Facilitating genome annotation using ANNEXA and long-read RNA sequencing

本研究介绍了一个名为 ANNEXA 的开源 Nextflow 流程，该流程通过整合长读长 RNA 测序数据、多种转录组重建工具及深度学习模型，显著提升了基因组注释的准确性与质量控制能力，并在跨物种癌症研究中成功鉴定出大量新型基因和转录本。

要点

这篇论文介绍了一个名为 ANNEXA 的新工具，它就像是一个**“基因组翻译官兼质检员”**，专门用来帮助科学家更准确地读懂生物体的“生命说明书”（基因组）。

为了让你更容易理解，我们可以把整个研究过程想象成**“修复和扩充一本破损的百科全书”**。

1. 背景：为什么我们需要这个工具？

想象一下，科学家终于拼凑出了一本完整的《生命百科全书》（完整的基因组序列），就像把散落的拼图终于拼好了。但是，这本百科全书里的很多章节（基因）写得非常模糊，或者有些页码是缺失的。

以前，科学家用的“阅读工具”（短读长测序）就像是用放大镜看报纸，只能看到几个字，很难知道整句话是怎么连起来的，尤其是那些重复的段落（比如基因里的重复序列）根本读不通。

现在，有了**“长读长测序技术”（LR-RNAseq），就像换成了“高清摄像机”**，可以直接拍下整段整段的文字（完整的基因转录本），不管是复杂的句子还是生僻的词汇都能看清。

但是，高清摄像机也有缺点：

• 有时候拍出来的画面是断断续续的（转录本不完整）。
• 有时候会把杂音误认为是文字（产生错误的基因模型）。
• 有时候分不清哪些是正经文章（编码蛋白质的 mRNA），哪些是旁注或注释（非编码 RNA，如 lncRNA）。

2. ANNEXA 是什么？

ANNEXA 就是为了解决上述问题而生的**“智能校对与扩充系统”。它不仅仅是一个工具，而是一条自动化流水线**，主要做四件事：

第一：双引擎校对（转录本重建）

ANNEXA 同时使用了两个强大的“校对员”（软件工具）：Bambu 和 StringTie2。

• 比喻：就像请了两位不同的翻译官来翻译同一本古籍。
  • Bambu 比较严谨，它参考已有的字典，只翻译那些它非常有把握的句子，所以它找到的“新句子”质量很高，但数量可能少一点。
  • StringTie2 比较大胆，它喜欢尝试各种组合，能发现很多以前没见过的“新句子”，但其中可能混入了一些乱码。
• ANNEXA 的做法：它把这两位翻译官的结果都收进来，然后进行比对和整合，确保不漏掉任何重要信息，同时尽量剔除乱码。

第二：智能分类（区分正经文章和旁注）

在基因组里，有些基因是负责生产蛋白质的（mRNA，就像书里的正文），有些是不生产蛋白质但起调控作用的（lncRNA，就像书里的批注或脚注）。

• 比喻：ANNEXA 像是一个图书分类员。它利用深度学习模型（AI）和专门的算法（FEELnc），能精准地把“正文”和“批注”分开，甚至能识别出哪些是“反义批注”（在反面写的字）。

第三：严格质检（过滤断章取义）

这是 ANNEXA 最厉害的地方。因为高清摄像机拍出来的长视频，开头（转录起始位点 TSS）经常是模糊的。

• 比喻：想象你在整理一堆录音带，有些录音带只有中间一段，开头是杂音。ANNEXA 使用了一个**"AI 听音器”**（TransforKmer 模型），它能听出这段录音的开头是不是真的“人话”（生物学上有效的起始点）。
• 如果开头是杂音，ANNEXA 就会把这段录音（基因模型）扔掉，只保留那些开头清晰、完整的录音。这大大减少了错误的发现。

第四：生成质检报告（可视化）

最后，ANNEXA 会生成一份漂亮的**“体检报告”**。

• 比喻：就像你去医院做完检查，医生给你一张图表，告诉你：这次检查发现了多少个新细胞？哪些是健康的？哪些可能是病变的？
• 这份报告让科学家能一眼看出：我们发现了多少新基因？哪些是以前没见过的？哪些可能是假的？

