deluxpore: a Nextflow pipeline for demultiplexing Illumina dual-indexed Nanopore libraries

Dit artikel introduceert deluxpore, een Nextflow-pijplijn die het demultiplexen van Nanopore-lezingen uit Illumina-dubbel-geïndexeerde bibliotheken mogelijk maakt door BLAST-uitlijning en Levenshtein-afstand te combineren, waarmee betrouwbare analyse van hybride capture-sequencing-workflows wordt gegarandeerd.

De kern

Stel je voor dat je een enorme bibliotheek hebt vol met boeken (de DNA-sequenties) van duizenden verschillende schrijvers (microben). Je wilt alleen de boeken lezen van een paar specifieke, zeldzame schrijvers. Om dat te doen, gebruik je een speciale "magische vergrootglas" (target capture) die alleen die specifieke boeken uit de stapel haalt.

Nu komt het probleem: je hebt twee soorten bibliothecarissen die samenwerken, maar ze spreken een heel andere taal.

1. De Nanopore-bibliothecaris: Deze kan hele lange zinnen in één keer lezen (long-reads), maar is een beetje slordig. Hij maakt vaak spelfouten (hoge foutenratio).
2. De Illumina-bibliothecaris: Deze is supernauwkeurig, maar leest alleen korte stukjes.

In het verleden kon je deze twee niet goed laten samenwerken. Als je de boeken eerst voor de nauwkeurige bibliothecaris voorbereidde (met speciale labels of "indexen"), kon de slordige Nanopore-bibliothecaris die labels niet meer lezen omdat hij ze door zijn eigen fouten verdraaide. Het was alsof je een postzegel op een envelop plakt, maar de postbode de envelop zo beschadigt dat je de postzegel niet meer kunt zien.

Wat is "deluxpore"?
De auteurs van dit papier hebben een slimme nieuwe robot gebouwd, genaamd deluxpore. Deze robot is een vertaler en sorterder in één.

Hier is hoe het werkt, in alledaagse termen:

• Het probleem: De Nanopore-bibliothecaris leest de lange zinnen, maar de "labels" (de indexen) op de enveloppen zijn vaak beschadigd of staan op een rare plek door de slordigheid van de lezer.
• De oplossing van deluxpore: In plaats van te proberen de beschadigde labels letterlijk te lezen, kijkt de robot naar de rest van de envelop (de adapter). Hij zoekt naar een stukje dat lijkt op het label, zelfs als er een paar letters missen of verkeerd zijn.
  • Hij gebruikt een slimme zoekmethode (BLAST) om te zien: "Ah, dit stukje lijkt wel op het label van Schrijver A!"
  • Vervolgens meet hij hoe groot het verschil is tussen wat hij ziet en wat hij verwacht (Levenshtein-afstand). Zie je één letter verschil? Dan is het waarschijnlijk Schrijver A. Zie je er drie? Dan is het misschien Schrijver B.
• De slimme truc: De robot is ook erg streng over welke labels hij accepteert. Als je een label gebruikt dat te veel op een ander lijkt (zoals "A" en "A" met één puntje verschil), verwart de robot het. De auteurs hebben daarom een lijst gemaakt van de beste label-combinaties die nooit met elkaar verward worden.

Wat hebben ze ontdekt?
Ze hebben dit getest met 18 verschillende proeven (alsof ze 18 keer dezelfde bibliotheek sorteerden).

• Kwaliteit is key: Als de Nanopore-robot te slordig is (te veel fouten, lage kwaliteit), faalt de sortering. Maar als de kwaliteit goed is (minimaal Q20, wat betekent "niet te slordig"), werkt het perfect.
• Unieke labels werken beter: Als je elk boek een uniek label geeft dat niemand anders heeft, werkt de robot fantastisch (91,7% succes). Als je probeert labels te combineren (zoals "Rood" + "Blauw" voor de ene schrijver en "Rood" + "Groen" voor de andere), wordt het veel moeilijker en gaan er veel boeken verloren.
• Het resultaat: Met de juiste instellingen en de beste label-combinaties, kan deze robot nu 95% van de boeken correct sorteren, zelfs als de Nanopore-robot wat slordig is.

Kortom:
deluxpore is de slimme vertaler die het mogelijk maakt om de krachtige, lange leesmethode van Nanopore te combineren met de precieze voorbereidingstechnieken van Illumina. Het lost het probleem op van "beschadigde labels" door slim te gokken op basis van gelijkenis, waardoor wetenschappers nu veel beter zeldzame microben kunnen vinden en bestuderen. Het is alsof je eindelijk een systeem hebt dat beschadigde postzegels toch correct kan herkennen, zodat je post nooit meer verkeerd bezorgd wordt.

Technische samenvatting

Titel: deluxpore: Een Nextflow-pipeline voor het demultiplexen van Illumina-dual-indexed Nanopore-bibliotheken

1. Het Probleem

De combinatie van target capture metagenomics (selectieve verrijking van specifieke genen) en long-read sequencing (Oxford Nanopore Technologies, ONT) biedt een krachtige methode om zeldzame microben en hun functionele genen te karakteriseren. Er bestaat echter een fundamentele incompatibiliteit tussen bestaande target capture protocollen (ontworpen voor Illumina) en ONT-bibliotheekvoorbereiding.

