《Briefings in Bioinformatics》:GFSeeker: a splicing-graph-based approach for accurate gene fusion detection from long-read RNA sequencing data
编辑推荐:
基因融合是关键致癌驱动因子和多种癌症的治疗靶点。长读长核糖核酸测序(long-read ribonucleic acid sequencing, RNA-seq)为解析融合异构体的全长结构提供了前所未有的机会,但其较高的内在错误率对精确识别真正的融合事件提出了
基因融合是关键致癌驱动因子和多种癌症的治疗靶点。长读长核糖核酸测序(long-read ribonucleic acid sequencing, RNA-seq)为解析融合异构体的全长结构提供了前所未有的机会,但其较高的内在错误率对精确识别真正的融合事件提出了重大挑战。在此,研究人员开发了GFSeeker,这是一种创新的基于剪接图(splicing graph)的计算框架,用于从长读长RNA-seq中精确检测基因融合。GFSeeker采用基于剪接图参考和双重新比对验证(dual re-alignment validation)的独特流程,有效克服了数据噪声和高错误率带来的问题。在模拟数据集、非肿瘤数据集和癌细胞系数据集上的基准测试表明,GFSeeker具有最先进的性能,与现有方法相比,F1分数提高了6%–15%。值得注意的是,GFSeeker成功识别了MCF-7癌细胞系中已知的融合事件MATN2–POP1,而其他工具未能发现该事件,突显了其在解析复杂融合事件方面卓越的灵敏度。这些结果验证了GFSeeker作为一种强大且可靠的基因融合发现工具的潜力,预示着其在推进癌症研究和精准诊断方面的重要意义。
论文解读:GFSeeker——基于剪接图的长读长RNA测序基因融合检测新范式
研究背景与意义
基因融合作为基因组结构重排或异常转录过程的产物,是多种癌症中的关键分子事件和致癌驱动因子。经典的案例,如慢性髓性白血病中的BCR–ABL1和前列腺癌中的TMPRSS2–ERG,已成为有效的治疗靶点和关键的临床诊断及预后标志物。因此,精确识别基因融合已成为基因组学指导的精准肿瘤学中的一项关键任务。尽管基于短读长RNA测序(RNA-seq)的计算方法在过去十年中占据主导地位,但短读长(通常<300 bp)的固有局限性限制了其解析复杂融合转录本的能力。近年来,以Pacific Biosciences(PacBio)和Oxford Nanopore Technologies(ONT)为代表的长读长测序(Long-Read Sequencing, LRS)技术的兴起,能够生成跨越整个转录本的读长,为捕获融合异构体的全长结构提供了强大的替代方案。然而,LRS数据伴随着较高的内在错误率(通常为5%–15%)以及区分真实生物学融合与技术伪影的困难,使得精确表征融合事件仍是一个活跃的研究领域。为此,研究人员提出了GFSeeker,旨在通过应用剪接图模型解决上述挑战,相关成果发表在《Briefings in Bioinformatics》上。
关键技术方法
研究人员构建了两种参考剪接图:包含全部转录本的综合参考剪接图(Comprehensive Reference Splicing Graph, CRSG)和仅限于蛋白质编码基因的蛋白编码参考剪接图(Protein-coding Reference Splicing Graph, PRSG)。利用Minigraph将原始测序数据与CRSG进行比对,识别跨基因的候选读长。随后通过动态构建定制参考序列并使用Minimap2进行靶向连接验证。经过基于断点(breakpoint)和路径的双重聚类后,利用abPOA工具生成一致性序列。核心验证环节采用双重新比对策略:将一致性序列分别重新比对至PRSG和线性参考基因组(如hg38),以交叉验证融合结构并精修断点位置。最后,结合CTAT Human Fusion Lib数据库进行分层置信度评估。研究使用了模拟数据集、HG002非肿瘤样本、商业化参考RNA样本(Seraseq Fusion RNA Mix v4)以及MCF-7癌细胞系的SG-NEx ONT数据集进行验证。
研究结果
1. 模拟数据集上的性能评估
在模拟的PacBio和ONT数据集上,GFSeeker在所有18种模拟条件下均表现出优于五种主流工具(JAFFAL, GFHunter, LongGF, CTAT-LR-Fusion, FusionSeeker)的基因对水平检测性能,平均F1分数在PacBio数据上超过95%,在ONT数据上达到96%。特别是在最具挑战性的条件(10×覆盖度,15%错误率)下,GFSeeker保持了近完美的精确度(99%–100%),而GFHunter和CTAT-LR-Fusion则引入了较多假阳性。此外,GFSeeker在断点定位精度上也表现卓越,超过97%的预测断点偏移量为0 bp,这归因于其基于重新比对的断点精修策略。
2. 真实非肿瘤数据集上的基准测试
在HG002人类样本的非肿瘤数据集(PacBio Iso-Seq, ONT dRNA, ONT cDNA)测试中,GFSeeker展现了极高的特异性,在所有三个数据集中报告的候选事件总数最低。相比之下,其他工具尤其是FusionSeeker产生了大量假阳性。在cDNA和Iso-seq数据集中,GFSeeker是唯一成功识别出文献验证的CTBS–GNG5融合事件并将其正确归类为“潜在伪影/通读(read-through)”事件的工具,显示了其对正常组织中已知生物学复杂性的准确捕获与分类能力。
3. 真实癌症数据集上的性能验证
在含有16个已知融合转录本的商业化参考RNA样本(Seraseq Fusion RNA Mix v4)测试中,GFSeeker实现了完美的召回率(recall),成功检测到所有16个参考融合事件,并在所有测试工具中获得了最高的总体F1分数(分别为91.4%、88.9%和86.5%)。在MCF-7人类乳腺癌细胞系的实际场景验证中,GFSeeker是唯一能够识别文献验证的MATN2–POP1融合事件(在cDNA和dRNA数据集中分别由12条和7条长读长支持)的工具,而其他工具均未能发现该事件。这一独家检测结果凸显了GFSeeker在解析低丰度或复杂断点结构融合事件方面的高灵敏度。
讨论与结论
本研究介绍的GFSeeker通过其创新的基于剪接图的方法和严格的多阶段验证策略,实现了长读长RNA-seq数据基因融合检测的准确性和可靠性。其核心设计优势在于:(i)基于剪接图的模型具有极高的灵敏度,能够发现其他检测方法难以触及的复杂癌症转录组中的融合事件;(ii)断点精修策略通过将推断的断点锚定到已知剪接位点,有效纠正了测序或比对误差导致的偏差,在模拟数据中超过97%的预测达到了零偏差的单碱基精度;(iii)独特的双重新比对验证流程(针对PRSG和线性参考基因组)是其极低假阳性率的关键。尽管GFSeeker的性能高度依赖于基因注释的质量,且在分析具有不完全注释的物种时可能受限,但其在多种长读长平台和文库制备方法中展现出的优越性能,标志着基因融合检测领域的重大进步,有望成为基因组学指导的精准肿瘤学时代的重要工具。