines voor WES (Whole Exome Sequencing), WGS (Whole Genome Sequencing) en mitochondriaal DNA (mtDNA).
   • Voor Snakemake wordt een gevalideerde referentie-implementatie geboden, maar het framework is extensibel voor externe workflows (bijv. uit WorkflowHub of Dockstore).

4. Provenance en Reproduceerbaarheid:

   • Tijdens de uitvoering wordt gestructureerde metadata (software-versies, parameters, runtime-context, taak-provenance) vastgelegd in een JSON-bestand (log.json).
   • Dit ondersteunt auditing en reproduceerbare heranalyse.

5. Containerisatie en Portabiliteit:

   • CBIcall wordt gedistribueerd als een containerimage (Docker/Apptainer/Singularity) die het framework en Python-afhankelijkheden bevat.
   • Externe resources (referentiegenomen, databases, tools zoals GATK en BWA-MEM) worden apart gedistribueerd en gemount in de container, wat zorgt voor consistentie op HPC-systemen zonder Docker-ondersteuning.

Belangrijkste Bijdragen

• Een enkele configuratie voor complexe workflows: Het mogelijk maken van reproduceerbare variant calling via één YAML-bestand, ongeacht de onderliggende workflow-engine.
• Validatielaag: Een robuuste controller die fouten in configuratie en compatibiliteit opvangt voordat de zware berekeningen beginnen.
• Ondersteuning voor diverse analyses:
  • Kern-DNA: WES en WGS pipelines (single-sample en cohort joint genotyping) volgens GATK Best Practices (zowel GATK 3.5 voor legacy als 4.6 voor huidige analyses).
  • Mitochondriaal DNA: Pipelines voor mtDNA variant calling met MToolBox, inclusief annotatie en interactieve HTML-rapporten.
• Federatieve inzetbaarheid: Ontworpen om te werken in heterogene HPC-omgevingen binnen federatieve onderzoeksprojecten (zoals het EU HEREDITARY project).

Resultaten en Validatie

Het framework is gevalideerd met real-world datasets binnen het CNAG HPC-omgeving:

1. Cohort: Een dataset van 1.111 samples (608 Parkinson-patiënten van dbGaP + 503 controles van het 1000 Genomes Project).
2. Gebruikssituatie 1: Kern-variant calling (WES):
   • Er werden twee strategieën vergeleken: single-sample calling (gevolgd door VCF-merging) versus cohort-level joint genotyping.
   • Resultaat: De joint genotyping-methode behield meer varianten die bij de single-sample methode werden gefilterd, wat de verwachte voordelen van cohort-level analyse bevestigt. De distributies van varianten en sequencing diepte (DP) waren consistent tussen de cohorts, wat aantoont dat er geen methodologische bias was.
3. Gebruikssituatie 2: Mitochondriale variant calling:
   • Succesvol uitgevoerd op ~95% van de samples.
   • De analyse toonde aan dat WES-data voldoende dekking biedt voor mtDNA in de meeste gevallen.
   • De verdeling van heteroplasmische varianten was consistent tussen de verschillende broncohorten, ondanks de verschillende oorspronkelijke sequencing-strategieën.
4. PCA-analyse: Toonde geen significante populatiestructuur of batch-effecten tussen de geïntegreerde datasets, wat de geschiktheid voor downstream-analyses bevestigt.

Betekenis en Impact

CBIcall lost een kritiek probleem op in de genomische gemeenschap: de reproduceerbaarheid van workflows in federatieve onderzoeksomgevingen. Door een configuratie-gedreven validatielaag te introduceren, stelt het onderzoekers in staat om:

• Identieke pipelines uit te voeren over verschillende instituties en HPC-systemen heen zonder handmatige aanpassingen.
• De integriteit van de data en de consistentie van de resultaten te garanderen, wat essentieel is voor grote, internationale samenwerkingen.
• De adoptie van best practices (zoals GATK Best Practices) te versnellen door "out-of-the-box" pipelines aan te bieden.

Het framework is open source (GPLv3) en is reeds succesvol ingezet in het EU Horizon Europe HEREDITARY-project, wat de praktische bruikbaarheid in productie-omgevingen bewijst.