Sanger, krótkie i długie odczyty

Streszczenie

Sekwencjonator nie „widzi genomu”. Rejestruje sygnał pochodzący z przygotowanych cząsteczek DNA, a oprogramowanie zamienia go na odczyty. Dopiero kolejne etapy — kontrola jakości, mapowanie do referencji albo składanie, wykrywanie wariantów i ich weryfikacja — tworzą odpowiedź biologiczną. Sanger, krótkie odczyty i długie odczyty nie układają się więc w prosty ranking od technologii starej do najlepszej. Każda metoda zachowuje inny rodzaj informacji.

Najpierw pytanie, potem platforma

„Chcemy zsekwencjonować DNA” jest opisem czynności, nie projektu. Inny eksperyment służy do sprawdzenia sekwencji wstawki w plazmidzie, inny do wykrywania rzadkiego wariantu w mieszaninie komórek, a jeszcze inny do złożenia od podstaw genomu gatunku bez dobrej referencji. Przed wyborem aparatu trzeba określić co najmniej:

• jaki obiekt ma być odczytany: amplicon, panel genów, eksom, cały genom, transkryptom czy natywna cząsteczka z modyfikacjami;
• jakich zmian szukamy: substytucji jednej zasady, małych insercji i delecji, dużych rearanżacji, ekspansji powtórzenia, układu wariantów na chromosomie czy metylacji;
• jaka jest spodziewana częstość zmiany w próbce i jaki poziom błędu można zaakceptować;
• czy istnieje odpowiednia referencja oraz czy wynik ma służyć eksploracji, kontroli konstruktu, badaniu naukowemu czy decyzji klinicznej;
• ile jest próbek, ile czasu i materiału można zużyć oraz jak wynik zostanie potwierdzony.

Ta lista natychmiast pokazuje, dlaczego jedna liczba „dokładności sekwenatora” nie wystarcza. Eksperyment może bardzo dokładnie odczytać fragment, który nie reprezentuje badanego regionu, albo uzyskać wysokie średnie pokrycie, pozostawiając ważny ekson niemal bez danych.

Rozdział poświęcony diagnostyce molekularnej w podręczniku Genetyka medyczna i molekularna dobrze porządkuje rodziny metod, ale konkretne parametry platform i zasady interpretacji trzeba sprawdzać w aktualnej dokumentacji oraz literaturze pierwotnej.⁵

Co naprawdę trafia do sekwenatora

Materiał wejściowy przechodzi przez ekstrakcję, ocenę ilości i integralności oraz przygotowanie biblioteki. Biblioteka to zbiór cząsteczek w formie rozpoznawanej przez daną platformę: zwykle z dołączonymi adapterami, a często także indeksami pozwalającymi połączyć wiele próbek w jednym przebiegu. Fragmentacja może być celowa, lecz może też powstać wcześniej — podczas pobrania, przechowywania lub agresywnej izolacji DNA.

Każdy etap zmienia reprezentację próbki. Amplifikacja PCR może zwiększyć udział jednych fragmentów i zgubić inne; selekcja rozmiaru usuwa cząsteczki poza wybranym zakresem; wzbogacanie panelu ogranicza obserwację do zaprojektowanych regionów. Jeśli długie DNA zostało pocięte podczas izolacji, zakup technologii długich odczytów nie odtworzy utraconego kontekstu.

W praktyce jakość projektu zaczyna się przy próbce i jej metadanych: tożsamości dawcy lub linii, rodzaju tkanki, sposobie utrwalenia, numerze pasażu, warunkach izolacji i czasie do zamrożenia. Sekwencjonowanie nie naprawia pomylonej próbki.

Sanger: chromatogram wskazanego fragmentu

W metodzie terminacji łańcucha polimeraza wydłuża starter na matrycy DNA. Oprócz zwykłych nukleotydów w reakcji znajdują się znakowane dideoksynukleotydy, po których włączeniu synteza nie może być kontynuowana. Powstaje rodzina fragmentów kończących się na kolejnych pozycjach. Elektroforeza kapilarna rozdziela je według długości, a detektor rejestruje barwę końcowej zasady. Wynikiem jest chromatogram — sekwencja pików A, C, G i T. Mechanizm opisali Sanger, Nicklen i Coulson w pracy z 1977 roku.¹

Metoda jest szczególnie użyteczna, gdy badacz zna region i może zaprojektować startery po obu jego stronach. Typowe zadania to:

• sprawdzenie insercji i miejsc połączeń w konstrukcie;
• odczyt produktu PCR z jednej próbki;
• potwierdzenie wybranego wariantu wykrytego inną metodą;
• kontrola krótkiego, dobrze zdefiniowanego regionu.

