A pangenome-graph approach for mapping and imputing barley sequences

Stel je voor dat je een enorme bibliotheek probeert te organiseren, maar in plaats van boeken zijn de planken gevuld met de handleidingen voor het bouwen van levende wezens. Dit is de wereld van de genomics, de wetenschap van het lezen en begrijpen van het DNA dat elk plant, dier en mens uniek maakt. Een lange tijd probeerden wetenschappers deze bibliotheek te organiseren door slechts één enkel "perfect" boek als de masterkopie te kiezen. Ze vergeleken elk nieuw gevonden boek met deze ene masterkopie, uitgaande van het idee dat elke afwijking slechts typefouten of ontbrekende pagina's waren. Maar wat als de masterkopie hele hoofdstukken mist die andere boeken wel hebben? Wat als de "typefouten" eigenlijk hele nieuwe verhalen zijn? Dit is vooral lastig bij gewassen zoals gerst, die enorme, complexe handleidingen hebben vol herhalende patronen die moeilijk te lezen zijn. Wetenschappers geven hierom om, omdat als we voedsel willen verbouwen dat bestand is tegen droogte, plagen of veranderende klimaten, we het volledige beeld van genetische diversiteit moeten zien, en niet alleen de versie die in één enkele plant te vinden is.

Ontmoet de onderzoekers achter deze nieuwe studie, die besloten dat ze niet langer een enkel masterboek zouden gebruiken, maar in plaats daarvan een gigantische, onderling verbonden kaart van de hele gerstfamilie zouden bouwen. Ze begonnen met het bestaande "MorexV3" referentiegenoom, wat als het meest complete enkele boek is dat ze hadden, maar ze realiseerden zich dat dit niet genoeg was om de wilde variëteit van gerst te vangen die in velden over de hele wereld te vinden is. Dus construeerden ze iets dat een "Pan20" wordt genoemd, een pangenoom-grafiek. Denk aan dit grafiek niet als een rechte lijn van tekst, maar als een uitgestrekt metrostelsel. In een normaal boek lees je van begin tot eind in een rechte lijn. In deze metrokaart vertakken de sporen (DNA-sequenties) zich, maken ze lussen en verbinden ze zich weer. Sommige stations (genen) liggen op elke metrolijn, terwijl andere stations alleen op specifieke routes liggen die door bepaalde gerstvariëteiten worden bewandeld. Deze grafiek legt de "globale diversiteit" van landrassen en cultivar vast, wat betekent dat het de genetische geheimen bevat van gersttypen die het oude enkele boek volledig heeft gemist.

Om deze kaart bruikbaar te maken, moest het team uitzoeken hoe ze een nieuw, onbekend stukje gerst-DNA konden plaatsen en waar het op dit complexe metrosysteem past. Ze bedachten een slimme tweestapsstrategie. Eerst gebruikten ze een tool genaamd GMAP om een ruwe indicatie te krijgen van waar het stukje thuishoort, een beetje zoals het gebruiken van een GPS om de algemene buurt te vinden. Daarna gebruikten ze een "Practical Haplotype Graph" (PHG) om in te zoomen en de exacte halte te vinden. Dit is vergelijkbaar met het nemen van die GPS-locatie en vervolgens een gedetailleerde lokale kaart te raadplegen om te zien op welke specifieke busroute je je bevindt. Deze methode stelt hen in staat om "presence-absence variation" te detecteren, wat een chique manier is om te zeggen dat ze kunnen zien of een specifiek stukje DNA aanwezig is of geheel ontbreekt, in plaats van alleen te kijken naar kleine spelfouten. Cruciaal is dat dit systeem alles afstemt op het oorspronkelijke MorexV3-coördinatenstelsel, zodat wetenschappers nog steeds met elkaar kunnen communiceren met behulp van dezelfde kaartcoördinaten, zelfs als ze naar totaal verschillende genetische paden kijken.

De resultaten van het testen van deze nieuwe grafiek waren zeer onthullend. Toen ze probeerden lange strengen gerst-DNA en RNA (de werkversies van de instructies) tegen deze grafiek te mappen, werkte het prachtig. Sterker nog, ze ontdekten dat ongeveer een derde van de lange genomische sequenties die ze testten, helemaal niet op het oorspronkelijke referentiegenoom pasten; ze maakten alleen zin wanneer ze op de "niet-referente" delen van de grafiek werden geplaatst. Dit bewijst dat het vertrouwen op een enkel boek een enorme brok van het verhaal achterhield. Bovendien testten ze dit met echte data van "Genotyping by Sequencing" en "low-pass sequencing" (methoden om DNA snel en goedkoop te lezen, maar niet perfect). De grafiek verwerkte deze rommelige, onvolledige databestanden efficiënt, waarbij ze de ontbrekende gaten succesvol invulden (imputatie) terwijl de lokale context van de genetische "buurt" intact bleef.

Het artikel suggereert dat dit flexibele kader een gamechanger is voor gerstonderzoekers. Het stelt hen in staat om de genetische diversiteit te verkennen voorbij een enkel referentiepunt en groepen planten te analyseren op het niveau van volledige haplotypes (blokken genen die samen worden overgeërfd), in plaats van alleen te kijken naar individuele letterveranderingen (SNPs). Hoewel het artikel niet beweert dat dit alle problemen in de landbouw oplost, demonstreert het dat de grafiek nauwkeurig sequenties kan afstemmen en de complexe context van het genoom kan behouden. Het team heeft hun tools publiekelijk beschikbaar gesteld, inclus�n een Docker-container voor een eenvoudige installatie en een webapplicatie waar mensen hun eigen sequenties kunnen mappen, waarmee zij de wetenschappelijke gemeenschap uitnodigen om samen de rijke, vertakkende geschiedenis van gerst te verkennen.