MosaicTR: tandem repeat somatic instability quantification from long-read sequencing

O MosaicTR é uma ferramenta que quantifica a instabilidade somática de repetições em tandem a partir de dados de sequenciamento de leitura longa, superando as limitações das abordagens de leitura curta e permitindo a detecção precisa de alterações específicas de tecido ou longitudinais em doenças de expansão de repetições e câncer.

O essencial

Imagine que o nosso DNA é como uma biblioteca gigante de livros de receitas. A maioria das receitas é escrita de forma clara e única, mas algumas seções têm frases repetidas várias vezes seguidas, como: "adicionar sal, adicionar sal, adicionar sal...".

Essas repetições são chamadas de Tandem Repeats (Repetições em Tandem). Em pessoas saudáveis, essas frases se repetem um número fixo de vezes. Mas, em algumas doenças (como a Doença de Huntington) ou no câncer, essas repetições começam a "deslizar" e a ficar mais longas ou mais curtas de forma descontrolada dentro do corpo. Isso é chamado de instabilidade somática.

O problema é que medir essa "desordem" é muito difícil. É como tentar contar quantas vezes a palavra "sal" aparece em uma frase que está sendo escrita por dez pessoas diferentes ao mesmo tempo, onde algumas pessoas têm mãos trêmulas e escrevem letras extras por acidente.

Aqui é onde entra o MosaicTR, a nova ferramenta apresentada neste artigo. Vamos explicar como ela funciona usando analogias simples:

1. O Problema das "Mãos Trêmulas" (Ruído vs. Realidade)

Antes, os cientistas usavam "leitura curta" (como ler apenas uma palavra de cada vez). Isso tinha dois problemas:

• O limite do tamanho: Se a repetição fosse muito longa, a leitura não cabia na "janela" da ferramenta.
• O "tremor" da máquina: As máquinas de sequenciamento (especialmente as mais modernas e longas) às vezes cometem pequenos erros, como adicionar ou tirar um "sal" extra sem querer. Isso criava um ruído que parecia ser uma doença, mas era apenas um erro da máquina.

2. A Solução Mágica: O "Mosaico" (MosaicTR)

O MosaicTR é como um detetive superinteligente que usa "leitura longa" (lendo páginas inteiras de uma vez) e aplica uma regra de ouro chamada "Peso da Unidade Motif".

• A Analogia do Bloco de Lego: Imagine que a repetição é feita de blocos de Lego de um tamanho específico (ex: blocos de 3 cores).
  • Se a máquina erra e adiciona meio bloco (1 ou 2 cores), o MosaicTR diz: "Ah, isso é apenas um erro de tremor da mão. Vamos ignorar ou dar pouco peso a isso."
  • Se a máquina vê um bloco inteiro extra (3 cores), o MosaicTR diz: "Isso é real! Alguém realmente adicionou um bloco inteiro. Vamos contar isso como instabilidade."

Essa é a grande inovação: a ferramenta sabe a diferença entre um erro de leitura (que geralmente é meio bloco) e uma mudança biológica real (que acontece em blocos inteiros).

3. Identificando os Gêmeos (Haplótipos)

Como as pessoas têm duas cópias de cada gene (uma da mãe, uma do pai), às vezes uma cópia está saudável e a outra está doente.

• O MosaicTR consegue separar as leituras da "mãe" das leituras do "pai" (usando etiquetas chamadas HP-tag).
• Ele calcula um Índice de Instabilidade (HII). Se o índice for baixo, a receita está estável. Se for alto, significa que a receita está mudando de tamanho dentro das células.
• Ele também calcula um Score de Assimetria: Isso diz se a instabilidade está afetando apenas uma das cópias (o que é comum em doenças) ou ambas.

