High-performance xenograft read-sorting for DNA methylation analysis
作者提出了一种增强型的、无需比对的 Xengsort 工具版本，该工具能够针对患者来源的异种移植模型（PDX）进行表观遗传图谱分析，实现对 DNA 读取序列按物种进行高效且准确的分离，并在计算效率方面优于现有方法。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
在癌症研究领域，科学家经常需要在一个模拟人体环境的活体环境中研究肿瘤。为此，他们将人类癌细胞移植到小鼠体内，创建了被称为“患者来源的异种移植物”（patient-derived xenografts）的结构。这些微型活体实验室让研究人员能够观察肿瘤如何生长、如何对药物做出反应，以及它可能如何产生耐药性。然而，当科学家尝试分析这些混合样本中的遗传物质时，一个重大的障碍出现了。最终产物是一堆混乱的DNA链，其中一些属于人类肿瘤，另一些则属于小鼠宿主。为了理解肿瘤的行为，研究人员必须首先以极高的精度将人类的链从小鼠的链中分离出来。当研究DNA甲基化（一种像开关一样控制基因开启或关闭的化学标签）时，这项任务变得更加困难。为了读取这些标签，科学家使用一种会改变DNA序列本身的化学过程，这种过程会扰乱字母的排列，从而使用于分类遗传数据的标准计算机程序感到困惑。
现在，一支研究团队开发出了一种更聪明的方法来理清这种遗传混乱，特别是针对这些经过化学改变的DNA样本。他们增强了一个名为Xengsort的现有软件工具，将其转化为一个高效的分选器，即使在化学变化发生后，也能区分人类和来自小鼠的DNA。该团队使用计算机生成的混合物和来自乳腺癌研究的真实世界数据，对改进后的工具进行了测试。他们发现，虽然所有工具在识别DNA来源方面总体上都是准确的，但新版Xengsort的速度要快得多，且所需的计算机内存也少得多。在一项涉及真实患者样本的大规模测试中，新工具仅用了五个多小时就完成了分选工作，而竞争方法完成同样任务则需要近三十个小时。
问题的核心在于如何读取DNA甲基化。为了观察这些化学开关，科学家用一种物质处理DNA，如果胞嘧啶（cytosine）没有被化学标记，该物质会将这种特定的字母转换为胸腺嘧啶（thymine）。这个过程对于理解肿瘤如何适应至关重要，但它从根本上改变了DNA序列。想象一下，你正在试图整理一堆混合在一起的书籍，而有人把其中一半书里的每个单词的拼写都改了；一个标准的图书管理员会很难分辨出哪本书出自哪位作者。同样地，标准的计算机程序在将DNA序列与参考基因组进行匹配时往往会失败，因为化学转化使得人类DNA看起来与人类参考序列不同，同时也使小鼠DNA看起来与小鼠参考序列不同。这种混乱可能导致人类肿瘤链被误认为是小鼠链，反之亦然，这会破坏科学分析。
为了解决这个问题，研究人员重建了Xengsort工具的内部字典。该工具不再仅仅寻找字母的精确匹配，而是预判了化学变化。它创建了一个双层索引，同时考虑了原始DNA序列和化学转换后的序列。当一段DNA进入系统时，工具会同时针对这两种可能性进行检查。它将DNA链分解成小块，并询问一个简单的问题：考虑到化学变化，这一块看起来是属于人类还是小鼠？通过信任那些最具特征性的DNA片段，并忽略那些在两个物种中看起来过于相似的片段，该工具可以自信地将链分类为人类、小鼠或模糊类别。这种方法允许软件跳过将每一条链都与完整基因组进行比对的缓慢且沉重的过程，而其他方法则需要这样做。
研究人员通过两种方式对他们的工具进行了测试。首先，他们创建了数百万个已知来源的人类和来自小鼠的DNA链模拟混合物，以便精确测量工具的出错频率。他们在不同的深度和比例下测试了这些混合物，模拟了从人类DNA含量极少到几乎完全是人类DNA的所有情况。结果显示，该工具的准确性极高，丢失的人类链非常少，也很少将小鼠链误认为人类链。在准确性方面，它的表现与其他顶尖工具不相上下，但完成工作的时间仅为后者的极小部分。当其他方法需要数小时来处理数据并需要大量计算机内存时，Xengsort在标准计算机配置下不到一小时就完成了同样的工作。
接下来，团队将该工具应用于来自在小鼠体内培养的乳腺癌患者的真实数据。这些样本来自不同的研究，包括一些经过化学转换处理的样本，以及另一些使用酶处理的样本。在这些现实场景中，该工具再次证明了其价值。它成功地对复杂样本中的DNA进行了分类，包括那些人类肿瘤细胞含量极低、混有大量小鼠组织的样本。研究人员指出，该工具在处理经药物处理以改变DNA甲基化模式的样本时表现得尤为稳健。在速度和资源消耗的直接对比中，新工具的效率显著提高。它使用43 GB内存处理了一个大型数据集仅用了5.5小时，而竞争方法则耗时29.1小时并需要49 GB内存。另一种依赖组合参考基因组的方法虽然很快，但需要高达73 GB的内存，这对于许多实验室来说是一个限制因素。
研究还强调，选择排序方法对准确性的影响不如对效率的影响大。所有测试过的工具，包括新的Xengsort，在分离DNA链的准确性方面都达到了很高的水平。然而，获取这些结果所需的时间和计算能力差异巨大。所有测试工具在将DNA链分离出来方面的准确性都很高，但所需的时间和计算能力各不相同。对于处理大型数据集或需要快速处理样本以指导治疗决策的研究人员来说，Xengsort的速度和低内存占用提供了明显的优势。研究人员得出结论，他们的工作流程现在已准备好广泛使用，建议科学家在进行肿瘤甲基化模式的详细分析之前，应先使用该工具按物种对DNA链进行分类。通过使分选步骤变得更快且更节省资源，该工具消除了一个主要的瓶颈，让科学家能够将更多时间集中在理解癌症本身，而不是等待计算机完成工作。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。