3. 这个工具真的有用吗？（实际应用）

为了测试 ANNEXA，科学家把它用在了人类和狗的癌症细胞上（特别是黑色素瘤和骨肉瘤）。

• 发现：ANNEXA 成功地在人类和狗的基因组里都找到了很多以前没被记录的新基因。
• 跨物种惊喜：最有趣的是，科学家发现有些在狗身上新发现的基因，竟然在人类身上也有对应的“亲戚”（同源基因），而且这些基因在两种动物身上都很活跃。
• 意义：这意味着狗可以作为研究人类癌症的绝佳模型。如果我们能读懂狗基因组里这些新发现的“秘密章节”，就能反过来帮助人类理解癌症的机制。

总结

ANNEXA 就像是一个超级编辑团队：

1. 它利用最先进的长镜头（长读长测序）去拍摄生命。
2. 它请了两位风格不同的专家（Bambu 和 StringTie）来整理素材。
3. 它用AI 滤镜（深度学习）去伪存真，把模糊和错误的片段剔除。
4. 它最终交出了一份清晰、准确、经过严格质检的“生命说明书”扩充版。

这项研究不仅让科学家能更准确地读懂人类和狗的基因，也为未来的癌症治疗和新药研发提供了更坚实的基础。而且，这个工具是免费开源的，全世界的科学家都可以拿来用。

技术摘要

这是一份关于论文《Facilitating genome annotation using ANNEXA and long-read RNA sequencing》（利用 ANNEXA 和长读长 RNA 测序促进基因组注释）的详细技术总结。

1. 研究背景与问题 (Problem)

随着端粒到端粒（T2T）完整基因组组装的普及，基因组研究的重点已从提高基因组完整性转向精细化基因组注释。

• 现有挑战：虽然长读长 RNA 测序（LR-RNAseq，如 PacBio 和 Oxford Nanopore）能够跨越重复区域并连接远距离外显子，显著改善了全长转录本的重建，但仍面临转录本碎片化（特别是 5'端转录起始位点 TSS 缺失）和异构体表示不完整的问题。
• 工具局限性：现有的转录本组装工具（如 StringTie2 和 Bambu）在性能上各有侧重，但缺乏统一的流程来同时处理编码 RNA（mRNA）和非编码 RNA（lncRNA）的注释，且缺乏针对新发现转录本严格的质量控制（QC）策略。此外，现有的流程往往针对特定测序技术（如仅支持 Nanopore 或 PacBio），且难以区分不同 RNA 生物类型（biotypes）的注释准确性。

2. 方法论 (Methodology)

研究团队开发了 ANNEXA，一个基于 Nextflow 的可扩展、可重复的开源分析流程，旨在利用 LR-RNAseq 数据扩展参考基因组注释，并提供严格的质量控制。

核心模块：

1. 转录组重建与定量：

   • 整合了两个主流组装工具：Bambu（基于参考引导的机器学习算法）和 StringTie2（基于剪接图组装）。
   • 支持多样本合并，生成统一的非冗余转录本集。
   • 允许用户根据研究目标调整参数（如 Bambu 的新颖发现率 NDR 阈值），以平衡灵敏度与精确度。

2. 编码潜力评估与转录本分类：

   • 集成 FEELnc 工具，系统性地预测新转录本的编码潜力，区分 mRNA 和 lncRNA。
   • 使用 TransDecoder 预测编码区（CDS）。
   • 利用 GffCompare 将新转录本与参考注释比对，分配类别代码（class_code），识别新基因、新异构体或反义转录本。

3. 转录本过滤与全长评估：

   • 双重过滤策略：
     • NDR 过滤：基于 Bambu 的置信度评分。
     • TransforKmer 过滤：利用基于 DNABERT 架构微调的深度学习模型，评估新转录本 TSS 的生物学合理性。
   • 提供“并集”（Union）或“交集”（Intersection）过滤模式，让用户根据需求选择保留更多候选者（高灵敏度）或仅保留高置信度转录本（高精确度）。