„Bardzo dokładny odczyt Sangera” nie oznacza jednak, że każdy widoczny pik ma równie mocne znaczenie. Początek chromatogramu może zawierać sygnał od startera i artefakty, a jakość zwykle spada pod koniec. Gdy w probówce są dwa podobne szablony, heterozygotyczna substytucja może dać dwa piki w jednej pozycji, natomiast insercja lub delecja powoduje nałożenie sygnału w całej dalszej części. Niski poziom mozaicyzmu może pozostać niewidoczny. Sanger nie jest zatem „mikroskopem dla pojedynczej cząsteczki”: chromatogram jest złożonym sygnałem populacji produktów reakcji.

Krótkie odczyty: wydajne liczenie wielu fragmentów

W szeroko używanym sekwencjonowaniu przez syntezę pofragmentowane cząsteczki z adapterami są odczytywane równolegle. W kolejnych cyklach aparat rejestruje włączenie znakowanej zasady. Odczyt może obejmować jeden koniec fragmentu albo oba końce (paired-end). W drugim wariancie znamy dwie krótkie sekwencje i przybliżoną odległość między nimi, lecz nie bezpośrednią sekwencję środka.

Atutem tej klasy metod jest wielka liczba niezależnie zliczanych fragmentów. Dobrze sprawdza się ona w wykrywaniu substytucji i krótkich insercji lub delecji w regionach, do których odczyty dają się jednoznacznie przypisać, a także w wielu eksperymentach ilościowych, takich jak RNA-seq. Można równolegle analizować wiele próbek, o ile indeksowanie, równoważenie bibliotek i kontrola zanieczyszczeń zostały poprawnie zaprojektowane.

Krótki odczyt traci jednak informację o dalszym sąsiedztwie. Jeśli ta sama sekwencja występuje w wielu miejscach, algorytm może nie wiedzieć, skąd pochodzi fragment. Problem dotyczy między innymi powtórzeń tandemowych, genów z bardzo podobnymi pseudogenami, dużych insercji, inwersji i złożonych rearanżacji. Odczyty sparowane pomagają, lecz nie zawsze rozstrzygają strukturę pomiędzy końcami.

Długie odczyty: zachowany kontekst cząsteczki

Technologie pojedynczych cząsteczek rozwiązują inny problem: starają się nie zgubić informacji o tym, które elementy leżały na tej samej cząsteczce. W sekwencjonowaniu konsensusowym HiFi polimeraza wielokrotnie okrąża kolistą matrycę utworzoną z jednego fragmentu, dzięki czemu powtarzające się obserwacje tworzą dokładny konsensus. W sekwencjonowaniu nanoporowym nić przechodzi przez por, a sekwencja jest wnioskowana ze zmian prądu jonowego. Natywny sygnał może również zawierać informację o niektórych modyfikacjach zasad.

Długi odczyt może połączyć unikalne sekwencje po obu stronach powtórzenia, objąć całe powtórzenie tandemowe, przejść przez punkt rearanżacji albo przypisać kilka wariantów do tego samego haplotypu. Ułatwia też składanie genomów bez referencji oraz analizę pełnych izoform RNA. Nie istnieje jednak jeden uniwersalny „profil długiego odczytu”: platformy, tryby przygotowania biblioteki i algorytmy różnią się długością cząsteczek, przepustowością i charakterem błędów.

Długi nie znaczy automatycznie lepszy. Jeśli pytaniem jest precyzyjne policzenie ekspresji w setkach próbek, ogromna liczba krótkich odczytów może być bardziej użyteczna. Jeśli DNA jest silnie zdegradowane, obietnica ultradługich cząsteczek pozostanie niewykorzystana. A jeżeli poszukiwany wariant występuje w jednej komórce na tysiąc, ważniejsze od maksymalnej długości może być głębokie, walidowane zliczanie.

Długość, dokładność i przepustowość to trzy różne osie

Porównując eksperymenty, warto oddzielić kilka pojęć:

Właściwość	Pytanie praktyczne	Czego sama nie gwarantuje
długość odczytu	czy jedna cząsteczka obejmie powtórzenie lub punkt rearanżacji?	że cząsteczka wejściowa była długa i nieuszkodzona
dokładność pojedynczej zasady	jak często odczytana litera jest poprawna?	poprawnego wykrycia całej złożonej zmiany
przepustowość	ile zasad lub cząsteczek powstanie w przebiegu?	równomiernego pokrycia ważnych miejsc
liczba niezależnych cząsteczek	ile razy naprawdę pobrano informację z próbki?	że duplikaty PCR nie zostały policzone jako nowe obserwacje
czas do wyniku	kiedy zakończy się cały proces?	że sama szybka praca aparatu skróci analizę i interpretację
koszt	jaki jest koszt biblioteki, przebiegu i analizy?	porównywalności projektów o innym celu i skali

Parametry urządzeń zmieniają się szybciej niż zasady eksperymentu. Dlatego trwała decyzja nie powinna opierać się na reklamowym maksimum długości czy najniższym koszcie jednej gigabazy.