• Huidige oplossing: Een hybride aanpak waarbij eerst Illumina-bibliotheken worden voorbereid (met dual-indexing), deze worden verrijkt via target capture, en vervolgens worden geconverteerd naar een ONT-compatibele bibliotheek.
• De beperking: Standaard Illumina-demultiplexers kunnen deze data niet verwerken. Nanopore-sequencing heeft een aanzienlijk hogere foutenrate (5–15% vs. 0,1–1% bij Illumina) en vertoont variabiliteit in de positie van sequenties. Hierdoor worden de korte index-sequenties (barcodes) vaak verduisterd of verkeerd geïnterpreteerd, en kunnen traditionele algoritmes geen rekening houden met indexen die in resterende adapterfragmenten zitten. Er ontbreekt dus gespecialiseerde software voor dit specifieke scenario.

2. Methodologie: deluxpore

deluxpore is een geautomatiseerde Nextflow-pipeline (geschreven in Python en Bash) die specifiek is ontworpen om Nanopore-lezingen te demultiplexen die afkomstig zijn van Illumina dual-indexed bibliotheken (NEBNext en Nextera).

Kernstappen van de workflow:

1. Trimming en filtering: Verwijdering van Nanopore-adapters en filtering van reads met lage kwaliteit.
2. Adapter-identificatie: Gebruik van BLAST-alignering tegen een aangepaste database die alleen de volledige oligo-sequenties bevat uit het experimentele ontwerp. Dit verlaagt de rekenlast en voorkomt valse matches.
3. Index-extractie en matching:
   • De unieke index-sequenties (i5 en i7) worden geëxtraheerd uit vaste posities naast de gemapte adapterregio's.
   • Er wordt een vergelijking gemaakt met een referentiebibliotheek van indexen met behulp van de Levenshtein-afstand (edit distance) om de beste match te vinden ondanks sequencing-fouten.
4. Toewijzing (Assignment): Een hiërarchische logica bepaalt de sample-toewijzing op basis van:
   • De laagste Levenshtein-afstand.
   • De positie van de index in de read (i5 dichter bij het begin, i7 dichter bij het einde).
   • Validatie tegen het experimentele ontwerp.
   • Flexibiliteit: Het systeem ondersteunt zowel dual-index toewijzing (waarbij beide indexen uniek moeten zijn voor een sample) als single-index toewijzing (waarbij één unieke index voldoende is), wat de herwinning van reads maximaliseert als één index faalt.

3. Belangrijkste Resultaten en Benchmarking

De auteurs hebben de pipeline getest met gesimuleerde datasets (via BadRead) met verschillende kwaliteitsniveaus (Q10 tot Q30) en twee experimentele ontwerpen: een 96-sample dataset (combinatorisch) en een 8-sample dataset (unieke toewijzing).

• Invloed van Datakwaliteit: Accurate demultiplexing vereist minimaal Q20 datakwaliteit.
• Invloed van het Experimenteel Ontwerp:
  • Combinatorisch ontwerp (96 samples): Waar indexen worden gedeeld tussen samples, daalt de herwinning sterk bij lagere kwaliteit (11,8% bij Q10). Zelfs bij Q20 is de herwinning beperkt.
  • Uniek ontwerp (8 samples): Waar elke index uniek is voor een sample, wordt 91,7% herwinning bereikt bij Q20 en >96% bij Q25/Q30.
• Cross-talk en Foutpatronen:
  • De analyse identificeerde specifieke "hotspots" van verwarring binnen de NEBNext Primer Set A, met name bij i7-indexparen zoals i704-i706, i7010-i702 en i7011-i7012.
  • Door deze hoog-risico paren te verwijderen in het geoptimaliseerde 8-sample ontwerp, werd de nauwkeurigheid bij Q20 gestegen tot >98%.
• Oorzaak van mislukking: De meeste mislukte toewijzingen werden veroorzaakt door sequencing-truncatie (te korte reads die de index niet volledig bevatten) en niet door slechte base-calling van de indexregio's zelf.

4. Belangrijkste Bijdragen

1. Software: Introductie van deluxpore, de eerste gespecialiseerde tool voor het demultiplexen van hybride Illumina-Nanopore data, beschikbaar via GitHub onder GNU GPL v3.0.
2. Validatie: Uitgebreide benchmarking die aantoont dat hybride indexing haalbaar is, mits er rekening wordt gehouden met kwaliteit en index-ontwerp.
3. Best Practices: Een aanbevolen configuratie voor target capture workflows: gebruik van unieke dual-index-to-sample relaties en het vermijden van bekende cross-talk paren (zoals i704-i706), gecombineerd met een minimale kwaliteit van Q20.

5. Significatie

Dit werk sluit een kritieke kloof in de bio-informatica voor long-read sequencing. deluxpore maakt het mogelijk om bestaande, robuuste target capture protocollen (ontworpen voor Illumina) te integreren met de voordelen van long-read sequencing (volledige gencontext). Dit opent de deur voor het efficiënt karakteriseren van zeldzame microbiële taxa en functionele genen in complexe gemeenschappen, wat eerder beperkt was door de incompatibiliteit van de technologieën. De pipeline biedt een betrouwbare, geautomatiseerde oplossing voor onderzoekers die werken met hybride capture-long-read workflows.