A pangenome-graph approach for mapping and imputing barley sequences

Imagine que você esteja tentando organizar uma biblioteca enorme, mas em vez de livros, as prateleiras estão cheias de manuais de instrução para construir seres vivos. Este é o mundo da genômica, a ciência de ler e compreender o DNA que torna cada planta, animal e pessoa única. Por muito tempo, os cientistas tentaram organizar esta biblioteca escolhendo apenas um único livro "perfeito" como a cópia mestre. Eles comparavam cada novo livro encontrado contra este mestre único, assumindo que quaisquer diferenças eram apenas erros de digitação ou páginas faltando. Mas e se a cópia mestre estiver com capítulos inteiros faltando que outros livros possuem? E se os "erros de digitação" forem, na verdade, histórias inteiras novas? Isso é especialmente complicado com culturas como a cevada, que possuem manuais de instrução enormes e complicados, repletos de padrões repetitivos que são difíceis de ler. Os cientistas se importam com isso porque, se quisermos cultivar alimentos que sobrevivam a secas, pragas ou mudanças climáticas, precisamos ver o quadro completo da diversidade genética, e não apenas a versão encontrada em uma única planta.

Entram em cena os pesquisadores por trás deste novo estudo, que decidiram parar de usar um único livro mestre e, em vez disso, construíram um mapa gigante e interconectado de toda a família da cevada. Eles começaram com o "MorexV3", o genoma de referência existente, que é como o livro único mais completo que possuímos, mas perceberam que ele não era suficiente para capturar a vasta variedade de cevada encontrada nos campos ao redor do mundo. Assim, eles construíram algo chamado "Pan20", um pangenoma em grafo. Pense nisso não como um texto em linha reta, mas como um mapa de metrô espalhavalhoso. Em um livro normal, você lê do início ao fim em uma linha reta. Neste mapa de metrô, os trilhos (sequências de DNA) ramificam-se, fazem voltas e se reconectam. Algumas estações (genes) estão em todas as linhas de trem, enquanto outras estão apenas em rotas específicas percorridas por certas variedades de cevada. Este grafo captura a "diversidade global" de landraces e cultivares, o que significa que ele contém os segredos genéticos de tipos de cevada que o antigo livro único completamente ignorou.

Para tornar este mapa útil, a equipe teve que descobrir como pegar um novo pedaço desconhecido de DNA de cevada e descobrir onde ele se encaixa neste complexo sistema de metrô. Eles criaram uma estratégia inteligente de duas etapas. Primeiro, usaram uma ferramenta chamada GMAP para ter uma ideia geral de onde o pedaço pertence, algo como usar um GPS para encontrar o bairro geral. Em seguida, usaram um "Gráfico de Haplótipo Prático" (PHG) para dar um zoom e encontrar a parada exata. Isso é como pegar essa localização do GPS e verificar um mapa local detalhado para ver em qual rota de ônibus específica você está. Este método permite que eles detectem a "variação de presença-ausência", que é uma forma elegante de dizer que eles podem identificar se um pedaço específico de DNA está lá ou se está faltando inteiramente, em vez de apenas procurar por pequenos erros ortográficos. Crucialmente, este sistema mantém tudo alinhado ao sistema de coordenadas original do MorexV3, para que os cientistas ainda possam conversar usando as mesmas coordenadas de mapa, mesmo que estejam olhando para caminhos genéticos completamente diferentes.

Os resultados dos testes deste novo grafo foram bastante reveladores. Quando tentaram mapear longas fitas de DNA e RNA de cevada (as cópias de trabalho das instruções) contra este grafo, funcionou maravilhosamente bem. Na verdade, descobriram que cerca de um terço das longas sequências genômicas que testaram não se encaixavam no genoma de referência original de forma alguma; elas só faziam sentido quando colocadas nas partes "não-referência" do grafo. Isso prova que confiar em um único livro estava deixando de fora uma parte massiva da história. Além disso, testaram isso com dados do mundo real de "Genotipagem por Sequenciamento" e "sequenciamento de baixa cobertura" (métodos que leem o DNA de forma rápida e barata, mas não perfeitamente). O grafo lidou com esses arquivos de dados bagunçados e incompletos de forma eficiente, preenchendo com sucesso as lacunas ausentes (imputação) enquanto mantinha o contexto local do "bairro" genético intacto.

O artigo sugere que este framework flexível é um divisor de águas para os pesquisadores de cevada. Ele permite explorar a diversidade genética além de um único ponto de referência e analisar grupos de plantas no nível de haplótipos inteiros (blocos de genes herdados juntos), em vez de apenas olhar para mudanças de letras individuais (SNPs). Embora o artigo não afirme que isso resolve todos os problemas da agricultura, demonstra que o grafo pode alinhar sequências com precisão e preservar o contexto complexo do genoma. A equipe disponibilizou suas ferramentas ao público, incluindo um container Docker para configuração fácil e uma aplicação web onde as pessoas podem mapear suas próprias sequências, convidando a comunidade científica a explorar a rica e ramificada história da cevada em conjunto.