Resumo Técnico: AirLift

Declaração do Problema

Genomas de referência são representações inerentemente imperfeitas do indivíduo saudável médio de uma espécie devido a erros nas tecnologias de sequenciamento e algoritmos de montagem. À medida que as tecnologias de sequenciamento e as ferramentas de montagem melhoram, os genomas de referência são atualizados incrementalmente (por exemplo, atualizações do genoma de referência humano de GRCh37 para GRCh38, e as recentes montagens telômero-a-telômero). Para garantir a precisão das análises genômicas a jusante, como a chamada de variantes, os conjuntos de leituras devem ser mapeados para o genoma de referência mais recente.

Atualmente, a abordagem padrão é reexecutar todo o pipeline de análise, remapeando completamente todas as leituras do zero para o novo referencial. Esse processo é computacionalmente caro; por exemplo, alinhar 300 milhões de leituras curtas ao genoma humano pode levar aproximadamente 75 horas. Com o volume de dados genômicos dobrando a cada oito meses e o surgimento de genomas de referência altamente específicos para populações diversas, a necessidade de mapear conjuntos de leituras para múltiplos referenciais exacerba essa carga computacional.

Ferramentas existentes de "remapeamento" (por exemplo, UCSC LiftOver, CrossMap) tentam acelerar esse processo usando arquivos de cadeia para traduzir coordenadas de um referencial antigo para um novo com base em regiões constantes. No entanto, essas ferramentas sofrem de três limitações críticas:

1. Falta de Abrangência: Elas não conseguem remapear leituras que caem dentro de regiões "aposentadas" (deletadas no novo referencial) ou regiões "novas" (inseridas no novo referencial), levando a uma perda significativa de cobertura genômica (por exemplo, faltando >7% das anotações gênicas ao migrar de hg16 para hg38).
2. Inexatidão: Elas frequentemente remapeiam leituras para locais no novo referencial que não se alinham bem com a sequência da leitura, particularmente quando existem grandes inserções no novo referencial, resultando em taxas de erro que excedem os limites aceitáveis.
3. Incompatibilidade com Análise a Jusante: Muitas ferramentas produzem saídas (por exemplo, arquivos BED ou BAMs com strings CIGAR incorretas) que são incompatíveis com pipelines padrão de chamada de variantes como o GATK.

Metodologia: AirLift

AirLift é uma metodologia e ferramenta projetada para fornecer uma solução rápida, abrangente e precisa de remapeamento de BAM para BAM de ponta a ponta. Ela aproveita a semelhança entre dois genomas de referência para minimizar a necessidade de alinhamento completo, garantindo que todas as leituras sejam processadas.

Conceitos Principais: Regiões de Genoma de Referência

AirLift categoriza as regiões entre um referencial antigo e um novo em quatro tipos:

1. Regiões Constantes: Sequências exatamente idênticas em ambos os referenciais.
2. Regiões Atualizadas: Sequências no referencial antigo que mapeiam para sequências similares (mas não idênticas) no novo referencial.
3. Regiões Aposentadas: Sequências no referencial antigo que não possuem região correspondente no novo referencial (deleções).
4. Regiões Novas: Sequências no novo referencial que não possuem região correspondente no referencial antigo (inserções).

O Índice AirLift

O núcleo do AirLift é um Índice AirLift pré-processado, construído via um processo de oito etapas envolvendo alinhamento global e extração de sementes. Este índice consiste em duas Tabelas de Pesquisa (LUTs):

• LUT de Regiões Constantes: Mapeia correspondências exatas entre os referenciais antigo e novo.
• LUT de Regiões Atualizadas: Mapeia correspondências aproximadas (dentro de uma taxa de erro definida) entre os referenciais antigo e novo.

Crucialmente, a construção da LUT de Regiões Atualizadas utiliza uma taxa de erro conservadora de 2e (onde e é a taxa de erro de alinhamento aceitável, tipicamente 5%). Isso garante que qualquer leitura mapeada para uma região atualizada no referencial antigo com taxa de erro e encontrará um local potencial correspondente no novo referencial, mesmo que a diferença de sequência entre os dois referenciais seja de até 2e.

