ECHO: a nanopore sequencing-based workflow for (epi)genetic profiling of the human repeatome

O artigo apresenta o ECHO, um pipeline baseado em Snakemake e sequenciamento nanopore que permite a caracterização (epi)genética abrangente, reprodutível e escalável do repetoma humano, superando as limitações atuais na análise de regiões repetitivas complexas.

O essencial

Imagine que o nosso genoma (o livro de instruções do corpo humano) é uma biblioteca gigante. Durante muito tempo, os cientistas focaram apenas nos "livros principais" – as partes do DNA que codificam proteínas e que são fáceis de ler.

Mas a verdade é que mais da metade dessa biblioteca é composta por "livros repetitivos", cheios de páginas idênticas, rabiscos e padrões que se repetem infinitamente. Antigamente, os cientistas achavam que isso era apenas "lixo" ou ruído. Hoje, sabemos que esses repetidores são vitais: eles controlam como os genes funcionam, mantêm a estrutura do livro e, quando dão errado, podem causar doenças.

O problema é que ler esses "livros repetitivos" é como tentar montar um quebra-cabeça onde todas as peças são iguais. As tecnologias antigas de leitura de DNA eram como câmeras de baixa resolução: elas conseguiam ver as páginas normais, mas quando chegavam nas repetições, tudo ficava borrado e confuso.

O que é o ECHO?

É aqui que entra o ECHO. Pense nele como um super-robô detetive criado por cientistas da Holanda e Dinamarca. O nome é uma sigla divertida, mas a função é séria: ele é um programa de computador (um "pipeline") desenhado para ler, organizar e entender essas partes repetitivas do nosso DNA usando uma tecnologia nova chamada Nanopore (que funciona como um fio que lê o DNA letra por letra, em tempo real).

O ECHO faz três coisas mágicas que antes eram muito difíceis de fazer juntas:

1. Lê o texto (Genética): Ele consegue contar exatamente quantas vezes uma sequência se repete. É como se ele pudesse dizer: "Nesta página, a palavra 'GATO' aparece 50 vezes, não 49".
2. Lê as anotações (Epigenética): O DNA tem um sistema de "post-its" químicos (metilação) que dizem quais partes devem ser lidas e quais devem ser ignoradas. O ECHO consegue ver esses post-its mesmo nas partes repetitivas, algo que antes era quase impossível.
3. Separa os gêmeos (Faseamento): Nós temos duas cópias de cada livro (uma da mãe, uma do pai). O ECHO é inteligente o suficiente para separar as duas cópias e dizer exatamente o que está escrito em cada uma delas, sem misturar as histórias.

Como ele funciona? (A Analogia da Fábrica)

Imagine uma fábrica de processamento de dados:

• Entrada: O ECHO recebe os dados brutos do sequenciador (como caixas de madeira fechadas).
• Limpeza e Organização: Primeiro, ele limpa a sujeira, descarta pedaços quebrados e organiza as caixas.
• Montagem do Quebra-Cabeça: Ele usa ferramentas avançadas para montar as peças do DNA, identificando onde estão as repetições e onde estão as "invasões" (pedaços de DNA que se moveram de lugar).
• Leitura dos Post-its: Enquanto monta, ele marca cada peça com a cor do "post-it" químico, dizendo se aquela parte está ativa ou desligada.
• Saída: No final, ele entrega um relatório completo, organizado por "gêmeos" (herdado da mãe ou do pai), mostrando exatamente como essas repetições estão estruturadas e como estão funcionando.

Por que isso é importante?

Antes do ECHO, estudar essas repetições era como tentar entender uma orquestra tocando apenas um instrumento de cada vez, ou pior, tentando ouvir a música com fones de ouvido ruins.

Com o ECHO, os cientistas agora podem:

• Descobrir novas causas de doenças: Muitas doenças neurológicas e câncer estão ligados a erros nessas repetições.
• Entender a evolução: Ver como essas partes mudam ao longo do tempo.
• Personalizar a medicina: Como o ECHO lê as duas cópias do DNA (mãe e pai), ele pode ajudar a entender por que uma pessoa fica doente e outra não, mesmo com o mesmo problema genético.

Resumo em uma frase

O ECHO é um novo e poderoso "tradutor" que finalmente consegue ler, entender e organizar as partes mais confusas e repetitivas do nosso código genético, revelando segredos sobre a saúde e a doença que estavam escondidos por décadas.

O melhor de tudo? Ele é gratuito, aberto para qualquer pessoa usar e foi feito para funcionar em computadores comuns ou em grandes supercomputadores, democratizando a pesquisa genética.

Resumo técnico

Resumo Técnico: ECHO – Perfilagem (Epi)genética do Repeatoma Humano via Sequenciamento Nanopore

1. O Problema

O genoma humano é composto por mais de 50% de DNA repetitivo, incluindo repetições em tandem (TRs) e elementos transponíveis (TEs). Historicamente, essas regiões foram negligenciadas devido às limitações técnicas das tecnologias de sequenciamento de leitura curta (short-read), que não conseguem resolver regiões longas e complexas. Embora as tecnologias de leitura longa (LRS), como a Oxford Nanopore Technologies (ONT), tenham permitido o acesso a essas regiões e a medição direta de metilação de DNA, a análise atual permanece fragmentada.