Pokrycie nie jest pojedynczą liczbą

Pokrycie 30× oznacza średnio około trzydziestu obserwacji pozycji, lecz genom nie otrzymuje danych równomiernie. Skład zasad, powtórzenia, wydajność amplifikacji, hybrydyzacja sond, mapowalność i przypadek powodują, że część regionów ma znacznie mniej odczytów. Średnia może wyglądać dobrze mimo istotnych luk.

Trzeba odróżnić:

• głębokość — ile odczytów obejmuje daną pozycję;
• szerokość pokrycia — jaka część celu osiąga ustalony próg;
• pokrycie fizyczne — ile cząsteczek lub fragmentów obejmuje region, nawet jeśli sekwencjonowane są tylko ich końce;
• unikalne cząsteczki — obserwacje po uwzględnieniu duplikatów;
• pokrycie haplotypu lub komórki — istotne, gdy średnia z próbki miesza różne źródła.

Granica wykrywania nie wynika więc tylko ze średniego „×”. Zależy od błędów tła, liczby niezależnych cząsteczek, jakości zasad, strand bias, udziału wariantu i reguł bioinformatycznych.

Referencja pomaga, ale także kieruje wynikiem

W analizie referencyjnej odczyty są dopasowywane do znanej sekwencji. To wydajne, lecz regiony nieobecne lub źle przedstawione w referencji mogą zostać zgubione albo błędnie zmapowane. Jedna liniowa referencja nie zawiera pełnej różnorodności gatunku. Human Pangenome Reference Consortium pokazało, że zestaw wielu wysokiej jakości genomów zwiększa reprezentację sekwencji i poprawia analizę wariantów, zwłaszcza strukturalnych.²

Alternatywą jest składanie de novo: algorytm szuka nakładania się odczytów i buduje kontigi bez narzucania gotowego układu. Długie odczyty upraszczają graf składania, ale nie eliminują wszystkich problemów. Błędy, heterozygotyczność, duplikacje segmentowe, centromery i pomieszanie organizmów mogą prowadzić do błędnych połączeń lub rozdzielenia jednego haplotypu na kilka sekwencji. Osobny artykuł omawia składanie i adnotację genomu.

Siłę łączenia technologii dobrze pokazuje projekt Telomere-to-Telomere. Odczyty HiFi dostarczyły dokładności konsensusu, ultradługie odczyty nanoporowe pomogły przejść przez największe powtórzenia, a dodatkowe mapy wspierały kontrolę struktury. W 2022 roku konsorcjum opublikowało sekwencję CHM13 obejmującą wcześniej brakujące regiony, w tym centromery i krótkie ramiona chromosomów akrocentrycznych.³ Było to osiągnięcie złożonego projektu, nie dowód, że jedna platforma samodzielnie rozwiązuje każdy genom.

Klasa wariantu wyznacza potrzebną informację

Pytanie	Co jest potrzebne	Rozsądny punkt wyjścia
czy wskazany amplicon ma oczekiwaną sekwencję?	czytelny sygnał w krótkim regionie	Sanger z odczytem z obu stron
jakie SNV i małe indele występują w dobrze mapowalnym genomie?	dużo dokładnych obserwacji	krótkie odczyty; potwierdzenie trudnych miejsc
jaki jest rozmiar ekspansji powtórzenia?	cząsteczka przechodząca przez cały motyw i jego brzegi	długie odczyty lub test specjalistyczny
gdzie leży punkt dużej inwersji lub translokacji?	odczyt albo fragment łączący oba brzegi	długie odczyty, czasem z danymi kontaktowymi lub optycznymi
które warianty leżą na tym samym chromosomie?	fazowanie na długim dystansie	długie odczyty, dane rodzinne lub inne informacje łączące
czy zasada jest zmodyfikowana?	natywny sygnał albo selektywna konwersja chemiczna/enzymatyczna	metoda dobrana do konkretnej modyfikacji
jaka jest sekwencja nowego genomu?	ciągłość, dokładność i kontrola struktury	zwykle projekt hybrydowy, nie pojedynczy przebieg

Badanie porównawcze genomów człowieka pokazuje, że krótkie i długie odczyty mogą dawać zgodne wyniki w łatwych regionach, a różnić się właśnie tam, gdzie potrzebny jest kontekst: w wariantach strukturalnych i obszarach słabo mapowalnych.⁴ To argument za doborem do klasy problemu, nie za wymianą jednej technologii na drugą we wszystkich zadaniach.

Biblioteka może wytworzyć własne artefakty

Adaptery i indeksy umożliwiają odczyt oraz rozdzielenie próbek, lecz niewłaściwe ligowanie może pozostawić dimery adapterów. PCR może tworzyć duplikaty, chimery i nierównomiernie wzmacniać fragmenty. Przy wielu próbkach trzeba kontrolować błędne przypisanie indeksów. W analizie bardzo rzadkich wariantów stosuje się niekiedy unikalne identyfikatory cząsteczek (UMI), aby odróżnić niezależne matryce od ich kopii i zbudować konsensus.