4. Para que serve isso na vida real?

O artigo mostra que o MosaicTR é útil em três cenários principais:

1. Diagnóstico de Doenças: Ele consegue detectar se uma pessoa tem uma repetição expandida (como na Doença de Huntington) com muita precisão, mesmo que a expansão seja enorme, algo que métodos antigos não conseguiam fazer bem.
2. Câncer e Imunoterapia: No câncer, a instabilidade das repetições é um sinal de que o sistema de reparo do DNA está quebrado. O MosaicTR ajuda a identificar esses tumores, o que pode dizer se o paciente responderá a tratamentos de imunoterapia.
3. Acompanhamento no Tempo (Longitudinal): O artigo testou células de câncer de pâncreas ao longo de muitas gerações. O MosaicTR conseguiu ver, em tempo real, como certas repetições estavam crescendo gradualmente, como se estivessem "envelhecendo" ou "crescendo" dentro do tumor.

Resumo em uma frase

O MosaicTR é um novo software que usa a tecnologia de leitura de DNA mais moderna para contar repetições genéticas com precisão cirúrgica, ignorando os "erros de digitação" das máquinas e focando apenas nas mudanças reais que causam doenças, permitindo que os médicos vejam a evolução do câncer e de doenças genéticas com uma clareza nunca antes vista.

É como trocar uma câmera de baixa resolução e tremida por uma câmera 4K com estabilização de imagem, capaz de contar cada tijolo de um muro que está sendo construído ou desmoronado dentro do nosso corpo.

Resumo técnico

Resumo Técnico: MosaicTR

1. O Problema

A instabilidade somática de repetições em tandem (TRs) é um fator crítico na patogênese de doenças de expansão de repetições (como a Doença de Huntington e Ataxias) e serve como biomarcador para deficiência de reparo de incompatibilidade (MMR) no câncer. Caracterizar essa instabilidade exige:

• Resolução de locus individual: As taxas de expansão variam entre tecidos e acumulam-se ao longo do tempo.
• Resolução de haplótipo: Como as doenças de expansão são tipicamente heterozigotas, é necessário distinguir o alelo expandido do normal.
• Limitações das tecnologias atuais:
  • Leituras curtas (Short-reads): Limitadas pelo comprimento da leitura e artefatos de "stutter" de PCR, incapazes de medir expansões grandes.
  • Leituras longas (Long-reads) existentes: Ferramentas como Owl quantificam instabilidade usando o coeficiente de variação, mas não separam adequadamente o ruído de sequenciamento específico da plataforma do sinal biológico, nem oferecem comparação multi-tecido integrada com resolução de haplótipo.

2. Metodologia

O MosaicTR é uma ferramenta computacional desenvolvida em Python que processa arquivos BAM marcados com tags de haplótipo (HP-tag), padrão em pipelines de chamada de variantes de leituras longas (PacBio HiFi e Oxford Nanopore).

• Extração e Dimensionamento de Alelos:
  • Extrai leituras sobrepondo a região de repetição com sequências flanqueadoras.
  • Calcula o tamanho do alelo somando as operações de alinhamento (CIGAR strings) sem realinhamento de nível de sequência.
  • Agrupa leituras por tag HP. Se as tags HP não estiverem disponíveis, o método recua para análise de "gap-split" (separação pseudo-haplótipo baseada em bimodalidade) ou análise agrupada.
• Índice de Instabilidade de Haplótipo (HII):
  • É a métrica principal. Calcula a variação intra-alelo no comprimento da repetição, normalizada pelo comprimento do motivo (motif length).
  • Ponderação por Unidade de Motivo: O algoritmo aplica um peso ($w_i$) às leituras com base na consistência da unidade de motivo:
    • Desvios que são múltiplos inteiros do motivo recebem peso total ($w=1$).
    • Desvios sub-motivo (ruído de sequenciamento) recebem peso reduzido ($w=0.1$).
  • Isso explora o perfil de erro das plataformas: no PacBio HiFi, 92% dos erros residuais são indels de homopolímeros sub-motivo, enquanto as expansões biológicas ocorrem em unidades inteiras de motivo.
• Modelo de Ruído para Oxford Nanopore (ONT):
  • O ONT apresenta "jitter" de comprimento aleatório (±1 bp). O MosaicTR ajusta automaticamente os limiares de ruído baseados no tamanho do motivo (ex: para motivos de 2 bp, um erro de 2 bp conta como uma unidade inteira e recebe peso total; para motivos $\ge$ 3 bp, o erro de 1 bp é sub-motivo e é rebaixado).
• Comparação Multi-amostra:
  • Modos de comparação par-a-par e matrizes para detectar mudanças de instabilidade específicas de tecido ou longitudinais (ex: tumor vs. normal, ou passagens celulares ao longo do tempo).
  • Inclui um Score de Assimetria Inter-haplótipo (IAS) para quantificar se a instabilidade está confinada a um alelo (heterozigoto) ou bilateral.

