MosaicTR: tandem repeat somatic instability quantification from long-read sequencing

MosaicTR 是一种利用长读长测序数据量化串联重复序列体细胞不稳定性的工具，它克服了短读长测序的读长和 PCR 滑动限制，通过 motif 单元加权指标有效降低测序噪声，并支持在不同组织或时间点间检测特异性不稳定性变化。

要点

这篇论文介绍了一个名为 MosaicTR 的新工具，它就像是一个超级精密的“基因复读机”质检员。

为了让你更容易理解，我们可以把人类的基因组想象成一本巨大的、写满指令的百科全书。在这本书里，有些段落是由完全相同的短句（比如“猫猫猫”或“狗狗狗”）不断重复组成的，这些就是串联重复序列（Tandem Repeats）。

1. 为什么我们需要这个工具？（背景故事）

• 问题所在：这本“百科全书”里的重复段落有时候会“出故障”。
  • 在亨廷顿舞蹈症等遗传病中，这些重复段落会莫名其妙地变长（比如从“猫猫猫”变成“猫猫猫...猫猫猫”），而且这种变长会随着时间推移在身体不同部位发生得程度不同。
  • 在癌症中，这种重复段落的混乱（不稳定性）是身体修复机制（错配修复）失效的信号，就像工厂的质检员罢工了，导致产品次品率飙升。
• 以前的困难：
  • 以前的工具（短读长测序）就像是用小放大镜看这本书。如果重复段落太长，小放大镜就看不全，只能看到一半，或者因为镜头抖动（PCR stutter）把“猫猫猫”看成了“猫猫猫猫”，导致误判。
  • 而且，每个人有两套书（来自父母各一套）。以前的工具经常把这两套书混在一起看，分不清到底是哪一套出了问题。

2. MosaicTR 是怎么工作的？（核心魔法）

MosaicTR 利用了长读长测序技术（就像用高清长卷摄像机直接拍下整段文字），并引入了三个聪明的策略：

A. 给每本书贴上“专属标签” (Haplotype-tagging)

想象你有两本一模一样的书，一本是爸爸给的，一本是妈妈给的。MosaicTR 会给每一页都贴上标签，告诉电脑：“这一页来自爸爸，那一页来自妈妈”。

• 好处：它能分开看，精准地知道是“爸爸的那本”变长了，还是“妈妈的那本”变长了，或者两本都变了。

B. 发明了一个“去噪滤镜” (Motif-unit-weighted metric)

这是最精彩的部分。

• 噪音 vs. 信号：测序机器有时候会犯错。比如，机器可能把“猫猫猫”误读成“猫猫猫猫”（多了一个字）。
  • 如果是机器误差：通常只是多读或少读了几个字（亚基序错误）。
  • 如果是真实病变：通常是整句整句地增加（比如多了一整句“猫猫猫”）。
• MosaicTR 的魔法：它给“整句增加”的读数打高分，给“只多几个字”的读数打低分（甚至忽略）。
  • 比喻：就像在嘈杂的房间里听人说话。如果有人说了一句完整的“你好”，MosaicTR 会听得很清楚；如果旁边有人只是咳嗽了一声（噪音），MosaicTR 会自动把它过滤掉，不会误以为那是有人在说话。

C. 给“不稳定性”打分 (HII 指数)

它计算出一个叫 HII (单倍型不稳定性指数) 的分数。

• 分数接近 0：说明这段重复很稳定，像印刷品一样整齐。
• 分数很高：说明这段重复很混乱，有的长有的短，像被撕碎又拼凑过一样。这通常意味着疾病正在发生或恶化。

3. 这个工具发现了什么？（实际成果）

作者用这个工具做了几个精彩的实验：

1. 精准找病人：在 100 个看似健康的人中，它成功找出了 3 个携带SCA10（一种脊髓小脑共济失调）基因突变的人。以前可能漏掉，现在能精准识别。
2. 看清“双面”病变：它发现有些病人只有一本“书”坏了（单侧），而有些病人两本“书”都坏了（双侧）。以前的工具只能看到“书坏了”，分不清是哪一本，这对治疗非常重要。
3. 时间旅行（纵向追踪）：他们观察了一个胰腺癌细胞系随着时间推移（从第 1 代到第 41 代）的变化。MosaicTR 发现，随着细胞分裂次数增加，某些重复段落真的在不断变长。这就像看着一棵树随着年份增长，年轮一圈圈变宽，证明了癌症细胞在“老化”过程中基因的不稳定性在加剧。

