Neue Methode bekämpft Referenzbias in der Genomik

Bioinformatik ist ein Bereich, der Biologie, Informatik und Mathematik kombiniert, um biologische Daten zu analysieren. Eine der Herausforderungen in diesem Bereich ist der sogenannte "Referenzbias." Das passiert, wenn DNA-Sequenzen (sogenannte Reads), die von einer standardmässigen Referenzsequenz abweichen, nicht gut übereinstimmen, was zu falschen Schlussfolgerungen führt, insbesondere in Teilen des Genoms, die oft wechseln, wie bei bestimmten Krankheiten oder in alten DNA.

Forscher haben verschiedene Möglichkeiten entwickelt, um mit Referenzbias umzugehen. Einige Methoden verwenden eine Sammlung von unterschiedlichen Genomen (genannt Pangenom), um Reads besser auszurichten. Pangenom-Methoden sind so konzipiert, dass sie inklusiver für Variationen sind, die bei verschiedenen Individuen existieren können. Sie versuchen, die Fehler zu reduzieren, die durch die Verwendung eines standardmässigen Referenzgenoms entstehen, indem sie bekannte genetische Unterschiede berücksichtigen.

Eine bessere Herangehensweise ist es, personalisierte Referenzen zu erstellen. Diese Referenzen beinhalten spezifische genetische Variationen, die bei der Person vorhanden sind, die untersucht wird, sodass sie genauere Ergebnisse liefern können. Dieser Artikel präsentiert eine neue Methode namens "Impute-First Alignment", die Imputation, die fehlende genetische Daten auffüllt, mit Ausrichtung, die die Sequenzen organisiert, kombiniert.

#Was ist das Impute-First Alignment Framework?

Das Impute-First Alignment Framework ist ein zweistufiger Prozess. Zuerst wird eine kleine Probe von DNA-Reads einer Person genommen und analysiert, um ihre genetische Zusammensetzung zu ermitteln. Dieser erste Schritt hilft, ein personalisiertes Referenzgenom zu erstellen, das die spezifischen genetischen Variationen des Individuums widerspiegelt. Dann wird dieses personalisierte Referenzgenom verwendet, um das gesamte Set an DNA-Reads auszurichten. Diese Methode ist effizient, weil sie die Anzahl der Fehler im Zusammenhang mit Referenzbias reduziert und gleichzeitig Computerzeit und Ressourcen spart.

Der erste Schritt beinhaltet die Analyse einer kleinen Gruppe von Reads (Daten aus der DNA-Sequenzierung) mit modernen Werkzeugen, um die genetischen Variationen der Person zu identifizieren. Diese Werkzeuge können grosse Datensätze analysieren, wie die riesigen genetischen Informationen, die in Datenbanken wie dem 1000 Genomes Project enthalten sind, das genetische Informationen von Tausenden von Individuen enthält.

Sobald dieses persönliche Referenzgenom erstellt ist, wird es verwendet, um das vollständige Set von DNA-Reads zu organisieren, was die Genauigkeit der Ergebnisse verbessert. Dies stellt eine bedeutende Verbesserung im Vergleich zu älteren Methoden dar, die ein grosses standardmässiges Referenzgenom benötigten, das möglicherweise nicht alle spezifischen genetischen Informationen des Individuums erfasst.

#Frühere Methoden und ihre Einschränkungen

Früher haben Wissenschaftler personalisierte Referenzen verwendet, um Referenzbias in spezifischen Bereichen wie RNA-Sequenzierung anzugehen. Die meisten dieser Methoden erforderten von den Forschern, spezifische genetische Informationen über die Person bereitzustellen, die untersucht wurde, was eine Hürde für effektive Analysen darstellen konnte.

Einige bestehende Methoden nutzen Werkzeuge, die eine Referenz basierend auf bekannten genetischen Variationen erstellen. Beispielsweise kann Gramtools eine Darstellung erzeugen, die hilft, Reads auszurichten und Varianten zu identifizieren. Allerdings war es auf bestimmte Genomtypen beschränkt und hatte spezifische Nachteile.

Ein weiteres Werkzeug, iCORN, verfeinert eine Referenz, indem es schrittweise mehr Alternativen auf der Grundlage eines iterativen Prozesses hinzufügt, ist aber ebenfalls auf bestimmte Genomtypen beschränkt. Ähnlich konzentriert sich MMSeq auf die Erstellung einer personalisierten Referenz, schliesst aber den wichtigen Schritt der Imputation, bei dem fehlende Daten geschätzt werden können, nicht ein.

