Towards standards for analysing structural variants from short-read whole genome sequencing data

Onze genetische code is geschreven in een lange, draaiende ladder van DNA, maar soms worden de instructies herschikt op manieren die te groot zijn om als eenvoudige typefouten te worden gezien. Deze grootschalige veranderingen, bekend als structurele varianten, betreffen brokken DNA van vijftig letters of meer die zijn verwijderd, gekopieerd, omgedraaid of naar een nieuwe locatie zijn verplaatst. Hoewel wetenschappers al lang weten dat deze herschikkingen een grote rol spelen bij zowel zeldzame ziekten als gemeenschappelijke eigenschappen, is het opsporen ervan moeilijk gebleken. Jarenlang vertrouwde de standaardmethode voor het lezen van ons DNA op short-read sequencing, een techniek die het genoom in kleine fragmenten hakt, ze leest en vervolgens probeert ze weer aan elkaar te puzzelen als een versnipperd boek. Deze methode werkt goed voor het vinden van kleine fouten, maar heeft vaak moeite om het grote plaatje te zien, waardoor onderzoekers er niet zeker van zijn waar een grote herschikking precies begint en eindigt. Zonder een duidelijke, algemeen aanvaarde standaard voor hoe men deze grote veranderingen vindt en meet, was het vergelijken van resultaten tussen verschillende studies als het proberen te vergelijken van kaarten getekend door verschillende cartografen die verschillende schalen gebruikten.

Een team van onderzoekers zette zich scharpe om deze verwarring op te lossen door te testen hoe goed huidige computerprogramma's in staat zijn om deze grote DNA-herschikkingen te vinden met behulp van short-read data. Ze verzamelden een collectie bekende, geverifieerde DNA-veranderingen — in feite een "truth set" waarbij de exacte locatie en grootte van elke variant al bekend zijn — en gebruikten deze als een testveld. Ze draaiden zestien verschillende softwaretools en vier belangrijke gecombineerde pipelines — dat zijn workflows die meerdere tools tegelijkertijd draaien om meer varianten te vangen — tegen dit truth set. Het doel was om te zien welke programma's de exacte start en het einde van een DNA-verandering konden aanwijzen, tot op de enkele letter nauwkeurig, in plaats van alleen de algemene omgeving te raden.

De resultaten onthulden een verrassend gebrek in de huidige werkwijze van het vakgebied. Hoewel individuele softwaretools vaak goed presteerden bij het vinden van de exacte locatie van een deletie of insertie, presteerden de gecombineerde pipelines waarop veel grootschalige studies vertrouwen, in werkelijkheid slechter. Wanneer deze pipelines de resultaten van meerdere tools samenvoegden om een enkele lijst met varianten te creëren, verloren ze vaak de precieze details. In veel gevallen verminderde de gecombineerde aanpak het aantal perfect nauwkeurige overeenkomsten met maar liefst negentigentachtig procent vergeleken met de beste individuele tool. Dit suggereert dat de methode die wordt gebruikt om de gegevens te combineren, fouten introduceert en de scherpe randen van de DNA-veranderingen vervaagt. Omdat belangrijke publieke databases van menselijke genetische variatie zijn gebouwd met behulp van deze zelfde gecombineerde pipelines, betekent de onnauwkeurigheid die in de studie werd gevonden waarschijnlijk dat veel bestaande records van menselijke DNA-verschillen onnauwkeurige metingen bevatten van waar deze veranderingen precies optreden.

Om dit aan te pakken, testten de onderzoekers een nieuwe strategie voor het combineren van de gegevens. In plaats van de software de resultaten automatisch te laten samenvoegen op basis van losse regels, creëerden ze een systeem dat de meest nauwkeurige tool prioriteert voor elk specifiek type en grootte van DNA-verandering. Bijvoorbeeld: de ene tool is misschien het beste in het vinden van kleine deleties, terwijl een andere beter is in het vinden van grote deleties. Door de beste tool voor de specifieke taak de leiding te geven en alleen extra bevindingen van andere tools toe te voegen wanneer deze niet conflicteren, creëerde het team een nieuwe set resultaten. Deze aanpak herstelde meer perfect nauwkeurige overeenkomsten dan welke van de standaard gecombineerde pipelines die werden getest, ook maar. Wanneer ze deze nieuwe resultaten vergeleken met onafhankelijke databases gebouwd uit long-read sequencing — een meer geavanceerde technologie die langere stukken DNA leest zonder ze op te hakken — toonde de nieuwe methode een veel hogere overeenkomst. Het vond dat de standaard pipelines veel echte veranderingen misten, met name in complexe, repetitieve regio's van het genoom waar DNA-sequenties zichzelf herhalen.

De studie benadrukt dat de manier waarop onderzoekers momenteel gegevens van verschillende softwaretools combineren, een significante bottleneck vormt in het begrijpen van de menselijke genetica. De bevindingen suggereren dat het simpelweg samen draaien van meer tools niet garandeert dat de resultaten beter worden; het kan zelfs de nauwkeurigheid van de uiteindelijke gegevens verslechteren. Door een meer zorgvuldige, op prioriteit gebaseerde aanpak te hanteren voor het samenvoegen van deze bevindingen, kunnen wetenschappers een completere en preciezere kaart van structurele varianten genereren. Deze verbetering is van vitaal belang voor toekomstig onderzoek, aangezien het weten van de exacte grenzen van een DNA-verandering essentieel is voor het begrijpen of het een gen verstoort of een ziekte veroorzaakt. Het werk biedt een duidelijk pad voorwaarts voor het vaststellen van betere standaarden, zodat de genetische kaarten die door onderzoekers wereldwijd worden gebruikt, zo nauwkeurig en gedetailleerd mogelijk zijn.