Size dependent loss of structural variant allele counts in pangenome derived VCFs

Elk mens draagt een unieke set instructies die geschreven zijn in de taal van het DNA. Hoewel een groot deel van deze code identiek is van persoon tot persoon, zijn het de verschillen die ons individueel maken en onze gezondheid aansturen. Wetenschappers hebben zich lang gericht op minuscule, enkelvoudige letterveranderingen in de code, die gemakkelijk te detecteren en vast te leggen zijn. De meest dramatische verschillen betreffen echter grote stukken DNA—soms duizenden letters lang—die verwijderd, gedupliceerd of omgedraaid zijn. Dit worden structurele varianten genoemd. Omdat ze zo groot en complex zijn, zijn ze veel moeilijker in kaart te brengen dan enkelvoudige letterveranderingen. In het verleden probeerden wetenschappers deze grote, rommelige verschillen in een eenvoudige, lineaire lijst te dwingen, vergelijkbaar met het proberen te beschrijven van een kronkelende bergweg door alleen de rechte snelwegsegmenten te vermelden die de weg kruist. Deze aanpak verloor vaak cruciale details over hoeveel mensen daadwerkelijk een specifieke verandering droegen.

Om dit op te lossen, hebben onderzoekers onlangs een nieuwe manier ontwikkeld om genetische gegevens op te slaan, genaamd een pangenoomgrafiek. In plaats van een enkele rechte lijn, weeft deze grafiek de DNA-sequenties van veel verschillende mensen samen in één vertakkende structuur. In deze kaart is het DNA van elke persoon een pad dat door hetzelfde landschap slingert, waarbij het op verschillende punten afbuigt en weer samenkomt. Dit stelt wetenschappers in staat om grote structurele varianten te zien als natuurlijke kenmerken van het terrein in plaats van geforceerde annotaties. Echter, bijna alle software die wordt gebruikt om ziekte en evolutie te bestuderen, verwacht nog steeds de gegevens in het oude, eenvoudige lijstformaat. Om de nieuwe grafiek te gebruiken, moeten wetenschappers deze terug converteren naar een lijst, een proces dat fungeert als een vertaler tussen twee zeer verschillende talen. De cruciale vraag was of dit vertalingsproces de werkelijke telling bewaart van hoeveel mensen een specifieke grote variant dragen, of dat het proces van conversie de informatie uit elkaar breekt.

Een team van onderzoekers zette een experiment op om precies dit te testen. Ze creëerden een gecontroleerd experiment waarbij ze het antwoord wisten voordat ze begonnen. Met gebruik van echte menselijke DNA-sequenties als fundament, simuleerden ze panels van twintig individuen, waarbij ze zorgvuldig grote structurele varianten op specifieke locaties plaatsten en deze toewezen aan bekende dragers. Omdat zij het experiment zelf hadden ontworpen, wisten zij het exacte aantal mensen dat elke variant droeg. Vervolgens bouwden ze een pangenoomgrafiek van deze gesimuleerde data en haalden deze door de standaard conversie-pipeline die door grote onderzoeksconsortia wordt gebruikt om de grafiek terug te zetten in een lijst. Door de uiteindelijke lijst te vergelijken met hun oorspronkelijke waarheid, konden ze precies zien welke informatie de reis overleefde en wat er verloren ging.

De resultaten toonden een duidelijk en systematisch probleem aan. Voor kleine varianten werkte de conversie bijna perfect en werd het aantal dragers behouden. Maar naarmate de grootte van de variant toenam, daalde de nauwkeurigheid van de telling scherp. Voor varianten van 100 letters lang identificeerde de conversie het aantal dragers in bijna elk geval correct. Echter, voor varianten van 30.000 letters lang werd het juiste aantal in slechts ongeveer de helft van de gevallen hersteld. Hoe groter de variant, hoe groter de kans dat het conversieproces de data fragmenteert, waardoor één groep dragers wordt opgesplitst in vele kleinere, ongerelateerde groepen in de uiteindelijke lijst. Deze fragmentatie was nog erger in regio's van het genoom die al moeilijk te lezen zijn, bekend als segmentale duplicaties, waar het juiste aantal in minder dan 40 procent van de grootste varianten werd hersteld.