Kontrola ujemna pomaga wykryć DNA obecne w odczynnikach lub przeniesione między próbkami. Kontrola dodatnia mówi, czy proces potrafił wykryć oczekiwany sygnał. Materiał referencyjny o dobrze opisanych wariantach testuje cały potok — od biblioteki po wynik — skuteczniej niż samo sprawdzenie aparatu.

FASTQ nie jest wynikiem biologicznym

Typowy potok obejmuje kilka odrębnych decyzji:

1. Basecalling i demultipleksowanie zamieniają sygnał na zasady i przypisują odczyty do próbek.
2. Kontrola surowych danych ocenia jakość, długości, adaptery, duplikaty i zanieczyszczenia.
3. Mapowanie lub składanie tworzy relację między odczytami a genomem.
4. Wykrywanie wariantów modeluje różnicę względem referencji albo między próbkami.
5. Filtrowanie i adnotacja wiążą wariant z jakością, populacją, genem i możliwym skutkiem.
6. Interpretacja odpowiada na pytanie projektu, uwzględniając ograniczenia testu.

Zmiana alignera, wersji referencji lub parametrów może zmienić listę wariantów bez zmiany surowych danych. Dlatego wynik musi zachowywać wersje narzędzi, referencji, plików pomocniczych i kryteriów filtrowania. Sam plik VCF nie wystarcza do odtworzenia analizy.

Walidacja ortogonalna i zgodność celu

„Potwierdzenie Sangerem” jest użyteczne dla dostępnego, krótkiego miejsca, ale nie jest rytuałem pasującym do każdej zmiany. Dużej insercji, złożonej translokacji czy ekspansji powtórzenia nie da się wiarygodnie sprowadzić do pojedynczego krótkiego chromatogramu. Walidacja powinna opierać się na innym źródle błędu: PCR przez punkt połączenia, ddPCR, analiza liczby kopii, drugi kierunek odczytu, inna technologia sekwencjonowania, mapowanie optyczne lub badanie krewnych — zależnie od tezy.

W laboratorium badawczym warto wcześniej zapisać, co uznamy za rozstrzygające. W zastosowaniu diagnostycznym potrzebne są dodatkowo zwalidowany zakres testu, kryteria jakości, materiał kontrolny, nadzór nad zmianami potoku i interpretacja prowadzona w odpowiednich ramach klinicznych. Metoda publikacyjna nie staje się automatycznie testem diagnostycznym.

Przykład: kontrola edytowanej linii komórkowej

Po edycji CRISPR pytanie „czy edycja się udała?” rozgałęzia się na kilka pytań:

• czy zamierzona zmiana znajduje się w celu;
• czy drugi allel pozostał niezmieniony;
• czy występuje mieszanina subklonów;
• czy przy celu powstała duża delecja, insercja lub rearanżacja;
• czy liczba chromosomów i tożsamość linii są prawidłowe;
• czy zmiana utrzymuje się po kolejnych pasażach.

Sanger może szybko sprawdzić czysty klon w krótkim ampliconie, ale nie wykluczy dużej zmiany, gdy miejsce wiązania startera zostało usunięte: amplifikuje się wtedy tylko nieuszkodzony allel, tworząc fałszywie uspokajający obraz. Krótkie odczyty zwiększają szerokość kontroli, a długie mogą ujawnić lokalną strukturę i fazę. Żadna z tych warstw nie zastępuje właściwej kontroli tożsamości, liczby kopii i fenotypu.

Sanger jest metodą celowaną, nie po prostu „małą NGS”

Odczyt Sangera powstaje z populacji produktów wydłużonych od jednego startera. Jego siłą jest czytelny chromatogram w znanym regionie, lecz projekt ma niewielką szerokość.

Starter definiuje, co może zostać zobaczone

Jeżeli miejsce wiązania startera:

• zawiera wariant;
• zostało usunięte;
• leży w powtórzeniu;
• ma paralog;
• tworzy strukturę;
• jest słabo dostępne,

amplifikacja może preferować jeden allel albo inny locus. Czysty chromatogram nie dowodzi wtedy, że druga kopia ma tę samą sekwencję.

Dlatego dla heterozygotycznego wariantu ważne jest, aby startery leżały poza regionem zmiennym i aby produkt miał jednoznaczną tożsamość.

Chromatogram jest sygnałem mieszaniny

Dla substytucji heterozygotycznej dwa piki mogą mieć podobną wysokość, ale stosunek nie jest dokładnym VAF. Wpływają na niego:

• lokalny kontekst;
• barwnik;
• pozycja w odczycie;
• preferencja amplifikacji;
• tło;
• normalizacja programu.

W mieszaninie 10% wariantu mały pik może być niewidoczny albo nierozróżnialny od szumu. Czułość trzeba wyznaczyć dla konkretnego testu.