4. 质量控制 (QC)：

   • 受 SQANTI 启发，生成详细的 QC 报告。
   • 指标包括：结构特征（基因/转录本长度分布、单/多异构体比例）、定量特征（读段计数分布）以及基因体覆盖度分析（检测 5'/3'端偏差）。
   • 提供直观的可视化图表，便于比较编码和非编码转录组。

实验验证：

• 数据：对 2 个人类（黏膜黑色素瘤）和 8 只犬（黏膜黑色素瘤、组织细胞肉瘤、骨肉瘤）的癌细胞系进行了 ONT 直接 cDNA 测序。
• 基准测试：使用多种参考注释（人类：Gencode, CHESS；犬：Ensembl, RefSeq, Uppsala）评估 ANNEXA 在不同物种和注释完整性下的表现。
• 同源性分析：将犬类新发现的基因映射到人类基因组，寻找跨物种保守的候选基因。

3. 主要贡献 (Key Contributions)

• 首个集成化流程：ANNEXA 是首个同时整合 Bambu 和 StringTie2，并专门针对 LR-RNAseq 数据优化，能够同时处理 mRNA 和 lncRNA 注释及 QC 的 Nextflow 流程。
• 深度学习辅助的 TSS 验证：创新性地引入基于 Transformer 的深度学习模型（TransforKmer）来过滤不完整的转录本，显著提高了新发现转录本的生物学真实性。
• 灵活的过滤机制：提供了从“全量发现”到“严格过滤”的多种模式，适应不同研究阶段的需求（探索性 vs. 验证性）。
• 跨物种比较框架：成功应用于人 - 犬比较肿瘤学研究，展示了在注释不完整物种（如犬）中利用 LR-RNAseq 发现新基因并验证其跨物种保守性的能力。

4. 研究结果 (Results)

• 工具性能差异：
  • Bambu 在重建已知基因和转录本方面表现更优，特别是在注释完善的基因组中，其预测的转录本数量较少但置信度更高（精确度高）。
  • StringTie2 倾向于发现更多的新转录本（灵敏度高），但包含更多碎片化或假阳性片段。
  • lncRNA 分类差异：Bambu 能更有效地检测反义 lncRNA（antisense lncRNAs），而 StringTie2 更倾向于将新转录本归类为基因间区（lincRNA）或已知基因的新异构体。
• 参考注释的影响：参考注释的完整性显著影响新元素的发现数量。使用更完整的注释（如人类 Gencode v47）会减少新发现的数量，但提高了结果的可靠性。
• 过滤效果：应用 ANNEXA 的 TSS 过滤后，新发现基因的数量大幅减少（例如在犬类数据中从 9,612 降至 749），但经过过滤的集合中，获得 CAGE 数据（独立实验证据）支持的 TSS 比例从 9.3% 提升至 52%。
• 跨物种发现：在犬类中发现的 9,614 个新基因中，有 38.6% 可映射到人类基因组。其中发现了 5 个在犬和人类中均新发现的保守 lncRNA 基因，部分在人类中被预测为编码蛋白，为功能验证提供了新候选者。

5. 意义与影响 (Significance)

• 提升注释可靠性：ANNEXA 通过结合多种组装工具和严格的深度学习过滤，解决了 LR-RNAseq 数据中常见的转录本碎片化问题，显著提高了扩展基因组注释的准确性。
• 非编码 RNA 研究：该流程特别强化了对 lncRNA 的系统性注释和分类，填补了现有工具在区分不同 lncRNA 亚型（如反义转录本）方面的空白。
• 比较基因组学价值：通过人 - 犬比较肿瘤学案例，证明了该流程在发现跨物种保守功能元件方面的潜力，为利用动物模型研究人类癌症提供了新的分子视角。
• 开源与可重复性：作为开源的 Nextflow 流程，ANNEXA 支持 Docker/Singularity 容器，易于在不同计算环境中部署，促进了长读长转录组学分析的标准化和可重复性。

总结：ANNEXA 是一个强大的工具，它不仅能够利用长读长测序数据扩展基因组注释，还通过引入深度学习质量控制和灵活的过滤策略，确保了新发现转录本（特别是 lncRNA）的生物学真实性，为功能基因组学和比较肿瘤学研究提供了关键的基础设施。