Pre-binning correction of chimeric contigs reduces reference-discordant gene annotations in near-complete metagenome-assembled genomes

In de verborgen wereld van de menselijke darm, de oceaanbodem en de bodem onder onze voeten leven biljoenen microscopische organismen in complexe gemeenschappen. Wetenschappers kunnen de meeste van deze microben niet in een laboratorium kweken, dus vertrouwen ze op een techniek genaamd metagenomica om ze te bestuderen. In plaats van een enkele bacterie te isoleren, nemen onderzoekers een monster van de omgeving, sequencen al het DNA daarin, en gebruiken krachtige computers om de genetische code weer aan elkaar te puzzelen. Het doel is om het volledere genoom van individuele soorten te reconstrueren, waardoor een digitale blauwdruk ontstaat die bekend staat als een metagenoom-geassembleerd genoom. Deze blauwdrukken zijn essentieel voor het begrijpen van wat deze onzichtbare levensvormen doen en hoe ze met hun omgeving interageren. Het proces van het assembleren van deze genomen is echter als het proberen op te lossen van een enorme legpuzzel waarbij veel stukjes er identiek uitzien en de afbeelding op de doos ontbreekt. Soms plakt de computer per ongeluk stukjes van twee verschillende puzzels aan elkaar, waardoor er een enkele, lange DNA-streng ontstaat die bij twee verschillende organismen hoort.

Jarenlang hebben wetenschappers een standaardchecklist gebruikt om de kwaliteit van deze gereconstrueerde genomen te beoordelen. Ze zoeken naar specifieke, universele genen die elke bacterie zou moeten hebben. Als een genoom bijna al deze genen heeft en zeer weinig duplicaten, wordt het beschouwd als "bijna volledig" en betrouwbaar. Maar deze methode heeft een blinde vlek. Het kan je vertellen dat een genoom grotendeels compleet is, maar het kan niet zien of er een stuk vreemd DNA in het midden van een enkele streng is geplakt. Deze verborgen fout, bekend als een chimera, betekent dat het genoom er op papier perfect uit kan zien, terwijl het in werkelijkheid een mix is van twee verschillende soorten. Als het vreemde stukje een gen draagt voor een toxine of een ziekte, kan de wetenschapper ten onrechte geloven dat het onschadelijke organisme dat hij bestudeert gevaarlijk is. Dit is het probleem waar een team onderzoekers van de Hong Kong Baptist University en de Jiangxi University of Chinese Medicine zich op richtte. Ze ontdekten dat deze verborgen mix-ups veel vaker voorkomen dan men besefte, zelfs in genomen die aan alle standaard kwaliteitscontroles voldoen, en ze ontwikkelden een nieuwe tool om ze te herstellen voordat de definitieve analyse begint.

De onderzoekers onderzochten een enorme collectie gegevens uit acht verschillende testomgevingen, variërend van menselijke darmen tot plantenwortels. Ze ontdekten dat in bijna 70 procent van de hoogwaardige genomen die door één populaire computerprogramma werden gemaakt, en in ongeveer 20 procent van de door een ander gemaakt, er ten minste één geval was waarbij DNA van twee verschillende soorten aan elkaar was gefuseerd tot een enkele streng. In de meest getroffen gevallen maakten deze gefuseerde strengen bijna 4 procent van het gehele genoom uit. Belangrijker nog, deze gefuseerde secties bevatten vaak genen die niet bij het hoofdorganisme hoorden. In sommige gevallen bevatten de gefuseerde DNA-instructies voor virulentiefactoren, wat instrumenten zijn die bacteriën gebruiken om ziekte te veroorzaken. Omdat de standaard kwaliteitscontroles alleen keken naar de totale telling van universele genen, glipten deze gevaarlijke of vreemde instructies onopgemerkt door. Dit kon er potentieel toe leiden dat wetenschappers de mogelijkheden van de microben die ze bestuderen verkeerd identificeren.

Om dit aan te pakken, bouwde het team een nieuwe softwaretool genaamd DeepMM. In plaats van alleen genen te tellen, kijkt deze tool naar hoe de DNA-reads uitlijnen met het oorspronkelijke genetische materiaal. Stel je een lange DNA-streng voor als een weg; als een auto over een sectie rijdt waar het wegdek plotseling van textuur of kleur verandert, laat het een specifiek spoor achter. DeepMM scant de uitlijningsgegevens op deze subtiele "veranderingen in het wegdek", zoals plotselinge verschuivingen in hoe de DNA-fragmenten een plek dekken of hoe de fragmenten georiënteerd zijn. Het gebruikt een type kunstmatige intelligentie dat getraind is op miljoenen gesimuleerde scenario's om deze patronen te herkennen en precies aan te wijzen waar de fusie heeft plaatsgevonden. Zodra de software de plek vindt, knipt het de lange DNA-streng in twee afzonderlijke stukken voordat de computer probeert ze tot een genoom te groeperen. Dit stelt de software in staat om het juiste deel van de sequentie te behouden en het vreemde stuk weg te gooien, zodat het uiteindelijke genoom zuiver is.

Toen de onderzoekers deze nieuwe methode testten, waren de resultaten opmerkelijk. In de testdatasets was DeepMM aanzienlijk beter in het opsporen van deze verborgen fouten dan bestaande tools. Belangrijker nog, toen ze DeepMM gebruikten om de gegevens te zuiveren voordat de genomen werden opgebouwd, nam het aantal hoogwaardige, bijna volledige genomen dat ze konden terugwinnen daadwerkelijk toe. Het proces van het doorknippen van de gefuseerde strengen vernietigde de gegevens niet; in plaats daarvan stelde het de computer in staat om nauwkeuriger en completere genomen te assembleren. In de specifieke testgevallen waar ze de resultaten konden vergelijken met een bekende waarheid, verminderde de nieuwe methode het aantal vreemde genen met 35 procent en verlaagde het het aantal foutieve meldingen van ziektegerelateerde genen met 43 procent. Eén specifiek voorbeeld betrof een bacterie die schijnbaar een gen bezat voor een krachtig toxine. Nadat DeepMM de gefuseerde streng had gesplitst, werd duidelijk dat het toxine-gen toebehoorde aan een geheel andere bacterie en werd het uit het uiteindelijke genoom verwijderd, waardoor alleen de juiste genetische informatie overbleef.

De studie concludeert dat het vertrouwen op enkel standaard kwaliteitscontroles niet genoeg is om de nauwkeurigheid van microbiële genomen te garanderen. Zelfs wanneer een genoom volgens traditionele metrieken compleet en schoon lijkt, kan het nog steeds verborgen fouten bevatten die de biologie van het organisme vervormen. Door deze gefuseerde strengen te splitsen vóór de definitieve assemblage, kunnen wetenschappers voorkomen dat vreemd DNA hun gegevens besmet. Deze aanpak repareert niet alleen fouten; het verbetert ook de algehele terugwinning van genomen, waardoor onderzoekers een helderder beeld krijgen van de microbiële wereld. Hoewel de tool werd getest op specifieke datasets en gesimuleerde omgevingen, suggereren de bevindingen dat een eenvoudige stap van het controleren op en corrigeren van deze fusies de betrouwbaarheid van toekomstige studies naar de enorme, ongecultiveerde wereld van microben aanzienlijk kan verbeteren.