4. 总结：为什么这很重要？

MosaicTR 就像是一个带有智能滤镜和身份识别功能的超级显微镜。

• 它不再被机器的“手抖”（测序噪音）欺骗。
• 它能分清“爸爸”和“妈妈”的基因差异。
• 它能告诉我们，基因里的重复段落是在安静地睡觉，还是在疯狂地生长。

这对于早期发现遗传病、监测癌症进展以及理解为什么不同人的病情严重程度不同，都提供了前所未有的清晰视角。它让科学家能更精准地看到疾病在分子层面是如何“悄悄”发生的。

技术摘要

以下是基于论文《MosaicTR: tandem repeat somatic instability quantification from long-read sequencing》的详细技术总结：

1. 研究背景与问题 (Problem)

串联重复序列（TRs）的体细胞不稳定性是重复扩增疾病（如亨廷顿舞蹈症）发病和进展的关键因素，同时也是癌症中错配修复缺陷（MMR deficiency）的生物标志物。

• 现有挑战：
  • 短读长测序的局限： 现有的短读长工具（如 prancSTR, MSIsensor）受限于读长，无法检测大片段扩增，且易受 PCR 滑动（stutter）伪影干扰。
  • 长读长工具的不足： 虽然长读长测序（PacBio HiFi, Oxford Nanopore）能跨越大片段扩增，但现有的长读长基因分型工具（如 TRGT, Owl）缺乏针对单倍型（Haplotype）分辨率的体细胞不稳定性量化方法。
  • 噪音干扰： 测序平台特有的噪音（如 PacBio 的亚基序插入缺失、ONT 的随机长度抖动）容易与真实的生物学信号（体细胞扩增/收缩）混淆，导致假阳性。
  • 需求： 需要一种工具，能够利用长读长数据，在单倍型水平上量化特定基因座的体细胞不稳定性，并有效区分平台噪音与生物学变异。

2. 方法论 (Methodology)

MosaicTR 是一个基于 Python 开发的工具，专门处理带有单倍型标签（HP-tagged）的 BAM 文件。

• 输入与预处理：

  • 输入：HP-tagged BAM 文件（来自 HiFi 或 Nanopore 变异检测流程）和包含基因座信息的 BED 文件。
  • 读段提取：提取重复区域两侧至少有 50bp 侧翼序列的读段，按单倍型（HP 标签）分组。
  • 等位基因定长：基于 CIGAR 字符串计算等位基因长度，不进行序列级重比对。若无 HP 标签，则回退至双峰分布分割（gap-split）或混合分析。

• 核心指标：单倍型不稳定性指数 (Haplotype Instability Index, HII)

  • 定义： 衡量单倍型内等位基因长度变异，并归一化于基序（motif）长度。
  • 公式： $HII_k = \frac{1}{\ell} \cdot \frac{\sum w_i |s_i - \tilde{S}_k|}{\sum w_i}$
    • $s_i$：分配给单倍型 $k$ 的读段等位基因长度。
    • $\tilde{S}_k$：该单倍型的长度中位数。
    • $\ell$：重复基序长度。
    • $w_i$：权重因子。
  • 基序单元加权策略（关键创新）：
    • 利用不同测序平台的误差特征进行加权。
    • PacBio HiFi： 92% 的残留误差是亚基序（sub-motif）的同聚物插入缺失。真实的体细胞扩增/收缩通常发生在完整基序单位。因此，偏离量为基序长度整数倍的读段赋予全权重（$w=1$），亚基序偏差赋予低权重（$w=0.1$）。
    • Oxford Nanopore (ONT)： 存在每读段 $\pm 1$ bp 的随机抖动。对于 $\ge 3$ bp 的基序，1 bp 抖动属于亚基序，权重降低；对于二核苷酸重复，2 bp 误差等于一个完整基序，权重较高。工具会根据 BAM 头自动检测平台并应用特定的噪音阈值。