De onderzoekers herleidden de bron van deze fout naar de allereerste stap van het conversieproces. Wanneer de grafiek wordt afgebroken tot een lijst, zoekt de software naar "bubbels"—secties waar paden uiteengaan en weer samenkomen. Het behandelt elk uniek pad door een bubbel als een afzonderlijke variant. Omdat grote bubbels vaak veel kleine, ongerelateerde verschillen bevatten tussen de dragers, ziet de software een enkele grote deletie onterecht als tientallen licht afwijkende gebeurtenissen. De daaropvolgende stappen in de pipeline, die ontworpen zijn om de lijst op te schonen en te vereenvoudigen, konden deze fundamentele misvatting niet herstellen. Ze konden wel enkele van de fragmenten samenvoegen, maar ze konden de oorspronkelijke, verenigde groep dragers niet reconstrueren omdat de initiële afbraak de verbinding al had verloren.

Om te bewijzen dat dit een fout in de vertalingsmethode was en niet een fout in de grafiek zelf, probeerde het team een andere aanpak. In plaats van de grafiek eerst om te zetten naar een lijst, schreven ze een tool die de dragers direct telde door door de paden van de grafiek te lopen. Deze methode omzeilde de vertaling volledig. Wanneer ze deze directe telmethode gebruikten, herstelden ze het correcte aantal dragers voor 99 procent van de varianten, ongeacht hun grootte. Dit bewees dat de informatie nog steeds aanwezig was in de grafiek, maar dat de standaardmethode om de grafiek naar een lijst te converteren, faalde in het correct lezen ervan. Het probleem lag niet bij de kaart, maar bij de manier waarop de kaart werd gelezen.

Het team keek vervolgens naar echte data van de Human Pangenome Reference Consortium om te zien of dit probleem ook buiten hun simulaties bestond. Ze onderzochten een specifieke grote deletie die voorkomt in de menselijke populatie, gedragen door 216 van de 461 individuen. In de ruwe grafiekdata verscheen deze enkele gebeurtenis als 84 verschillende allelen, waarbij de grootste groep slechts 25 dragers bevatte. Toen ze naar de uiteindelijke gepubliceerde lijst keken, was de gebeurtenis opgesplitst in vier afzonderlijke records. Hoewel het totale aantal dragers ongeveer correct was wanneer ze alles bij elkaar optelden, werd de gebeurtenis niet langer als één enkele eenheid herkend. Elke analyse die telde hoeveel verschillende structurele varianten er in het genoom bestonden, zou deze ene gebeurtenis onterecht als vier tellen, waardoor de diversiteit werd opgeblazen en het begrip van hoe algemeen de variant werkelijk was, werd vertekend.

De studie concludeert dat hoewel pangenoomgrafieken een completer beeld bieden van de menselijke genetische variatie, de standaardinstrumenten die worden gebruikt om deze gegevens te delen en te analyseren, momenteel de belangrijkste informatie voor grote varianten beschadigen. Het verlies van nauwkeurige tellingen is geen zeldzame glitch, maar een voorspelbaar gevolg van hoe de gegevens worden vertaald. De onderzoekers suggereren dat voor studies die vertrouwen op de frequentie van grote structurele varianten, wetenschappers de dragers direct vanuit de grafiekpaden moeten tellen in plaats van te vertrouwen op de geconverteerde lijsten. Deze aanpak is sneller en veel nauwkeuriger, waardoor wordt gewaarborgd dat de ware omvang van de genetische diversiteit niet verloren gaat bij de vertaling van een complexe kaart naar een eenvoudige lijst.