Cross-Platform Evaluation of Long-Read Sequencing for DNA Methylation and Portability of Methylation Predictors
Deze studie toont aan dat hoewel long-read sequencingtechnologieën (ONT en PacBio) een brede methyloomdekking bieden en de draagbaarheid van grootschalige methylatievoorspellers ondersteunen, hun huidige kruisplatformovereenstemming op individuele CpG-sites nog onvoldoende is voor directe substitutie van Illumina EPIC-arrays zonder verhoogde sequentiediepte, kalibratie en platformspecifieke validatie.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Menselijke cellen dragen een verborgen laag instructies die bovenop de genetische code ligt en fungeert als een dimschakelaar die genen harder of zachter zet zonder de letters van het DNA zelf te veranderen. Deze laag, bekend als DNA-methylering, is een chemische tag die zich aan specifieke plekken langs het genoom hecht en helpt te bepalen hoe een cel zich gedraagt, hoe oud hij lijkt en of hij gezond of ziek is. Decennialang hebben wetenschappers vertrouwd op een standaard laboratoriuminstrument om deze tags te lezen, een methode die goed werkt maar slechts een fractie controleert van de miljoenen plekken waar deze tags kunnen voorkomen. Het is alsof je probeert het weer te begrijpen door slechts naar een paar ramen in een enorm huis te kijken. Onlangs zijn er nieuwe technologieën opgekomen die beloven de tags over het gehele genoom te lezen zonder het DNA-monster te vernietigen, wat een veel breder uitzicht biedt. Voordat wetenschappers deze nieuwe instrumenten echter kunnen vertrouwen voor grootschalige studies, moeten ze weten of de verschillende machines met elkaar overeenstemmen en of de oude regels voor het interpreteren van de gegevens nog steeds van toepassing zijn.
Een team van onderzoekers zette zich scharpe om deze nieuwe long-read sequencingmachines, die van twee verschillende bedrijven komen, te testen tegenover de gevestigde standaard. Ze namen bloedmonsters van mensen uit twee grote groepen en haalden deze door drie verschillende systemen: de oude standaardmethode en de twee nieuwe long-read machines. Het doel was om te zien of de nieuwe machines dezelfde informatie konden vastleggen als de oude, en of de nieuwe machines met elkaar overeenkwamen. De onderzoekers ontdekten dat beide nieuwe machines bijna het hele genoom konden scannen en ongeveer achtentwintig miljoen plekken vonden waar methyleringstags konden bestaan, een enorme verbetering ten opzichte van de standaardmethode die slechts enkele honderdduizenden bekijkt. Deze brede dekking is een belangrijke stap voorwaarts, waardoor wetenschappers regio's van het genoom kunnen zien die voorheen onzichtbaar waren voor grootschalige studies.
Wanneer de onderzoekers echter de specifieke aantallen vergeleken die de machines voor dezelfde plek bij dezelfde persoon produceerden, was de overeenkomst niet perfect. Hoewel de machines over het algemeen dezelfde patronen zagen, verschilden de exacte metingen voor individuele plekken vaak. De onderzoekers ontdekten dat de hoeveelheid verzamelde data voor elke plek, ook wel de read depth genoemd, een cruciale rol speelde. Wanneer zij simuleerden wat er zou gebeuren als ze meer data zouden verzamelen, kwamen ze tot de conclusie dat een machine elke plek ongeveer vijftig tot zestig keer zou moeten lezen om de betrouwbaarheid van de oude standaardmethode te evenaren. In hun eigen experimenten verzamelde een van de nieuwe machines genoeg data om dicht bij dit niveau van betrouwbaarheid te komen, terwijl de andere machine iets minder verzamelde. Dit suggereert dat de nieuwe instrumenten krachtig zijn, maar momenteel een hoge intensiteit nodig hebben om voldoende datapunten te verzamelen om volledig betrouwbaar te zijn voor elke specifieke plek.
De studie testte ook of de wiskundige formules die wetenschappers gebruiken om zaken zoals biologische leeftijd of ziekterisico te voorspellen, direct gebruikt kunnen worden met de nieuwe data. Deze formules zijn als recepten die de methyleringsniveaus van specifieke plekken bij elkaar optellen om een score te geven. De onderzoekers ontdekten dat de omvang van het recept er sterk toe deed. Formules die duizenden plekken gebruikten, werkten goed over de verschillende machines heen en produceerden vergelijkbare resultaten. Daarentegen gaven formules die steunden op slechts enkele honderden plekken vaak zeer verschillende antwoorden, afhankelijk van welke machine werd gebruikt. Dit geeft aan dat hoewel de nieuwe machines complexe voorspellingen kunnen ondersteunen, de eenvoudige, schaarse formules ontwikkeld voor de oude technologie mogelijk niet direct zonder aanpassingen kunnen worden overgedragen.
Ten slotte onderzocht het team een strategie om geld te besparen door monsters van verschillende mensen samen te voegen voordat ze door de machines worden gehaald. Ze hoopten dat dit hen in staat zou stellen om groepen goedkoper te bestuderen. De resultaten toonden aan dat deze aanpak weliswaar werkte voor het krijgen van een algemeen beeld van de groep, maar niet genoeg data leverde voor de nauwkeurige meting van elke individuele plek. Het samenvoegen van de monsters verwaterde de data zo sterk dat het onmogelijk was om precieze metingen te verkrijgen voor specifieke locaties in het genoom. Daarom concludeerden de onderzoekers dat hoewel het poolen van monsters zou kunnen werken voor brede samenvattingen, het niet geschikt is voor studies die een precieze meting per persoon vereisen.
Het werk suggereert dat long-read sequencing een veelbelovende toekomst is voor het bestuderen van het epigenoom, waarbij een uitzicht op het gehele genoom wordt geboden dat voorheen onmogelijk was. Toch dienen de bevindingen ook als een waarschuwing dat deze instrumenten nog geen directe vervanging zijn voor de oude methoden zonder zorgvuldige kalibratie. Om ze effectief te gebruiken, moeten wetenschappers ervoor zorgen dat ze voldoende data verzamelen om de natuurlijke variaties tussen machines te overwinnen en moeten ze hun voorspellingsmodellen valideren om te garanderen dat ze met de nieuwe technologie werken. De weg vooruit houdt in dat er een balans moet worden gevonden tussen de ongelooflijke breedte van deze nieuwe instrumenten en de precisie die vereist is voor accurate wetenschappelijke ontdekkingen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.