Indel rozstraja dalszą sekwencję

Gdy dwa allele różnią się insercją lub delecją, od miejsca zmiany ich piki przestają odpowiadać tym samym pozycjom. Powstaje nakładający się ślad. Algorytm dekonwolucji może zaproponować allele, lecz w złożonej mieszaninie wynik wymaga osobnego potwierdzenia.

Klonowanie ampliconu i odczyt pojedynczych kolonii rozdziela cząsteczki, ale może wprowadzać selekcję oraz błędy PCR. Nie jest neutralnym arbitrem.

Krótkie odczyty wygrywają liczbą niezależnych fragmentów

W dobrze mapowalnym regionie wiele cząsteczek pozwala:

• wykrywać SNV i małe indele;
• estymować VAF;
• porównywać próbki;
• mierzyć ekspresję;
• wykrywać część CNV i SV;
• multipleksować kohorty.

Mechanizm pomiaru, basecalling i Q opisuje Platformy krótkich odczytów. Tu istotne jest, jaki dowód otrzymujemy po mapowaniu.

Fragment ma więcej informacji niż pojedynczy read

Dla paired-end znamy:

• sekwencję R1;
• sekwencję R2;
• orientację;
• przybliżony rozmiar insertu;
• wspólną tożsamość cząsteczki.

Discordant pair może wskazywać delecję, inwersję lub translokację. Split read może przechodzić przez breakpoint. Zmiana głębokości może wskazywać liczbę kopii.

Każdy sygnał ma inne ograniczenia. Powtórzenie może pochłonąć jeden koniec, a bias GC udawać zmianę głębokości.

Głębokie nie oznacza niezależne

Przy 1000× reads po usunięciu duplikatów może pozostać 100× unikalnych fragmentów. Z UMI efektywne pokrycie molekularne może być jeszcze niższe.

Granica wariantu 1% wymaga nie tylko co najmniej jednej alternatywnej cząsteczki, lecz liczby wystarczającej do odróżnienia od błędu i niepewności dwumianowej.

Długie odczyty mają co najmniej dwa odmienne modele

Konsensus wielu przejść przez ten sam insert

W HiFi kolista matryca SMRTbell pozwala polimerazie wielokrotnie przechodzić przez insert. Subreads tworzą consensus jednej cząsteczki.

Wenger i współpracownicy pokazali, że circular consensus łączył wielokilobazową długość z wysoką dokładnością potrzebną do wykrywania małych wariantów i składania genomu.⁶

Kompromis:

• krótszy insert daje więcej przejść i mocniejszy konsensus;
• dłuższy insert zachowuje większy kontekst, ale ma mniej przejść w tym samym czasie filmu.

Jedno przejście natywnej nici przez nanopore

W nanopore sygnał pochodzi z kolejnych k-merów przechodzących przez por. Długość ogranicza głównie ciągłość cząsteczki, czas przejścia i działanie pora.

Zaletami są:

• możliwość ultradługich reads;
• odczyt natywnego DNA lub RNA;
• modyfikacje z sygnału;
• dane w czasie rzeczywistym;
• selektywne odrzucanie części molekuł w adaptive sampling.

Profil błędu zależy od pora, chemii, motoru, modelu basecallingu i tego, czy używa się simplex, duplex albo konsensusu.

„Dokładność długich odczytów” nie jest jedną wartością

Trzeba podać:

• platformę;
• chemię;
• tryb;
• wersję basecallera;
• typ odczytu;
• średnią i rozkład;
• błędy według kontekstu;
• postępowanie z modyfikacjami.

Wartość z reklamowego najlepszego przypadku nie opisuje wszystkich reads.

Długość potrzebna zależy od topologii problemu

Nie zawsze potrzeba najdłuższego możliwego odczytu. Potrzebna jest długość przekraczająca niejednoznaczność.

Powtórzenie tandemowe

Aby bezpośrednio zmierzyć ekspansję, read powinien zawierać:

unikalny lewy brzeg + całe powtórzenie + unikalny prawy brzeg.

Read kończący się wewnątrz powtórzenia daje dolną granicę, nie pełny rozmiar.

Duplikacja segmentowa

Read musi objąć wariant rozróżniający kopię albo przejść z homologicznego segmentu do unikalnej sekwencji.

Wysoka dokładność bez kotwicy nadal może nie rozstrzygnąć locus.

Translokacja

Read albo para powinna przejść przez breakpoint. Jeśli rearanżacja ma złożoną insercję, krótki PCR przez przewidywane połączenie może potwierdzić tylko jeden z wielu produktów.

Faza

Dwa warianty można przypisać do tego samego haplotypu, gdy:

• występują w jednym read;
• łączy je zestaw nakładających się reads;
• użyto rodziny;
• użyto danych Hi-C lub linked-read;
• wykorzystano rodziców.

Fazowanie statystyczne nie jest bezpośrednim odczytem cząsteczki.

