Panomap: Unbiased Nanopore Signal Mapping with Pangenome Variation Graphs

Resumo Técnico: Panomap – Mapeamento de Sinal de Nanopore Não Enviesado com Grafos de Variação de Pangenoma

Declaração do Problema
O sequenciamento por nanoporos gera sinais de corrente iônica brutos que podem ser analisados no "espaço de sinal" para permitir o mapeamento em tempo real e decisões de amostragem adaptativa sem a sobrecarga computacional do basecalling. No entanto, os mapeadores de espaço de sinal existentes (ex: RawHash2, Sigmoni) são projetados em torno de um genoma de referência linear. Essa dependência de uma única referência linear introduz um viés de referência quando a amostra diverge dessa referência. Embora os grafos de variação de pangenoma ofereçam uma representação compacta e não enviesada da diversidade genética ao armazenar sequências compartilhadas uma única vez e codificar variantes como caminhos alternativos, as ferramentas atuais de espaço de sinal não conseguem utilizar esses grafos. Em vez disso, elas devem tratar os pangenomas como coleções de sequências lineares independentes (multi-FASTA), o que leva ao armazenamento redundante de sequências compartilhadas e a resultados de mapeamento separados e não correlacionados para leituras que coincidem com múltiplas referências relacionadas.

Metodologia
O Panomap é o primeiro mapeador de espaço de sinal projetado para operar diretamente em grafos de variação de pangenoma (no formato GFA). O fluxo de trabalho consiste em duas fases principais: indexação de grafo e mapeamento de leitura.

1. Indexação de Grafo:

   • Expansão Direcional: O Panomap converte o grafo bidirecional de entrada em um grafo direcionado, criando cópias separadas de sentido forward e reverse-complement para nós, arestas e caminhos. Isso torna a orientação da fita explícita antes da indexação.
   • Indexação de Sementes de Sinal por Caminho: A ferramenta percorre cada caminho no grafo direcionado. Ela "esquematiza" (squigglizes) a sequência de bases em um fluxo de eventos esperado usando uma tabela de modelo de poro normalizada, aplica compressão de homopolímero por nível de evento (HPC) e tokeniza os eventos usando um quantizador adaptativo de 4 bits. As sementes são extraídas através do hashing de janelas de tokens consecutivos. Crucialmente, o Panomap deduplica registros de sementes para nós compartilhados do grafo, garantindo que as sequências compartilhadas sejam indexadas apenas uma vez, permitindo que o índice escale sublinearmente com o tamanho do pangenoma.
   • Indexação de Coordenadas de Grafo: Duas estruturas de coordenadas são construídas:
     • Um sistema de coordenadas de caminho que etiqueta cada visita ao nó com um identificador de caminho e uma posição de base cumulativa, permitindo o encadeamento colinear dentro de camros específicos.
     • Um sistema de coordenada global 1D aproximada (adaptado do 1D PG-SGD do ODGI) usado para detectar e deduplicar cadeias sobrepostas entre diferentes caminhos.

2. Mapeamento de Leitura:

   • Processamento de Sinal: Os sinais brutos de nanoporos são processados em blocos (chunks). O sinal é convertido em corrente de picoampere, segmentado em eventos, normalizado, tokenizado e transformado em sementes via hashing para corresponder ao espaço do índice de referência.
   • Formação de Âncoras e Encadeamento: Correspondências entre sementes de leitura e o índice de sementes formam âncoras de grafo. O Panomap expande essas âncoras em âncoras específicas de caminho usando o índice de coordenadas de caminho. Em seguida, realiza o encadeamento colinear de forma independente dentro de cada caminho, utilizando uma formulação baseada em minimap2/RawHash2.
   • Deduplicação de Cadeia e Decisão: As cadeias são pontuadas e filtradas. Um sistema de coordenada 1D global identifica e descarta cadeias quase duplicadas originadas de diferentes caminhos que cobrem a mesma região genômica. Uma pontuação de decisão ponderada determina se uma leitura deve emitir um mapeamento com base na qualidade da melhor cadeia em relação aos competidores, permitindo decisões precoces em prefixos curtos de sinal.

Principais Contribuições

• Primeiro Mapeador de Espaço de Sinal para Grafos: O Panomap preenche a lacuna entre a análise de espaço de sinal e os grafos de variação de pangenoma, permitindo o mapeamento direto de sinais brutos para referências em grafo.
• Indexação Eficiente: Ao indexar caminhos dentro de um grafo e deduplicar sementes para nós compartilhados, o Panomap alcança uma escala de índice sublinear em relação ao tamanho da coleção de pangenomas, evitando a redundância inerente às abordagens multi-FASTA.
• Encadeamento Consciente de Caminhos: O método projeta âncoras de grafo em caminhos específicos para realizar o encadeamento, preservando distâncias de nucleotídeos precisas e lidando explicitamente com ciclos, o que é crítico para a precisão do espaço de sinal, onde a correção de alinhamento a jusante é computacionalmente difícil.

Resultados
Os autores avaliaram o Panomap contra ferramentas de última geração (RawHash2 e Sigmoni) em três cenários:

1. Escalabilidade de Pangenoma com uma Boa Referência: Quando uma única referência já representa bem a amostra, o Panomap mantém alta precisão de mapeamento (F1 ~0,94 para SARS-CoV-2, ~0,89 para S. cerevisiae) conforme a coleção de referências cresce de 1 para 8 sequências. Em contraste, o RawHash2 e o Sigmoni mostraram regressão de desempenho (menor F1 e recall) conforme o tamanho da coleção aumentava, devido à diluição de pontuação entre múltiplos alvos redundantes.
2. Tratamento de Cepa Ausente: Quando a linhagem exata da amostra estava ausente da referência, o Panomap melhorou a precisão de mapeamento ao incorporar montagens relacionadas ao pangenoma. Os escores de Macro F1 aumentaram conforme mais montagens relacionadas eram adicionadas, enquanto o desempenho do Sigmoni declinou.
3. Recuperação de Locus Polimórfico: No locus altamente polimórfico HLA-DRB1, o Panomap demonstrou um recall superior para leituras de alelos divergentes (até 41% de divergência da referência) quando o alelo de origem estava ausente da referência, mas alelos relacionados estavam presentes no grafo. Esse ganho foi mais pronunciado ao realizar decisões de mapeamento a partir de prefixos curtos de sinal (1–2 blocos), onde as referências lineares tiveram um desempenho ruim.
4. Eficiência de Recursos: O tamanho do índice do Panomap escala sublinearmente (ex: crescendo apenas 2,2x para S. cerevisiae quando a coleção de tamanho aumentou 8x), enquanto o índice do RawHash2 cresceu quase linearmente. O tempo de processamento por leitura permaneceu competitivo, embora o Panomap tenha sido ligeiramente mais lento em pangenomas grandes e complexos (comunidade Zymo) devido ao custo do encadeamento por caminho.

Significância
O artigo afirma que o Panomap consegue trazer a "representação de referência consciente de população" para o mapeamento de espaço de sinal. Ao operar diretamente em grafos de variação, ele elimina o viés de referência sem a redundância de armazenamento das coleções de referência linear. Os resultados demonstram que o Panomap pode aproveitar a diversidade do pangenoma para melhorar a precisão do mapeamento para amostras e alelos divergentes, particularmente em cenários que exigem decisões rápidas a partir de dados limitados de sinal. Os autores identificam o encadeamento consciente de grafos e a representação robusta de sinal como direções fundamentais para melhorias futuras para tornar o mapeamento de espaço de sinal escalável e preciso para pangenomas de grande escala.