Characterization of large structural variation using linked-reads

Abstract

Yüksek verimli okuma cihazlarının gelişmesiyle yapısal varyasyonların keşfi için birçok algoritma geliştirilmiştir. Ama insan genomundaki YV'ların birçoğu henüz belirlenememiştir. Mevcut metotlar delesyon, insersiyon ve mobil elemanlar üzerinde yoğunlaşmaktadır. Dengeli, DNA miktarını değiştirmeyen varyasyonların tespiti zor bir problemdir. Uzun okuma teknolojileri ile birlikte kısa inversiyonların bulunması mümkün olduysa da, büyük genomik inversiyonların keşfi için yeni metodların geliştirilmesi gerekmektedir. Dahası, şu an büyük segmental duplikasyonların insersiyon lokusunu tahmin eden bir algoritma bulunmamaktadır.Bu tezde bağlı okuma teknolojilerini kullanarak ardışık olmayan segmental duplikasyonların ve inversiyonların karakterizasyonu için özgün algoritmalar öne sürüyoruz. Bağlı okuma teknolojisi Illumina okumalarını barkodlar ile işaretle/-yerek uzun mesafe bilgisi sağlamaktadır. Tezdeki metotlar ayrık okuma sinyallerine benzeyen ayrık molekül sinyallerine dayanmaktadır. Ayrık moleküller varyasyon kesim noktalarına denk gelen ve bu nedenle referansa hizalandığında bölünen moleküllerdir. Daha önce Havuzlanmış Klon Dizileme yöntemi için tasarlanmış olan VALOR algoritmasını, bağlı okumalar ile ardışık olmayan segmental duplikasyonları ve inversiyonları bulmak için yeniden tasarladık. Bu yeni algoritmayı, VALOR2 adıyla yeni bir yazılım paketinde uyguluyoruz.

Many algorithms aimed at characterizing genomic structural variation (SV) have been developed since the inception of high-throughput sequencing. However, the full spectrum of SVs in the human genome is not yet assessed. Most of the existing methods focus on discovery and genotyping of deletions, insertions, and mobile elements. Detection of balanced SVs with no gain or loss of genomic segments (e.g. inversions) is particularly a challenging task. Long read sequencing has been leveraged to find short inversions but there is still a need to develop methods to detect large genomic inversions. Furthermore, currently there are no algorithms to predict the insertion locus of large interspersed segmental duplications.Here we propose novel algorithms to characterize large (>40Kbp) interspersed segmental duplications and (>80Kbp) inversions using Linked-Read sequencing data. Linked-Read sequencing provides long range information, where Illumina reads are tagged with barcodes that can be used to assign short reads to pools of larger (30-50 Kbp) molecules. Our methods rely on split molecule sequence signature that we have previously described. Similar to the split read, split molecules refer to large segments of DNA that span an SV breakpoint. Therefore, when mapped to the reference genome, the mapping of these segments would be discontinuous. We redesign our earlier algorithm, VALOR, to specifically leverage Linked-Read sequencing data to discover large inversions and characterize interspersed segmental duplications. We implement our new algorithms in a new software package, called VALOR2.