• Falta de Integração: As ferramentas existentes geralmente focam em um único tipo de repetição (apenas TRs ou apenas TEs) ou em um único aspecto (sequência ou metilação), mas não em ambos simultaneamente.
• Ausência de Pipeline Unificado: Não existia um framework abrangente e unificado capaz de realizar a caracterização genética e epigenética (metilação) de múltiplas classes de elementos repetitivos de forma haplótipo-resolvida em um único fluxo de trabalho.

2. Metodologia

O ECHO (Epi)genomic Characterisation of Human Repetitive Elements using Oxford Nanopore Sequencing) é um pipeline de fluxo de trabalho (workflow) baseado em Snakemake, projetado para análise de ponta a ponta de dados de sequenciamento ONT.

• Arquitetura e Dependências: O pipeline é modular, portável e reproduzível, utilizando Singularity para gerenciar dependências de software. É compatível com sistemas HPC (High-Performance Computing) e servidores locais.
• Entrada de Dados: Aceita arquivos brutos (POD5) ou basecalled (UBAM, FASTQ, BAM), desde que gerados com modelos sensíveis à metilação. Requer catálogos de repetições (TRs e TEs) definidos em relação ao genoma de referência (GRCh38 ou T2T-CHM13v2).
• Fase I: Pré-processamento e Fasing (Phasing):
  • Realiza basecalling (usando Dorado), controle de qualidade (QC) e filtragem de leituras.
  • Alinha as leituras ao genoma de referência (Minimap2).
  • Chama variantes (SNVs, INDELs com Clair3; SVs com Sniffles2).
  • Realiza o phasing (fasing) das variantes e das leituras usando o LongPhase, integrando informações de metilação para gerar arquivos BAM e VCF resolvidos por haplótipo.
• Fase II: Perfilagem do Repeatoma:
  • Metilação Global: Gera pilhas de metilação (pileups) usando o modkit.
  • Repetições em Tandem (TRs): Utiliza o LongTR para genotipagem. O pipeline extrai leituras sobrepostas de forma sensível ao haplótipo, realinha localmente e quantifica a metilação em nível de CpG único e regional (dentro da repetição e regiões flanqueadoras). Inclui decomposição de motivos com a ferramenta uTR.
  • Elementos Transponíveis (TEs):
    • TEs de Referência (ref-TEs): Intersecta variantes e metilação com anotações do RepeatMasker.
    • TEs Não-Referência (non-ref-TEs): Identifica inserções novas usando o TLDR, gera consenso e calcula métricas de metilação específicas para cada inserção.

3. Contribuições Principais

• Integração Unificada: É a primeira ferramenta que combina genotipagem de TRs e TEs (incluindo inserções não referenciadas) com análise de metilação de DNA em um único pipeline.
• Resolução por Haplótipo: Permite a análise de variações de sequência e padrões de metilação específicos para cada alelo (haplótipo), algo crucial para entender a regulação gênica e a estabilidade do genoma.
• Flexibilidade e Escalabilidade: Oferece catálogos pré-configurados (genoma inteiro ou painéis direcionados) e permite o uso de catálogos personalizados. Suporta diferentes profundidades de cobertura e genomas de referência.
• Reprodutibilidade: Distribuído via GitHub e Zenodo, com documentação completa e dados de teste para validação.

4. Resultados e Desempenho

O pipeline foi avaliado utilizando dados públicos do genoma HG002 (Genome in a Bottle) com coberturas de 30× e 15×.

• Precisão de Genotipagem: O ECHO conseguiu genotipar uma grande proporção de loci de TRs (usando LongTR) e detectar inserções de TEs não referenciados (usando TLDR). Houve uma redução moderada na detecção de loci ao baixar a cobertura de 30× para 15×, mas a concordância permaneceu alta.
• Validação de Metilação: A metilação de CpG derivada do ECHO foi comparada com dados de Sequenciamento de Bisulfito de Genoma Inteiro (WGBS), considerado o padrão-ouro.
  • Correlação: Observou-se alta concordância (Coeficiente de Correlação de Pearson > 0,94) em três níveis: genoma inteiro (r=0,96), regiões de TEs (r=0,95) e regiões de TRs (r=0,94).
• Eficiência Computacional: Para o dataset de 30×, o tempo total de execução foi de 38,5 horas (234 horas-CPU), ocupando cerca de 100 GB de espaço em disco para os dados finais.
• Visualização: Visualizações no Integrative Genomics Viewer (IGV) confirmaram a integração correta da genotipagem e metilação resolvida por haplótipo.

5. Significância

O ECHO representa um avanço significativo na pesquisa do "repeatoma" humano. Ao superar a fragmentação das ferramentas atuais, ele permite:

• Estudos em larga escala sobre como a variação genética e epigenética em regiões repetitivas influencia a regulação gênica, a estabilidade do genoma e o desenvolvimento de doenças (como distúrbios neurológicos e câncer).
• A análise simultânea de diferentes classes de repetições, facilitando a descoberta de biomarcadores e mecanismos patológicos anteriormente inacessíveis.
• A democratização da análise complexa de repetições, tornando-a acessível e reprodutível para a comunidade científica através de um pipeline de código aberto e bem documentado.

Em suma, o ECHO preenche uma lacuna crítica na bioinformática moderna, permitindo uma visão holística e integrada da complexidade do genoma humano repetitivo.