Materiał wejściowy jest częścią wyboru technologii

Materiał	Główne ograniczenie	Konsekwencja
świeża krew	zwykle ilość dostępna	szeroki wybór bibliotek
mała biopsja	masa i heterogeniczność	kontrola genomów wejściowych i UMI
FFPE	fragmentacja i uszkodzenia	krótki insert, artefakty, ograniczone SV
cfDNA	mała ilość i naturalna długość	molekularne pokrycie, duplex, brak HMW
hodowla komórkowa	mozaika i subklony	klonalność, liczba kopii, pasaż
mikroorganizm	domieszka i wielkość genomu	izolacja, plasmidy, metagenom
materiał dawny	bardzo krótkie uszkodzone fragmenty	biblioteka zachowująca końce i blanki
wysokocząsteczkowe DNA	ścinanie podczas izolacji	long-read i de novo

Nie ma sensu planować ultradługiego odczytu po ekstrakcji, która dała medianę kilku kilobaz.

Ilość i długość są osobnymi parametrami

Można mieć dużo silnie pociętego DNA albo mało bardzo długiego. Fluorometr mierzy masę, a elektroforeza rozkład. Oba pomiary są potrzebne.

Wysoka lepkość nie jest wystarczającym dowodem integralności.

Trzy rodzaje pokrycia odpowiadają na inne pytania

Sequence coverage liczy bases odczytane nad pozycją.

Physical coverage liczy cząsteczki obejmujące region, nawet jeśli odczytano ich końce.

Molecular coverage liczy niezależne cząsteczki po UMI lub duplikatach.

Przykład

Amplicon ma 20 000× surowych reads, ale tylko 500 rodzin UMI. Wariant widoczny w 100 reads może pochodzić z dwóch rodzin.

Surowy VAF 0,5% i molekularny udział 0,4% wyglądają podobnie liczbowo, lecz liczba niezależnych sukcesów determinuje przedział ufności.

Pokrycie haplotypu

Diploidalne 30× daje średnio około 15× na haplotyp, ale rozkład jest losowy. W regionie z biasem jeden allel może mieć kilka reads, drugi kilkadziesiąt.

Zjawisko allele balance trzeba oceniać w kontekście biblioteki, mapowania i CNV.

Mapowalność jest granicą krótkiego odczytu

Jeśli read pasuje równie dobrze do kilku loci, aligner:

• wybiera jedno;
• losuje;
• obniża mapping quality;
• raportuje wiele;
• odrzuca.

Zależy to od programu i parametrów.

Paralog może tworzyć fałszywy wariant

Jeżeli jedna kopia genu różni się od referencji drugiej, reads źle przypisane mogą wyglądać jak heterozygota. Typowe sygnały:

• nietypowe allele balance;
• niska mapping quality;
• nadmierna głębokość;
• wiele niezgodności w jednym haplotypie;
• brak segregacji.

Dłuższy read lub locus-specific PCR może zakotwiczyć kopię.

Benchmark trudnych genów

Genome in a Bottle zbudował benchmark trudnych, medycznie istotnych genów, integrując assemblies i różne technologie. Pokazuje on, że łatwa średnia genomowa nie wystarcza do oceny regionów z duplikacjami, homopolimerami i złożoną zmiennością.⁷

Test powinien raportować zakres callable dla konkretnych genów.

Wariant strukturalny ma wiele reprezentacji

Jedno zdarzenie biologiczne może zostać zapisane jako:

• delecja;
• insercja;
• breakend pair;
• duplikacja tandemowa;
• inwersja;
• CNV;
• kilka małych zdarzeń;
• sekwencja alternatywnego haplotypu.

Callery mogą być zgodne biologicznie, lecz różnić się współrzędnymi.

Krótkie odczyty integrują słabe sygnały

SV caller może łączyć:

• split reads;
• discordant pairs;
• depth;
• local assembly;
• mapping quality.

Duże kohorty krótkich WGS ujawniły wiele wariantów strukturalnych, ale walidacja długimi odczytami wskazuje, że czułość i breakpoint zależą od klasy oraz regionu.⁸

Długi read obserwuje połączenie

Read przechodzący przez breakpoint jest bardziej bezpośredni, lecz może:

• zawierać błąd;
• być chimerą biblioteki;
• mapować do złego powtórzenia;
• pochodzić z jednej komórki;
• nie określać liczby kopii całego układu.

Potrzeba kilku niezależnych molekuł i zgodności z depth lub assembly.

Fazowanie zmienia interpretację genotypu

Dwa patogenne warianty genu recesywnego są istotne, gdy leżą w trans. Jeśli leżą w cis, drugi homolog może być prawidłowy.

Metody:

• read-backed phasing;
• trio;
• statystyka populacyjna;
• long-range PCR;
• linked reads;
• Hi-C;
• klonowanie molekularne.

Każda ma inny zasięg i ryzyko switch error.