Es gibt auch Werkzeuge, die phasierte Varianten bereitstellen, bei denen zwei Sätze genetischer Informationen für jede Person getrennt werden, um das einzigartige Genom des Individuums zu widerspiegeln. Viele dieser Methoden erlauben jedoch nicht, eine personalisierte Referenz einfach aus den direkt analysierten Daten zu erstellen.

Dieses neue Impute-First Framework überwindet diese Einschränkungen, da es eine personalisierte Referenz während des Analyseprozesses erstellt, ohne separate Daten zu benötigen. Es arbeitet effizient, indem es fortschrittliche Imputationswerkzeuge integriert, die das Genom des Individuums direkt aus den DNA-Sequenzierungsdaten analysieren.

#Schritt-für-Schritt-Prozess des Impute-First Workflows

Der Impute-First Workflow besteht aus zwei Hauptkomponenten, die als Flussdiagramm visualisiert werden können.

#1. Personalisierungskomponente

Im ersten Teil des Prozesses wird eine Probe von Eingangs-Reads analysiert. Dies geschieht mit einem Werkzeug, das verschiedene genetische Variationen im Sample identifizieren kann. Das Werkzeug arbeitet schnell und nutzt vorhandene Daten aus grossen Referenz-Panels, um die Genauigkeit zu verbessern.

Nach der ersten Analyse wird die Ausgabe ein personalisiertes diploides Genom sein, das die einzigartigen Variationen des Individuums widerspiegelt. Diese personalisierte Referenz wird dann indiziert, um sie für den nächsten Schritt vorzubereiten.

#2. Downstream-Ausrichtungskomponente

Der zweite Teil des Workflows besteht darin, die indizierte personalisierte Referenz zu verwenden, um alle Eingangs-Reads auszurichten. Ein Read-Ausrichter analysiert das gesamte Set von Reads in Bezug auf diesen personalisierten Index. Durch den Vergleich der Reads mit der personalisierten Referenz kann der Workflow genauere Daten produzieren und die gesamte Analyse verbessern.

Dieser modulare Ansatz ermöglicht Flexibilität, da verschiedene Werkzeuge je nach Bedarf für jeden Schritt verwendet werden können. Das erleichtert es Forschern, den Workflow an ihre spezifischen Bedürfnisse anzupassen oder die effizientesten verfügbaren Werkzeuge zu nutzen.

#Bewertung der Impute-First Workflows

Um die Effektivität des Workflows sicherzustellen, führten die Forscher Tests mit kleineren Proben von DNA-Reads durch, die von zwei verschiedenen Individuen stammen, die in separaten Projekten sequenziert wurden. Ziel war es, zu sehen, wie gut die Workflows bei der Identifizierung der korrekten genetischen Variationen, den sogenannten Genotypen, bei unterschiedlichen Read-Coverage-Niveaus abschnitten.

#Genauigkeit der Anrufe

Sie massen die Genauigkeit der Genotypanrufungen, indem sie mehrere Metriken bewerteten, darunter Präzision, Rückruf und F1-Score. Diese Werte zeigen, wie viele korrekte Variantenanrufe im Vergleich zur Gesamtzahl der Anrufe gemacht wurden. Sie fanden heraus, dass eine höhere Read-Coverage zu einer besseren Genauigkeit bei der Anrufung genetischer Variationen führte.

Für die beiden Individuen wurde festgestellt, dass eine Erhöhung der Anzahl der analysierten Reads die Ergebnisse verbesserte. Wichtig ist, dass der Impute-First Workflow nach dem Imputationsschritt eine deutliche Verbesserung der Genauigkeit zeigte.

#Fenster-Genauigkeit

Als Nächstes bewerteten die Forscher die "Fenster-Genauigkeit", die misst, wie gut Gruppen von polymorphen Stellen (Stellen, an denen genetische Variationen auftreten) in der personalisierten Referenz abgeleitet werden konnten. Sie analysierten unterschiedliche Anzahl an polymorphen Stellen und stellten fest, dass mit zunehmender Coverage auch die Genauigkeit zunahm.

Im Wesentlichen konzentrierten sie sich darauf, wie gut individuelle Variationen innerhalb von Clustern aufeinanderfolgender Basen korrekt identifiziert werden konnten. Die Ergebnisse zeigten, dass bestimmte Werkzeuge signifikant besser abschnitten, wenn es darum ging, diese Fenster korrekt zu identifizieren, insbesondere wenn nur eine kleine Anzahl von Reads vorhanden war.

#Rechenleistung

Die Forscher bewerteten auch die Zeit und den Speicherbedarf, die von den verschiedenen Methoden benötigt wurden. Sie stellten fest, dass die Werkzeuge, die im Impute-First Workflow verwendet wurden, im Allgemeinen schneller waren und weniger Speicher benötigten als andere Workflows, die auf standardmässigen Referenzen basierten.

