Learning alignment topology improves structural variant discovery from long-read sequencing

Het menselijk genoom wordt vaak beschreven als een boek van het leven, een enorme sequentie van chemische letters die het lichaam instructies geven over hoe het zichzelf moet opbouwen en onderhouden. Decennialang hebben wetenschappers dit boek met toenemende snelheid kunnen lezen, maar ze hadden moeite om de typefouten te vinden die er het meest toe doen. Terwijl sommige fouten slechts bestaan uit enkele letters die door andere zijn vervangen, zijn de gevaarlijkste fouten vaak grote structurele veranderingen. Dit zijn secties van de genetische code die worden verwijderd, verdubbeld, ondersteboven worden gekeerd of op de verkeerde plek worden ingevoegd. Dergelijke grootschalige herschikkingen kunnen de instructies van het lichaam verstoren, wat leidt tot ernstige genetische stoornissen, ontwikkelingsstoornissen en kanker.

Lange tijd was het opsporen van deze grote fouten alsof men probeerde een ontbrekende paragraaf in een roman te vinden door de tekst woord voor woord te lezen. De technologie om het genoom te lezen is verbeterd, met nieuwere machines die in staat zijn om veel langere stukken tekst in één keer te lezen. Echter, er ontstond een nieuw probleem: zelfs met deze lange fragmenten bleef het proces van het weer aan elkaar puzzelen om de fouten te vinden rommelig. De signalen die een grote verandering aangeven, zijn vaak verspreid, inconsistent of verborgen binnen repetitieve secties van het genoom die de computerprogramma's die ze moeten vinden, in verwarring brengen. Wanneer deze programma's proberen het bewijs te groeperen, missen ze vaak de werkelijke fouten of creëren ze valse alarmen, vooral wanneer de veranderingen klein of complex zijn.

Een team van onderzoekers heeft een nieuwe aanpak ontwikkeld om dit puzzelstuk op te lossen, waarbij ze afstapten van rigide regels en kozen voor een meer flexibele manier om de data te begrijpen. In plaats van simpelweg te kijken naar waar de stukken van het genoom op elkaar aansluiten, kijkt hun nieuwe tool, genaamd SGraSV, naar de relaties tussen de stukken. Stel je voor dat je probeert een specifiek persoon te identificeren in een overvolle kamer. Een traditionele methode zou alleen kunnen kijken naar iemand die op een specifieke coördinaat op de vloer staat. Als die persoon een klein beetje beweegt of als de menigte verschuift, faalt de zoekopdracht. De nieuwe methode kijkt echter naar het volledige patroon van hoe mensen ten opzichte van elkaar staan. Het begrijpt dat een groep mensen die in een specifieke formatie staat een signaal is, zelfs als de formatie iets verschuift of als sommige mensen gedeeltelijk verborgen zijn.

De onderzoekers bouwden dit systeem door een computer te leren de subtiele patronen te herkennen die een echte genetische verandering onderscheiden van de ruis van het sequencingproces. Ze begonnen met het opdelen van de ruwe data van long-read sequencingmachines in kleine, gedetailleerde beschrijvingen. Deze beschrijvingen bevatten niet alleen waar het DNA is gesneden of samengevoegd, maar ook de lokale chemische omgeving en de kwaliteit van de overeenkomst. De computer gebrude vervolgens een leerproces om deze beschrijvingen om te zetten in een compacte, wiskundige handtekening die de essentie van het signaal vastlegde. Door duizenden van deze handtekeningen te analyseren, leerde het systeem ze te groeperen op basis van hun onderliggende structuur in plaats van alleen hun fysieke locatie. Dit stelde het systeem in staat om te zien dat een verzameling verspreide, enigszins rommelige signalen in feite toebehoorde aan één enkel, samenhangend evenement, terwijl andere verspreide signalen slechts willekeurige fouten waren.