Switch error

Haplotyp może być prawidłowy lokalnie, ale przełączony między blokami. N50 bloku fazy nie mówi o liczbie błędnych przełączeń.

W raporcie warto podać:

• długość bloków;
• metodę;
• udział wariantów fazowanych;
• switch error w benchmarku;
• czy konkretna para ma dowód bezpośredni.

RNA wymaga wyboru między zliczaniem i pełną izoformą

Krótkie RNA-seq jest wydajne w zliczaniu fragmentów transkryptów, ale rekonstrukcja pełnej izoformy jest niejednoznaczna, gdy wiele eksonów łączy się kombinatorycznie.

Długi odczyt może objąć:

• 5′ end;
• wszystkie junctions;
• alternatywny poly(A);
• fuzję;
• alleliczne warianty.

Pełna długość nie jest gwarantowana

Read zaczynający się wewnątrz RNA może wynikać z:

• degradacji;
• niepełnej RT;
• selekcji rozmiaru;
• złamania;
• prawdziwego alternatywnego startu.

Potrzebne są kontrole końców i porównanie z metodami cap/poly(A).

Quantification nadal potrzebuje liczby

Długie reads bywają mniej liczne. Rzadkie izoformy mogą nie zostać próbkowane. Projekt hybrydowy może używać długich reads do katalogu izoform, a krótkich do ilościowego porównania dużej kohorty.

Natywna modyfikacja jest dodatkowym kanałem

Nanopore i SMRT mogą zawierać sygnał zależny od modyfikacji zasad. Wniosek wymaga:

• modelu dla konkretnej modyfikacji;
• kontroli zmodyfikowanej i niezmodyfikowanej;
• dostatecznego pokrycia;
• wersji basecallera;
• analizy sekwencji lokalnej.

Brak wywołania modyfikacji nie jest dowodem braku chemicznej zmiany.

WGA usuwa część natywnej informacji

Amplifikacja kopiuje sekwencję, ale zwykle nie odtwarza metylacji matrycy. Może poprawić sekwencyjny consensus, jednocześnie niszcząc cel epigenetyczny.

Aliquot do WGA i aliquot natywny odpowiadają na inne pytania.

Wydajność całego projektu ma cztery osie

1. Czas mokrego laboratorium — ekstrakcja, biblioteka, QC.
2. Czas instrumentu — run lub movie.
3. Czas obliczeń — basecalling, alignment, assembly.
4. Czas interpretacji — filtrowanie i potwierdzenie.

Szybki run może generować dane wymagające tygodni assembly. Dłuższy pomiar może skrócić późniejsze rozwiązywanie SV.

Koszt na bazę nie jest kosztem odpowiedzi

Do kosztu trzeba doliczyć:

• nieudane biblioteki;
• wymaganą głębokość;
• storage;
• GPU;
• licencje;
• personel;
• walidację;
• transport materiału;
• utracony czas.

Tańszy WGS, który nie rozwiązuje badanego powtórzenia, jest droższą drogą do braku odpowiedzi.

Projekty hybrydowe dzielą pracę

Genom referencyjny nowego gatunku

• HiFi: dokładne kontigi;
• ultralong nanopore: największe powtórzenia;
• Hi-C: przypisanie i orientacja scaffoldów;
• RNA-seq: adnotacja genów;
• krótki WGS rodziców: kontrola i faza.

Każda warstwa ma osobny endpoint.

Klinicznie trudny locus

• krótkie WGS: szeroki screening;
• long-read target: struktura i haplotyp;
• Sanger: niewielki unikalny breakpoint, jeśli amplifikowalny;
• ddPCR/MLPA: liczba kopii;
• rodzina: segregacja.

Nie stosuje się całego zestawu automatycznie. Dobiera się go do niepewności.

Kontrola edytowanego klonu

• amplicon deep sequencing z UMI: małe allele i mozaika;
• long-read przez locus: duże lokalne rearanżacje i faza;
• WGS: zmiany poza celem;
• karyotyp/CNV: skala chromosomowa;
• fenotyp: funkcja.

Pełny profil wymaga więcej niż jednego odczytu DNA.

Walidacja ortogonalna powinna zmieniać źródło błędu

Powtórzenie tej samej biblioteki na tym samym instrumencie testuje powtarzalność, ale zachowuje wiele wspólnych artefaktów.

Lepszy arbitraż może zmienić:

• ekstrakcję;
• startery;
• chemię;
• platformę;
• długość;
• sposób ilościowy;
• próbkę biologiczną.

