CanVAS: A Harmonized and Imputed Canine Variant Atlas1

O artigo apresenta o CanVAS, um recurso genotípico canino harmonizado e imputado que integra 15 conjuntos de dados públicos em um único arquivo PLINK baseado na montagem de referência CanFam4, abrangendo mais de 15.000 cães de diversas populações e expandindo o número de variantes para 9,7 milhões através de imputação.

O essencial

Imagine que você tem 15 livros de receitas de cachorros, cada um escrito por um chef diferente. O problema é que um chef usa xícaras, outro usa colheres, um escreve em inglês, outro em francês, e as páginas estão numeradas de formas diferentes. Se você tentar juntar todas essas receitas para criar o "Super Livro de Receitas Canino", nada vai funcionar porque as medidas não batem.

É exatamente isso que os cientistas encontraram ao tentar estudar a genética dos cães. Eles tinham muitos dados espalhados, mas incompatíveis.

Aqui está a explicação do papel CanVAS, traduzida para uma linguagem simples e com algumas analogias divertidas:

1. O Problema: A Torre de Babel dos Cães

Nos últimos anos, pesquisadores ao redor do mundo coletaram dados genéticos de milhares de cães (de Golden Retrievers a lobos e cães de rua). Mas cada grupo usou uma tecnologia diferente:

• Alguns usaram um "scanner" de DNA da marca A.
• Outros usaram um scanner da marca B.
• Alguns mediam a posição dos genes no mapa do DNA usando o "sistema de endereços" de 2010, outros usavam o de 2015 e alguns o de 2020.

Era como tentar montar um quebra-cabeça gigante onde as peças de cada caixa tinham formatos diferentes e as bordas não se encaixavam. Ninguém conseguia ver a imagem completa.

2. A Solução: O "Tradutor Universal" (CanVAS)

Os autores criaram o CanVAS (um nome que soa como "tela", mas aqui significa um atlas de variantes). Pense no CanVAS como um tradutor e organizador mestre.

Eles pegaram esses 15 conjuntos de dados bagunçados e fizeram o seguinte:

• Padronização: Transformaram todas as medidas para a mesma unidade (como converter todas as xícaras para mililitros).
• Correção de Mapa: Atualizaram todos os endereços genéticos para o mapa mais novo e preciso (chamado CanFam4).
• Limpeza: Tiraram os dados ruins e duplicados, como quem separa as peças de quebra-cabeça que estão quebradas.

O resultado foi uma base sólida com 15.451 cães de mais de 375 raças (e até cães selvagens), todos falando a mesma "língua" genética.

3. O Truque Mágico: A "Adivinhação" Inteligente (Imputação)

Aqui entra a parte mais impressionante. Os dados originais tinham cerca de 77.000 "pontos de controle" (SNPs) no DNA. É como ter um mapa da cidade com apenas as principais avenidas marcadas.

Para ver as ruas pequenas, becos e casas individuais, eles usaram uma técnica chamada Imputação.

• A Analogia: Imagine que você tem um mapa antigo e incompleto de uma cidade, mas você conhece um vizinho que tem um mapa super detalhado e moderno (o painel de referência "Dog10K", com 1.929 cães sequenciados do DNA completo).
• O CanVAS usou esse mapa detalhado para "adivinhar" e preencher os buracos do mapa antigo.
• O Resultado: Eles transformaram 77.000 pontos em 9,7 milhões de pontos. Agora, em vez de ver apenas as avenidas, eles podem ver cada árvore, cada poste e cada janela da casa genética do cão. Isso permite encontrar doenças raras que antes eram invisíveis.

4. Por que isso é importante?

Com esse novo "Super Atlas", os cientistas podem:

• Encontrar a agulha no palheiro: Identificar genes específicos que causam câncer, problemas de coração ou comportamentos, mesmo em raças raras.
• Comparar raças: Entender por que um Pastor Alemão tem mais risco de certas doenças do que um Poodle, ou como os cães de rua são geneticamente diferentes dos de raça.
• Medir a "Família": Eles usaram o atlas para medir o quanto as raças estão "endogâmicas" (cruzando entre parentes próximos). Descobriram que raças como o Setter Inglês e o Bull Terrier têm muito mais "parentes cruzados" (o que aumenta o risco de doenças) do que cães de rua, que têm uma diversidade genética saudável.

Resumo Final

O CanVAS é como pegar 15 mapas de cidades diferentes, desenhar todos sobre uma única mesa, corrigir as distorções e usar uma inteligência artificial para preencher cada rua e beco que faltava.

Agora, em vez de cientistas trabalhando em silos isolados, todos têm acesso a um único, gigantesco e detalhado mapa genético de todos os cães. Isso acelera a descoberta de curas para doenças caninas e, indiretamente, ajuda a entender doenças humanas, já que cães e humanos compartilham muitos problemas de saúde similares.

Resumo técnico

Resumo Técnico: CanVAS – Um Atlas de Variantes Caninas Harmonizado e Imputado

1. O Problema

O cão doméstico (Canis lupus familiaris) é um modelo poderoso para estudos genéticos de doenças complexas devido à sua estrutura populacional única (raças com fundadores pequenos e isolamento genético). No entanto, a integração de dados genotípicos caninos para estudos de larga escala tem sido limitada por barreiras técnicas significativas:

• Fragmentação de Dados: Os dados estão distribuídos em 15 conjuntos independentes, gerados em diferentes plataformas (Illumina CanineHD, Thermo Fisher Axiom, Sequenciamento Completo do Genoma).
• Incompatibilidade Técnica: Os conjuntos de dados utilizam diferentes builds de genoma (CanFam2, CanFam3.1, CanFam4), convenções de fita (TOP/BOT vs. fita direta), esquemas de codificação de alelos (ACGT vs. numérico) e identificadores de SNP inconsistentes.
• Consequência: A maioria das pesquisas analisa apenas seus próprios dados, desperdiçando poder estatístico e impedindo meta-análises robustas ou estudos de associação genômica ampla (GWAS) trans-raças.