Toen het team deze nieuwe tool testte tegen bestaande methoden, waren de resultaten opmerkelijk. Ze draaiden het systeem op data van verschillende verschillende sequencingmachines, waaronder die van PacBio en Oxford Nanopore, die verschillende chemische processen gebruiken om het DNA te lezen. In elk geval vond de nieuwe tool meer echte genetische veranderingen en maakte minder fouten dan de standaardprogramma's. De verbetering was bijzonder merkbaar bij de moeilijkste soorten fouten: kleine veranderingen tussen de 50 en 200 letters lang, en complexe herschikkingen waarbij secties van DNA worden verdubbeld of geïnverteerd. In deze lastige zones faalden oudere tools vaak, waarbij ze de veranderingen volledig misten of één enkel evenement opdeelden in verschillende verwarrende fragmenten. Het nieuwe systeem hield de stukken echter bij elkaar, identificeerde het evenement correct en bepaalde de locatie ervan met hoge precisie.

De onderzoekers testten de tool ook op een grote collectie menselijke genomen uit het 1000 Genomes Project, een massaal internationaal inspanning om de menselijke genetische diversiteit in kaart te brengen. Ze pasten het systeem toe op 65 individuen die op twee verschillende soorten machines waren gesequenced. De tool produceerde bijna identieke resultaten op beide machines, wat aantoonde dat het dezelfde genetische veranderingen kon vinden, ongeacht de technologie die werd gebruikt om ze te lezen. Deze consistentie is cruciaal voor grootschalige studies waarbij monsters mogelijk in verschillende laboratoria of met verschillende apparatuur worden verwerkt. Bovendien, toen de onderzoekers keken naar hoe de tool presteerde op mobiele genetische elementen — virale-achtige sequenties die rondspringen in het genoom — slaagde het erin de volledige lengte van deze inserties te herstellen. Oudere tools braken deze sequenties vaak in stukken, waardoor ze moeilijk te bestuderen waren, maar het nieuwe systeem behield hun structuur en bood een helderder beeld van hoe deze elementen bewegen en het genoom beïnvloeden.

Om te begrijpen waarom de tool zo goed werkte, keken de onderzoekers in het besluitvormingsproces. Ze ontdekten dat het systeem niet vertrouwde op één enkele factor, zoals hoeveel reads een verandering ondersteunden. In plaats daarvan weegden ze de "coherentie" van het bewijs. Het vroeg zich af of de ondersteunende signalen een nauw, logisch groep vormden in de abstracte ruimte die de computer had geleerd. Als de signalen verspreid en inconsistent waren, identificeerde het systeem ze correct als ruis. Als ze een coherent patroon vormden, zelfs als ze iets rommelig waren, herkende het systeem dit als een echt evenement. Dit vermogen om de kwaliteit van de relatie tussen signalen te beoordelen, in plaats van ze alleen maar te tellen, bleek de sleutel tot hun succes te zijn.

De studie benadrukte ook een afweging. Omdat het systeem deze diepe analyse van relaties uitvoert, vereist het meer rekenkracht dan eenvoudigere, op regels gebaseerde tools. Het duurt langer om te draaien en verbruikt meer geheugen. De onderzoekers betogen echter dat deze kosten gerechtvaardigd zijn wanneer het doel is om de moeilijkste en biologisch belangrijkste veranderingen te vinden. Voor studies die zeldzame ziekten moeten detecteren, complexe genetische herschikkingen moeten begrijpen of genomen over verschillende sequencingplatforms moeten vergelijken, biedt de extra nauwkeurigheid die deze nieuwe aanpak biedt een aanzienlijk voordeel.

Door de focus te verleggen van eenvoudige coördinaten naar de topologie van het bewijs, suggereert dit werk een nieuwe weg voorwaarts voor genoomonderzoek. Het demonstreert dat de manier waarop we signalen combineren even belangrijk is als de signalen zelf. Terwijl wetenschappers doorgaan met het in kaart brengen van het menselijk genoom en het zoeken naar de oorzaken van ziekten, zullen tools die de complexiteit en ruis van de data met dit niveau van verfijning kunnen navigeren, essentieel zijn. De bevindingen bevestigen dat het leren van de structuur van het bewijs ons in staat stelt het genoom duidelijker te zien, waardoor de verborgen fouten die onze gezondheid en biologie vormen, aan het licht komen.