Macierz teza–potwierdzenie

Teza	Słabe potwierdzenie	Mocniejsze potwierdzenie
SNV 50%	drugi caller tych samych BAM	nowa amplifikacja i Sanger/druga platforma
mozaika 1%	więcej duplikatów PCR	UMI/duplex i niezależne pobranie
delecja eksonu	spadek depth jednego panelu	ddPCR/MLPA i breakpoint
translokacja	jeden split read	kilka cząsteczek + junction PCR/FISH
ekspansja	read kończący się w repeat	reads spanning oba brzegi + test rozmiaru
cis/trans	statystyczne phasing	read spanning lub trio
metylacja	jeden model sygnału	kontrola chemiczna/enzymatyczna

„Ortogonalne” nie znaczy automatycznie niezależne, jeśli obie metody używają tego samego PCR.

Wybór platformy jest decyzją o dowodzie

Najpierw zapisuje się minimalny dowód:

• ile niezależnych cząsteczek;
• jaka długość;
• czy oba brzegi;
• czy faza;
• jaki VAF;
• jaki kontekst;
• jaka modyfikacja;
• jaki zakres genomu;
• jakie potwierdzenie.

Dopiero potem parametry przekłada się na technologię.

Macierz decyzyjna

Priorytet	Sanger	Krótkie reads	HiFi	Nanopore
jeden krótki czysty amplicon	bardzo dobry	nadmiarowy	nadmiarowy	możliwy
setki próbek i SNV	mało skalowalny	bardzo dobry	droższy	zależny od projektu
SV i faza	ograniczony	pośredni	bardzo dobry	bardzo dobry
ultradługie powtórzenie	nie	nie	zależne od długości	szczególnie mocny
bezpośrednie RNA	nie	cDNA	cDNA/pełna długość	możliwe natywne RNA
natywne modyfikacje	nie	osobna konwersja	sygnał kinetyczny	sygnał prądowy
niski VAF	ograniczony	głębokie UMI/duplex	zależny od liczby	zależny od liczby i błędu
szybka kontrola konstruktu	dobry	przy wielu próbkach	zwykle zbędny	możliwy realtime

Tabela nie jest rankingiem. Każda komórka wymaga lokalnej walidacji.

Benchmark musi odpowiadać zastosowaniu

Średnie precision/recall całego genomu są zdominowane przez łatwe regiony. Dla genu z pseudogenem potrzebny jest benchmark tego locus.

Populacyjne projekty long-read ujawniają wiele SV w regionach słabo widocznych krótkimi reads; analiza ponad tysiąca zróżnicowanych genomów pokazała skalę zmienności strukturalnej dostępną dzięki długim odczytom.⁹

Materiał referencyjny

Dobry materiał ma:

• ustalony genotyp;
• stabilne aliquoty;
• znane trudne regiony;
• odpowiednią matrycę;
• warianty w zakresie testu.

Mieszanina syntetyczna 1% sprawdza część VAF, ale nie odtwarza mozaiki tkankowej, FFPE ani ekstrakcji.

Callable region

Brak calla poza zakresem callable nie jest true negative. Benchmark powinien rozdzielać:

• region ocenialny;
• region wykluczony;
• typy wariantów;
• minimalny rozmiar;
• zakres VAF.

Bez tego „99,9% dokładności” może nie obejmować badanego przypadku.

Jak podjąć decyzję bez przywiązania do marki

Najbardziej praktyczna procedura składa się z pięciu kroków:

1. Zapisz tezę biologiczną i minimalną klasę zmiany, którą trzeba wykryć.
2. Określ wymagania próbki: ilość, integralność, czystość i możliwość ponownego pobrania.
3. Dobierz rodzaj informacji: wiele dokładnych zliczeń, długi kontekst cząsteczki, natywny sygnał modyfikacji albo celowany chromatogram.
4. Zaprojektuj kontrole, próbki referencyjne, próg jakości oraz walidację wyniku krytycznego.
5. Dopiero wtedy porównaj aktualne platformy, koszty, dostępność serwisu i kompetencje analityczne.

Wiele dobrych projektów jest hybrydowych. Krótkie odczyty mogą dostarczyć głębokiego zliczania, długie — struktury i fazy, a Sanger — taniej kontroli wybranych konstrukcji. Metody nie muszą ze sobą konkurować; mogą odpowiadać na różne części tego samego pytania.

Co zapisać, aby wynik dało się ocenić

Minimalny opis obejmuje identyfikator i pochodzenie próbki, metodę ekstrakcji, stan DNA, sposób przygotowania biblioteki, selekcję rozmiaru, użycie PCR i UMI, typ odczytu, długość i liczbę odczytów, rozkład pokrycia, kontrole, wersję referencji, programy i parametry oraz reguły filtrowania. Dla wyniku krytycznego trzeba dodać sposób walidacji i jawnie podać regiony lub klasy zmian, których test nie ocenia wiarygodnie.

To rozdziela trzy rzeczy często zlepiane w jedno słowo „sekwencjonowanie”: fizyczny pomiar, obliczeniową rekonstrukcję i biologiczną interpretację. Szczegóły urządzeń opisuje artykuł Sekwenatory: od kapilar po MinION, a bezpośredni pomiar prądu — Sekwencjonowanie nanoporowe.