Procedimento de Remapeamento

AirLift processa cada leitura em um arquivo BAM com base em sua localização de mapeamento original no referencial antigo:

1. Leituras de Região Constante: Se a leitura mapeia para uma região constante, AirLift usa a LUT de Regiões Constantes (via uma ferramenta chamada FastRemap) para traduzir instantaneamente as coordenadas para o novo referencial. Nenhum realinhamento é realizado.
2. Leituras de Região Atualizada: Se a leitura mapeia para uma região atualizada, AirLift consulta a LUT de Regiões Atualizadas para identificar locais candidatos no novo referencial. Em seguida, realiza um alinhamento completo (usando BWA-MEM) apenas contra esses locais candidatos específicos para encontrar a melhor correspondência dentro do limite de erro e.
3. Leituras de Região Aposentada: Se a leitura mapeia para uma região aposentada, ela é marcada como não mapeada no novo referencial, pois não existe sequência correspondente.
4. Leituras Anteriormente Não Mapeadas: Leituras que estavam não mapeadas no referencial antigo são totalmente alinhadas às regiões Novas e Atualizadas do novo referencial usando um mapeador completo (BWA-MEM).

Essa abordagem híbrida garante que a vasta maioria das leituras (aquelas em regiões constantes) seja processada instantaneamente, enquanto apenas uma pequena fração que requer tratamento complexo sofre alinhamento completo.

Contribuições Principais

• Primeiro Remapeador Abrangente de BAM para BAM: AirLift é a primeira ferramenta a fornecer uma solução de ponta a ponta que produz arquivos BAM compatíveis com ferramentas de análise a jusante (como GATK) para todas as leituras, incluindo aquelas em regiões aposentadas e novas.
• Alta Precisão: Ao usar uma taxa de erro conservadora de 2e durante a construção do índice e realinhar leituras em regiões atualizadas, AirLift evita as altas taxas de erro associadas ao simples deslocamento de coordenadas.
• Velocidade: Reduz significativamente o tempo de execução ao evitar o remapeamento completo para leituras em regiões constantes, que constituem a maioria do genoma.

Resultados

Os autores avaliaram AirLift contra ferramentas de remapeamento de última geração (CrossMap, LiftOver) e a linha de base de remapeamento completo usando BWA-MEM em genomas de referência humanos, de C. elegans e de levedura.

• Tempo de Execução: AirLift alcança um aumento de velocidade de 2,76× a 27,4× comparado ao remapeamento completo. O aumento de velocidade é mais alto para genomas humanos (até 27,4× para hg17→hg38), onde as regiões constantes são grandes, e menor para levedura, onde as regiões constantes são menores em relação ao genoma total.
• Precisão (Chamada de Variantes): Usando o GATK HaplotypeCaller, AirLift demonstra precisão e recall para detecção de SNP e Indel comparáveis ao remapeamento completo. Por exemplo, ao remapear leituras humanas de hg19 para hg38, AirLift alcançou 97,05% de precisão e 96,39% de recall para SNPs contra a verdade fundamental, comparado a 97,73%/99,25% para mapeamento completo.
• Abrangência: Ao contrário do CrossMap e LiftOver, que perdem porções significativas de anotações (por exemplo, 4,47% dos genes ao levantar hg19 para hg38), AirLift processa todo o conjunto de leituras, garantindo que nenhuma região genômica seja ignorada.
• Uso de Memória: O uso de pico de memória do AirLift é comparável ao do remapeamento completo (BWA-MEM), pois depende do BWA-MEM para o subconjunto de leituras em regiões atualizadas, o que ainda requer memória substancial.

Significado

O artigo afirma que AirLift é uma alternativa viável e de alto desempenho ao remapeamento completo para pesquisadores atualizando estudos genômicos para novas versões de referência. Ao eliminar a necessidade de reexecutar pipelines computacionalmente caros do zero, mantendo alta precisão e abrangência, AirLift permite a adaptação rápida de conjuntos de dados genômicos em larga escala aos genomas de referência mais recentes. Isso é particularmente significativo dada a frequência crescente de atualizações de genomas de referência e o volume crescente de dados genômicos, permitindo que pesquisadores mantenham análises atualizadas sem custos computacionais proibitivos. A ferramenta é de código aberto e fornece um fluxo de trabalho completo de BAM para BAM, facilitando a análise imediata a jusante.