• 辅助指标：

  • 单倍型间不对称评分 (IAS)： 衡量两个单倍型不稳定性程度的差异，用于区分单等位基因扩增（异质性）与双等位基因扩增。

• 比较模式：

  • 支持成对比较（如肿瘤 vs 正常，早期 vs 晚期传代）和矩阵模式，以检测组织特异性或纵向的不稳定性变化。

3. 关键贡献 (Key Contributions)

1. 首个单倍型分辨率的长读长不稳定性量化工具： 填补了现有工具无法在单倍型水平区分等位基因特异性不稳定性（如仅一条染色体发生扩增）的空白。
2. 基序单元感知的噪音分离机制： 通过加权策略，有效区分了测序平台特有的亚基序噪音与真实的生物学体细胞变异，显著降低了假阳性率。
3. 多平台支持： 同时优化支持 PacBio HiFi 和 Oxford Nanopore 数据，适应不同平台的误差模型。
4. 动态比较功能： 提供了针对纵向研究（如细胞传代）和多组织样本的成对比较模式，能够捕捉随时间或组织变化的不稳定性动态。

4. 实验结果 (Results)

• 模拟验证：

  • HII 与模拟的不稳定性水平呈线性相关（$R^2 = 1.000$）。
  • 在二分类（稳定/不稳定）任务中，AUC 达到 0.975（灵敏度 99.3%，特异性 100%），检测阈值设为 HII = 0.45。
  • 每单倍型 15× 的测序深度即可检测到 80% 的不稳定基因座。

• 噪音基线特征：

  • 在健康参考样本（HG002, PacBio HiFi）的 108,584 个基因座中，中位 HII 为 0.004，99% 的基因座低于 0.45 阈值。
  • 基序单元加权将假阳性率从 10.2% 降低至 0.9%。
  • 在杂合基因座上，HP 标签分析进一步将假阳性率降低了 70%。
  • 相比未加权的 Owl 工具，MosaicTR 的噪音分布更窄。

• 疾病携带者检测：

  • 在 PacBio HiFi 和 ONT 平台上，成功检测了亨廷顿舞蹈症、SCA10、脆性 X 综合征等多种疾病的携带者。
  • 剂量响应关系： 携带者的 HII 值与扩增大小呈正相关（例如 SCA10 携带者 HG01122，扩增 1041 个重复单位，HII 高达 31.0）。
  • 单倍型分辨能力： 成功区分了仅单条等位基因不稳定的杂合携带者（IAS $\approx$ 1）和双等位基因均不稳定的情况（如 HG02252，IAS = 0.12），这是混合读段数据无法实现的。

• 纵向分析：

  • 在 HG008 胰腺癌细胞系（传代 1-41）中，检测到多个基因座的渐进性扩增（如 ATAG 从 86bp 增至 167bp）。
  • 发现 90% 的漂移基因座为二核苷酸重复，符合复制滑移机制；未检测到单核苷酸不稳定性（符合微卫星稳定细胞系的特征）。

5. 意义与局限性 (Significance & Limitations)

• 科学意义：

  • 为研究重复扩增疾病的体细胞嵌合机制提供了高精度工具。
  • 能够利用 SMaHT 等大型多组织长读长项目数据，系统性地绘制全基因组范围内组织特异性和年龄依赖性的体细胞扩增图谱。
  • 为癌症中错配修复缺陷的评估提供了新的生物标志物量化手段。

• 局限性：

  • 依赖 HP 标签： 需要预先进行单倍型定相（Phasing），ONT 数据可能需要额外的定相步骤。
  • 二核苷酸重复的 ONT 噪音： 在 ONT 平台上，二核苷酸重复的 2bp 误差等于一个完整基序，难以通过加权完全消除，目前结果基于 R9.4.1 化学试剂，新一代 R10.4.1 可能改善此问题。
  • 超大扩增： 超过读长（>10kb）的扩增可能无法被准确定长。
  • 复杂重复： 可变数目串联重复（VNTR）的比对模糊性可能限制定长精度。

总结： MosaicTR 通过创新的基序单元加权算法和单倍型分析框架，解决了长读长测序中体细胞重复不稳定性量化的核心难题，显著提高了检测的灵敏度和特异性，是研究重复扩增疾病和癌症基因组不稳定性的重要工具。