TIR-Learner v4: Accelerated annotation of terminal inverted repeat transposons

Het verhaal van het leven is geschreven in een code die zowel ongelooflijk eenvoudig als verbijsterend uitgestrekt is. Elk levend wezen, van een klein mosje tot een blauwe vinvis, draagt zijn instructies in lange strengen DNA, een moleculair script dat bepaalt hoe een organisme groeit, functioneert en zich voortplant. Decennialang hebben wetenschappers deze scripts kunnen lezen, maar het enorme volume aan gegevens is zo snel gegroeid dat de instrumenten die worden gebruikt om ze te analyseren, moeite hebben om het bij te houden. Binnen deze genetische instructies zijn er secties die fungeren als biologische kopiëren-en-plakken-opdrachten. Deze staan bekend als transponeerbare elementen, of "springende genen", die door het genoom kunnen bewegen, wat soms mutaties veroorzaakt of evolutie aanstuurt. Een specifiek type, genaamd terminale inversere herhalings-transposonen, komt bijzonder veel voor in complexe levensvormen zoals gewervelde dieren. Het begrijpen van waar deze elementen zich bevinden en hoe ze zich gedragen, is cruciaal voor een compleet beeld van de genetische opbouw van een dier, maar het vinden ervan in de enorme, recent samengestelde genomen van vandaag is een taak die te traag is geworden voor de software van het verleden.

Een team van onderzoekers aan The Ohio State University, onder leiding van Shujun Ou en Kenji Gerhardt, heeft deze flessenhals aangepakt met een volledige herziening van hun software, waarbij een nieuwe versie genaamd TIR-Learner v4 is uitgebracht. De vorige versie van dit programma was in principe effectief bij het vinden van deze genetische elementen, maar was gebouwd op een ouder ontwerp dat verstikte wanneer het werd geconfronteerd met de grootste genomen die bestaan. Wanneer wetenschappers de oude software probeerden te gebruiken op de bijna volledige genomen van enorme dieren zoals de axolotl of de Afrikaanse longvis, liep het programma uit het geheugen of duurde het dagen om een taak te voltooien die minuten had moeten duren. De nieuwe versie is niet slechts een kleine update; het is een volledige herschrijving van de code die de zoekopdracht aanstuurt. Door de kernmotoren van de software te herbouwen in een efficiëntere programmeertaal en de manier waarop de computer de gegevens verwerkt te herstructureren, heeft het team het proces met een factor honderd versneld.

De onderzoekers demonstreerden de kracht van deze nieuwe tool door het toe te passen op de volledige eerste fase van het Vertebrate Genomes Project, een massaal internationaal inspanning om het DNA van elke gewervelde soort op aarde te sequencen. Deze collectie omvat 579 verschillende soorten, variërend van kleine vissen tot grote zoogdieren, wat een totaal van 1,22 biljoen basen aan genetische sequentie vertegenwoordigt. Met de oude software zou het annoteren van deze genomen een logistieke nachtmerrie zijn geweest, die waarschijnlijk weken of maanden zou duren en enorme rekenkracht zou vereisen. Met TIR-Learner v4 verwerkte het team alle 579 genomen in net meer dan vier uur. In deze tijdspanne identificeerde en bracht de software de terminale inversere herhalings-transposonen succesvol in kaart over de gehele dataset, een prestatie die voorheen onmogelijk was vanwege de beperkingen van het oudere programma.

De versnelling werd bereikt door te veranderen hoe de software het werk verdeelt. In plaats van te proberen een heel genoom tegelijk te verwerken, wat de computer het geheugen overbelast, snijdt het nieuwe systeem de genetische code in kleine, hanteerbare stukjes. Het wijst deze stukjes vervolgens toe aan verschillende delen van de computer om gelijktijdig aan het werk te gaan. De onderzoekers vervingen ook de trage, zware algoritmen die werden gebruikt om de specifieke patronen van deze springende genen te vinden door veel snellere, gestroomlijnde versies. Een van de belangrijkste verbeteringen was het oplossen van een fout in de manier waarop de software de gelijkenis tussen genetische sequenties mat. De oude versie maakte soms berekeningsfouten waardoor geldige genetische elementen werden weggegooid, met name die met kleine inserties of deleties. De nieuwe versie corrigeert dit, waardoor de uiteindelijke kaart van het genoom nauwkeuriger en completer is.

Deze vooruitgang betekent dat de zoektocht naar deze genetische elementen geen barrière meer vormt voor wetenschappelijke ontdekking. De software is nu in staat om genomen van elke grootte te verwerken, van de kleinste tot de grootste, zonder te vertragen of vast te lopen. De onderzoekers ontdekten dat de tijd die nodig is om het programma uit te voeren in een rechte, voorspelbare lijn groeit met de grootte van het genoom, in plaats van exponentieel te exploderen zoals voorheen. Bovendien is de nieuwe software ontworpen om zeer geheugenefficiënt te zijn, waarbij een constante hoeveelheid computergeheugen wordt gebruikt, ongeacht hoe groot het genoom is. Dit stelt wetenschappers in staat om het programma op standaard computerclusters uit te voeren zonder dat er gespecialiseerde, dure hardware nodig is.

De implicaties van dit werk reiken verder dan alleen snelheid. Door het annoteren van deze genetische elementen snel en betrouwbaar te maken, opent de nieuwe tool de deur voor onderzoekers om de evolutionaire geschiedenis van gewervelde dieren in veel meer detail te bestuderen. De software is al publiekelijk beschikbaar gemaakt, zodat andere wetenschappers het kunnen toepassen op hun eigen onderzoek. Het team merkt op dat hoewel de huidige versie een model gebruikt dat getraind is op bestaande gegevens, de enorme hoeveelheid nieuwe informatie gegenereerd door projecten zoals het Vertebrate Genomes Project in de toekomst zelfs betere modellen zal mogelijk maken. Naarmate er meer genomen worden gesequenced, zal de bibliotheek van bekende genetische elementen groeien, en kan de software opnieuw getraind worden om nog nauwkeuriger te worden. Voor nu is de belangrijkste prestatie duidelijk: een tool die ooit een blokkade was, is getransformeerd in een hogesnelheidsmotor, in staat om de genetische blauwdrukken van het leven te verwerken op een tempo dat past bij de snelle expansie van genomische gegevens.