Size dependent loss of structural variant allele counts in pangenome derived VCFs

Cada ser humano carrega um conjunto único de instruções escritas na linguagem do DNA. Embora grande parte deste código seja idêntica de pessoa para pessoa, as diferenças são o que nos tornam indivíduos e impulsionam a nossa saúde. Os cientistas têm focado há muito tempo em minúsculas mudanças de uma única letra no código, que são fáceis de detectar e registrar. No entanto, as diferenças mais dramáticas envolvem grandes blocos de DNA — às vezes milhares de letras longas — que são deletados, duplicados ou invertidos. Estas são chamadas de variantes estruturais. Por serem tão grandes e complexas, são muito mais difíceis de mapear do que as mudanças de uma única letra. No passado, os cientistas tentavam forçar estas diferenças grandes e desordenadas em uma lista linear simples, tal como tentar descrever uma estrada de montanha sinuosa listando apenas os segmentos de rodovia reta que ela atravessa. Esta abordagem frequentemente perdia detalhes cruciais sobre quantas pessoas realmente carregavam uma mudança específica.

Para resolver isso, pesquisadores desenvolveram recentemente uma nova forma de armazenar dados genéticos chamada grafo de pangenoma. Em vez de uma única linha reta, este grafo tece as sequências de DNA de muitas pessoas diferentes em uma estrutura ramificada. Neste mapa, o DNA de cada pessoa é um caminho que serpenteia através da mesma paisagem, divergindo e reunindo-se em diferentes pontos. Isso permite que os cientistas vejam as variantes estruturais grandes como características naturais do terreno, em vez de anotações forçadas. No entanto, quase todo o software usado para estudar doenças e evolução ainda espera os dados no formato de lista simples e antigo. Para usar o novo grafo, os cientistas devem convertê-lo de volta em uma lista, um processo que atua como um tradutor entre dois idiomas muito diferentes. A questão crítica era se este processo de tradução preserva a contagem real de quantas pessoas carregam uma variante grande, ou se o ato de converter os dados fragmenta a informação.

Uma equipe de pesquisadores estabeleceu o objetivo de testar exatamente isto. Eles criaram um experimento controlado onde sabiam a resposta antes de começarem. Usando sequências reais de DNA humano como base, eles simularam painéis de vinte indivíduos, posicionando cuidadosamente grandes variantes estruturais em locais específicos e atribuindo-as a portadores conhecidos. Como eles mesmos projetaram o experimento, sabiam o número exato de pessoas carregando cada variante. Eles então construíram um grafo de pangenoma a partir destes dados simulados e o passaram pelo pipeline de conversão padrão usado por grandes consórcios de pesquisa para transformar o grafo de volta em uma lista. Ao comparar a lista final contra a sua verdade original, eles puderam ver exatamente o que informação sobreviveu à jornada e o que foi perdido.

Os resultados revelaram um problema claro e sistemático. Para variantes pequenas, a conversão funcionou quase perfeitamente, preservando a contagem de portadores. No entanto, à medida que o tamanho da variante aumentava, a precisão da contagem caía drasticamente. Para variantes de 100 letras de comprimento, a conversão identificou corretamente a contagem de portadores em quase todos os casos. Contudo, para variantes de 30.000 letras de comprimento, a contagem correta foi recuperada em apenas cerca de metade dos casos. Quanto maior a variante, maior a probabilidade de o processo de conversão fragmentar os dados, dividindo um único grupo de portadores em muitos grupos menores e não relacionados. Esta fragmentação era ainda pior em regiões do genoma que já são difíceis de ler, conhecidas como duplicações segmentares, onde a contagem correta foi recuperada em menos de 40 por cento das maiores variantes.

Os pesquisadores rastrearam a origem deste erro até o primeiro passo do processo de conversão. Quando o grafo é decomposto em uma lista, o software procura por "bolhas" — seções onde os caminhos divergem e se reúnem. Ele trata cada caminho único através de uma bolha como uma variante distinta. Como as bolhas grandes frequentemente contêm muitas diferenças minúsculas e não relacionadas entre os portadores, o software erroneamente vê uma única deleção grande como dezenas de eventos ligeiramente diferentes. As etapas subsequentes no pipeline, que são projetadas para limpar e simplificar a lista, não puderam corrigir este mal-entendido fundamental. Elas podiam fundir alguns dos fragmentos, mas não podiam reconstruir o grupo original e unificado de portadores porque a decomposição inicial já havia perdido a conexão.

Para provar que isto era uma falha no método de tradução e não uma falha no próprio grafo, a equipe tentou uma abordagem diferente. Em vez de converter o grafo em uma lista primeiro, eles escreveram uma ferramenta que contava os portadores diretamente ao percorrer os caminhos do grafo. Este método ignorava a tradução inteiramente. Quando utilizaram este método de contagem direta, recuperaram a contagem correta de portadores para 99 por cento das variantes, independentemente do seu tamanho. Isto demonstrou que a informação ainda estava presente no grafo, mas o método padrão de convertê-lo em uma lista estava falhando ao lê-la corretamente. O problema não estava no mapa, mas na maneira como o mapa estava sendo lido.

A equipe então olhou para dados do mundo real do Human Pangenome Reference Consortium para ver se este problema existia fora de suas simulações. Eles examinaram uma deleção grande específica encontrada na população humana, carregada por 216 de 461 indivíduos. Nos dados brutos do grafo, este evento único aparecia como 84 alelos diferentes, com o maior grupo contendo apenas 25 portadores. Quando olharam para a lista publicada final, o evento foi dividido em quatro registros separados. Embora o número total de portadores estivesse aproximadamente correto quando somados, o evento não era mais reconhecido como uma unidade única. Qualquer análise que contasse quantos tipos distintos de variantes estruturais existiam no genoma contaria erroneamente este único evento como quatro, inflando a diversidade e distorcendo a compreensão de quão comum a variante realmente era.

O estudo conclui que, embora os grafos de pangenoma ofereçam uma imagem mais completa da variação genética humana, as ferramentas padrão usadas para compartilhar e analisar estes dados estão atualmente quebrando a informação mais importante para as variantes grandes. A perda de contagens precisas não é um erro raro, mas uma consequência previsível de como os dados são traduzidos. Os pesquisadores sugerem que, para estudos que dependem da frequência de grandes variantes estruturais, os cientistas devem contar os portadores diretamente dos caminhos do grafo, em vez de depender das listas convertidas. Esta abordagem é mais rápida e muito mais precisa, garantindo que a verdadeira escala da diversidade genética não seja perdida na tradução de um mapa complexo para uma lista simples.