Efficient and precise discovery of LTR-retrotransposon families using HiRepEat
本文介绍了 HiRepEat，这是一个快速且内存高效的计算框架，它将 TACO 重复序列压缩器与 SALSA 坐标映射系统相结合，并利用改进的波前比对算法，用以精确地识别、聚类并分析不同脊椎动物和黑腹果蝇基因组中的 LTR 反转录转座子家族。
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
基因组是生命的指令手册，由四种化学字母编写而成。但这些手册并非整洁、线性的文档；它们充满了古老的、重复的段落，这些段落会在文本中不断地自我复制与粘贴。这类自我复制元件的一种主要类型是长末端重复逆转录转座子（long terminal repeat retrotransposon）。这些遗传序列可以通过 RNA 中间体制造自身的副本，并将该副本插入回基因组中。经过数百万年的积累，它们在许多动物中已占据了总 DNA 的很大一部分。了解这些元件位于何处以及它们如何随时间变化，对于理解进化至关重要，但寻找它们却是一件极其困难的事情。由于它们彼此之间高度相似，且通常埋藏在其他重复序列之中，标准的计算机工具很难将它们从噪声或彼此之间区分开来，这往往会导致遗漏较旧的家族，或产生混乱且不准确的图谱。
一个研究团队开发了一种名为 HiRepEat 的新方法来解决这一问题，为寻找这些“遗传旅行者”提供了一种更快、更精确的方式。其核心思想是在寻找特定的目标元件之前，先清除基因组中的干扰项。该过程始于识别并压缩串联重复序列（tandem repeats），即那些紧挨在一起排列成长行且完全相同的序列。这些串联重复序列经常会干扰检测软件，因此研究人员使用了一个名为 TACO 的工具，将这些长行压缩为一个代表性的副本。他们保留了一份详细的地图，称为 SALSA，记录了被移除副本的确切位置，从而确保不会丢失任何信息，并且稍后可以恢复原始位置。通过首先移除这些密集的重复块，基因组变得更容易阅读，使得软件能够识别出此前被隐藏的更复杂的、散布的逆转录转座子。
一旦基因组被简化，软件就会扫描候选逆转录转座子，寻找这些元件特有的结构特征：两个匹配的末端夹着一个中心区域。当发现潜在候选者时，研究人员并不会仅仅基于快速的相似性检查将它们归为一类，因为这种方法常会导致错误。相反，他们会为每一组构建一棵“家族树”。这种系统发育学方法确保了最终的家族列表是准确的，并且代表该家族原始祖先的“共识”序列（consensus sequence）能够被正确推导。如果发现某个候选序列嵌套在另一个序列之内，该系统可以剥离这些层级，分别识别出内部插入和外部插入。这种迭代过程——软件实际上是在“吃掉”已发现的重复序列以揭示其下方的内容——使其能够发现其他方法会错过的复杂嵌套结构。
研究人员在包括水稻、斑胸草雀和猩猩在内的多种物种上测试了这一新系统，并将结果与现有的、经过精心整理的数据集进行了对比。新方法表现出了极高的准确性，能够正确识别绝大多数已知的逆转录转座子家族，同时产生的误报比以往的工具更少。在速度方面，差异是巨大的。以往的方法处理单个大型基因组需要数小时甚至数天，或者有时根本无法完成，而 HiRepEat 在约 26 分钟内就完成了对猩猩基因组的分析。随后，该系统被应用于脊椎动物基因组计划中的 577 个不同脊椎动物基因组，这在过去使用旧软件进行大规模操作是不切实际的。在大多数情况下，使用标准计算机资源，分析在不到一小时内即可完成，这证明了该方法能够高效扩展，以应对正在大量生成的、高质量基因组序列的需求。
除了仅仅进行编目外，研究人员还利用他们的新数据来寻找物种间的共享模式。通过同时比较许多物种的逆转录转座子遗传序列，他们发现了同一类元件出现在亲缘关系非常遥远的物种中的案例。例如，他们在不同种类的鱼类中发现了近乎相同的逆转录转座子序列，而这些鱼类与共同祖先的分化时间已超过 1 亿年。由于如果这些元素仅仅是作为共同祖先的遗产被继承，它们在如此长的时间里应该积累了许多突变，那么它们的近乎相同的状态表明它们是在近期在物种之间移动的。这指向了水平转移（horizontal transfer）过程，即遗传物质在生物之间跳跃，而不是通过亲代传给后代。在果蝇和两栖动物中也观察到了类似的模式，包括一些在水中产卵的物种共享这些元件的情况，这支持了水生环境中的受精过程可能促进这种遗传交换的观点。
这项工作为观察基因组的重复景观提供了一个强大的新视角。通过系统地去除噪声并构建准确的家族树，研究人员创建了一种可靠的方法来研究这些遗传元件在生命之树上的历史和移动。能够快速处理数百个基因组意味着科学家现在可以探索那些此前难以分析的物种中这些元件的分布情况。研究结果表明，遗传物质在物种之间的移动比此前认为的更为频繁，特别是在水生环境中，并且这些移动元件在进化过程中对基因组的塑造起着动态的作用。本研究开发的工具现已向其他科学家开放使用，为更深入地理解这些古老的遗传旅行者如何持续影响生物的生物学特性打开了大门。
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。