2. Metodologia

Os autores desenvolveram o CanVAS (Canine Variant Atlas), um pipeline completo para harmonizar, controlar a qualidade e imputar dados genotípicos. O processo envolveu:

• Coleta de Dados: Integração de 15 conjuntos de dados públicos (Dryad, Zenodo, repositórios institucionais), totalizando 15.451 cães de mais de 375 raças, além de cães de aldeia, dingos, lobos e coiotes.
• Harmonização do Build do Genoma:
  • Todos os dados foram inicialmente mapeados para o CanFam3.1.
  • Para dados em CanFam2 ou sem coordenadas, utilizou-se um mapeamento baseado em IDs de sonda (comparação direta com o conjunto de dados Hayward et al. 2016) em vez de liftover por cadeia, garantindo correspondência exata.
  • O conjunto final foi convertido para o CanFam4 (UU_Cfam_GSD_1.0), o build de referência mais recente.
• Harmonização de Fita e Alelos: A convenção de fita foi determinada empiricamente comparando cada coorte com o conjunto de dados GRLS (Golden Retriever Lifetime Study) como referência. Alelos ambíguos (A/T e C/G) foram removidos durante a fusão.
• Controle de Qualidade (QC):
  • Filtragem de SNPs com >2% de dados faltantes e amostras com >5% de dados faltantes.
  • Teste de Equilíbrio de Hardy-Weinberg (HWE) aplicado apenas a coortes de raça única (para evitar o efeito Wahlund em coortes mistas).
  • Remoção de duplicatas de amostras (identidade por descendência, $\hat{\pi} \ge 0.90$) e sobreposição com o painel de referência Dog10K.
• Imputação:
  • Utilização do painel de referência Dog10K (1.929 cães de 321 raças com sequenciamento completo do genoma).
  • Ferramenta: Beagle 5.4.
  • Critérios de filtro pós-imputação: $DR^2 \ge 0.3$ e Frequência Alélica Mínima (MAF) $\ge 0.01$.

3. Principais Contribuições e Resultados

• Recurso de Dados Unificado:
  • Backbone Tipado: 77.215 SNPs compartilhados entre todas as coortes.
  • Conjunto Imputado: Expansão para 9,7 milhões de variantes (incluindo ~3 milhões de variantes raras com MAF < 0,05).
  • Formato: Arquivos PLINK prontos para análise no CanFam4.
• Validação Técnica:
  • Concordância de Alelos: >99% de concordância após correção de fita.
  • Estrutura Populacional: Análise de Componentes Principais (PCA) e UMAP recuperaram com precisão a estrutura de raças conhecida, sem efeitos de lote sistemáticos entre as coortes originais.
  • Qualidade de Imputação: A densidade de variantes aumentou 125 vezes em relação ao backbone tipado. A taxa de passagem média foi de 82,0% ($DR^2 \ge 0.3$).
  • Exceção Técnica: Os cromossomos 27 e 32 apresentaram qualidade de imputação reduzida devido a uma reversão de coordenada documentada entre CanFam3.1 e CanFam4, exigindo filtragem ou exclusão em análises sensíveis.
• Análise Biológica (ROH):
  • A análise de Homozigose Contínua (Runs of Homozygosity - ROH) recuperou padrões conhecidos de endogamia.
  • Raças como New Guinea Singing Dogs e Skye Terriers mostraram altos coeficientes de endogamia ($F_{ROH}$), enquanto cães de aldeia e mistos mostraram os mais baixos.
  • O espectro de frequência alélica imputado recuperou a distribuição em "L" esperada sob teoria neutra, corrigindo o viés de ascensão para alelos comuns presente nos arrays de SNPs originais.
• Validação de Loci Conhecidos: A divergência de frequência alélica em loci de características conhecidas (ex: tamanho corporal, cor da pelagem) foi mais pronunciada no conjunto imputado, confirmando a capacidade de detectar variantes próximas às causais.

4. Significado e Impacto

O CanVAS representa um marco na genética canina ao transformar dados fragmentados em um recurso unificado e de alta densidade.

• Potencialização de GWAS: Permite estudos de associação genômica ampla com poder estatístico sem precedentes, integrando milhares de amostras de múltiplas raças.
• Acesso a Variantes Raras: A imputação permite o estudo de variantes raras e a estrutura de haplótipos que não são cobertos por chips de genotipagem comerciais.
• Reprodutibilidade: Todo o pipeline de código (Python, Bash, PLINK) está disponível publicamente no GitHub, permitindo que outros pesquisadores repliquem a harmonização ou apliquem o método a novos dados.
• Aplicações Futuras: O recurso é fundamental para calcular escores de risco poligênico (PRS), mapear varreduras de seleção e entender a arquitetura genética de doenças complexas e traços mendelianos em cães, servindo como modelo translacional para a saúde humana.

Disponibilidade: Os dados imputados, metadados e scripts estão disponíveis no Zenodo e no GitHub sob licenças abertas (CC0/MIT).