Diese Effizienz ist besonders wichtig, da genomische Analysen erhebliche Rechnerressourcen erfordern. Effiziente Methoden ermöglichen es Forschern, grosse Datensätze schneller zu verarbeiten, was die Analysen praktikabler für breitere Anwendungen macht.

#Ergebnisse aus der Verwendung personalisierter Referenzen

Sobald personalisierte diploide Referenzen erstellt wurden, waren die Forscher gespannt zu sehen, wie sich diese auf nachfolgende Analysen auswirkten. Sie verglichen die Leistung der Verwendung personalisierter Referenzen mit traditionellen linearen Referenzen.

#Ausrichtungswerte

In ihren Vergleichen fanden sie heraus, dass ein Teil der Reads bessere Ausrichtungswerte aufwies, als die personalisierten Referenzen verwendet wurden. Konkret hatten viele Reads höhere Ausrichtungswerte, was darauf hinweist, dass die personalisierten Referenzen eine klarere Ausrichtung ermöglichten, ohne die Nachteile, die mit Fehlsübereinstimmungen zu einer standardmässigen Referenz verbunden sind.

Diese Verbesserung deutet darauf hin, dass die Ausrichtung von Reads mit personalisierten Referenzen genauer sein kann, was zu einer zuverlässigeren genetischen Analyse führt.

#Allel-Balance an heterozygoten Stellen

Als Nächstes bewerteten sie, wie gut die personalisierte Referenz verschiedene Allele an heterozygoten Stellen repräsentierte. Heterozygote Stellen sind Positionen im Genom, an denen ein Individuum zwei unterschiedliche Allele trägt. Sie fanden heraus, dass die Verwendung personalisierter Referenzen zu einer ausgewogeneren Darstellung dieser Allele führte, was entscheidend für eine genaue genetische Interpretation ist.

Die Analysen zeigten, dass in hochzuverlässigen Regionen personalisierte Referenzen bessere Ergebnisse lieferten als traditionelle Referenzen, was zu einem klareren genetischen Bild an heterozygoten Loci beitrug.

#Genauigkeit der Variantenanrufe

Schliesslich massen sie, wie gut die Impute-First Workflows bei der Anrufung von Varianten im Vergleich zu traditionellen Methoden abschneiden. Sie beobachteten, dass die Impute-First Workflows durchweg eine bessere Präzision und Rückrufquote bei verschiedenen Arten genetischer Variationen, einschliesslich Einzel-Nukleotid-Varianten (SNVs) und Insertionen/Löschungen (Indels), erzielten.

Insgesamt deutet das darauf hin, dass die Verwendung einer personalisierten Referenz nicht nur die Genauigkeit der Variantenanrufe verbessert, sondern auch hilft, mehr genetische Informationen aufzudecken, als standardmässige Referenzen bieten können.

#Recheneffizienz der Impute-First Workflows

Ein wesentlicher Vorteil des Impute-First Workflows ist seine rechnerische Effizienz. Die Forscher massen die Zeit und den Speicherbedarf für die Personalisierungsphase und die nachfolgende Analyse. Sie stellten fest, dass der Aufbau der personalisierten Referenz viel weniger Zeit benötigte als traditionelle Pangenom-Ansätze.

Das bedeutet, dass auch wenn der Workflow mehr Schritte umfasst, die Gesamtkosten für die Computernutzung nicht signifikant ansteigen. Insbesondere die Indizierung des personalisierten Genoms erwies sich als vergleichsweise schnell und ressourcenschonend.

#Fazit und zukünftige Richtungen

Dieses neue Impute-First Alignment Framework bietet einen praktischen Ansatz für die genomische Analyse, insbesondere zur Minimierung von Referenzbias. Durch die direkte Erstellung personalisierter Referenzen aus den analysierten Daten verbessert es die Genauigkeit bei der Ausrichtung und Variantenanrufung und ist zudem rechnerisch effizient.

Zukünftige Arbeiten werden sich wahrscheinlich darauf konzentrieren, die Schritte in der Personalisierung zu verbessern, zum Beispiel durch die Erkundung neuer Imputationsmethoden. Darüber hinaus wird es entscheidend sein, dieses Framework an verschiedenen Arten von genomischen Daten zu testen, einschliesslich Exom-Sequenzierung und RNA-Sequenzierung, um seine Anwendbarkeit in verschiedenen biologischen Kontexten zu bestätigen.

Während die Bioinformatik weiter voranschreitet, wird die Integration personalisierter Ansätze unser Verständnis genetischer Variationen und ihrer Auswirkungen auf Gesundheit und Krankheit verbessern, was dieses zu einem vielversprechenden Bereich anhaltender Forschung macht.