3. Principais Contribuições

• Primeira ferramenta unificada: Combina separação de ruído consciente do motivo, suporte multi-plataforma (HiFi e ONT) e comparação multi-tecido com resolução de haplótipo.
• Métrica Robusta (HII): Reduz drasticamente a taxa de falsos positivos ao diferenciar ruído técnico (sub-motivo) de sinal biológico (expansão de motivo inteiro).
• Análise de Assimetria: Capacidade de distinguir entre portadores heterozigotos (instabilidade em um alelo) e expansões bilaterais, algo impossível com dados de leituras agrupadas (pooled).
• Disponibilidade: Código aberto (MIT License) disponível no GitHub, com interface de linha de comando e saída em formato tab-delimited.

4. Resultados

• Validação em Dados Sintéticos: O HII medido escalou linearmente com a instabilidade simulada ($R^2 = 1.000$). A classificação binária (estável/instável) alcançou uma AUC de 0.975 (99,3% de sensibilidade, 100% de especificidade) com um limiar de HII = 0.45.
• Caracterização de Ruído (HG002): Em 108.584 loci de um genoma de referência saudável, a mediana do HII foi 0,004. A ponderação por unidade de motivo reduziu a taxa de falsos positivos de 10,2% para 0,9%.
• Desempenho Multi-plataforma:
  • No ONT, a adaptação do modelo de ruído permitiu que o HII de alelos normais em motivos de 5 bp (ATXN10) fosse de 0,03–0,04, aproximando-se dos níveis do PacBio HiFi.
  • Detectou portadores de doenças em 9 de 12 amostras testadas (incluindo Doença de Huntington, SCA10, Fragile X, etc.).
  • Demonstrou uma correlação clara entre o tamanho da expansão e o HII (ex: um alelo com 1.041 unidades de repetição teve HII = 31,0).
• Análise Longitudinal: Em uma linhagem celular de câncer pancreático (HG008), o MosaicTR identificou expansões progressivas em loci específicos entre as passagens 23 e 41, com 90% dos loci instáveis sendo repetições dinucleotídicas, consistente com o mecanismo de deslizamento de replicação.

5. Significado e Impacto

O MosaicTR preenche uma lacuna crítica na genômica de repetições, permitindo a quantificação precisa da instabilidade somática em nível de haplótipo sem as limitações das leituras curtas.

• Aplicações Clínicas: Melhora o diagnóstico e a compreensão da progressão de doenças de expansão de repetições.
• Oncologia: Oferece uma ferramenta sensível para detectar instabilidade de microssatélites (MSI) e deficiência de MMR, predizendo resposta a imunoterapias.
• Pesquisa Básica: Facilita estudos de mosaicism somático em grandes coortes multi-tecido (como o consórcio SMaHT), permitindo mapear padrões de expansão dependentes de tecido e idade em todo o genoma.

Limitações Notadas: Requer arquivos BAM com tags HP (necessitando de faseamento adicional em ONT se não disponível nativamente), desafios persistentes em repetições dinucleotídicas no ONT devido ao ruído de 2 bp, e limitações em expansões muito grandes (>10 kb) que excedem o comprimento da leitura.