TEPEAK:一种在非模式物种种群中识别和表征多态性转座元件的新方法

《PLOS Computational Biology》:TEPEAK: A novel method for identifying and characterizing polymorphic transposable elements in non-model species populations

【字体: 大 中 小 】 时间:2026年01月13日 来源:PLOS Computational Biology 3.6

编辑推荐:

  转座元件(TEs)在基因组内复制,是许多物种遗传变异的重要来源。它们在免疫和驯化中的作用凸显了其生物学意义。然而,分析TEs,尤其是在研究较少和野生种群中,存在相当大的挑战。为了解决这个问题,研究人员引入了TEPEAK,这是一种简单高效的方法,用于在没有任何先

  
转座元件(TEs)在基因组内复制,是许多物种遗传变异的重要来源。它们在免疫和驯化中的作用凸显了其生物学意义。然而,分析TEs,尤其是在研究较少和野生种群中,存在相当大的挑战。为了解决这个问题,研究人员引入了TEPEAK,这是一种简单高效的方法,用于在没有任何先验序列或位点信息的情况下,识别和表征种群中的TEs。除了处理用户提交的基因组外,TEPEAK还与美国国家生物技术信息中心(NCBI)序列读段存档(SRA)集成,以增加队列规模或纳入近缘物种。研究人员将TEPEAK应用于涵盖11个类群的257个马基因组,结果既证实了已知的遗传历史,也突出了关键基因中的破坏。一些被识别的TEs也在与马近缘的物种中可被检测到。TEPEAK通过简化TE研究,为传统上研究不足的种群进行全面的遗传变异分析铺平了道路。TEPEAK是开源且可免费获取的。
**研究背景与问题**

结构变异(SV)对遗传和表型多样性的影响日益受到重视,但准确识别多种类型的结构变异仍然具有挑战性。在SV中,转座元件(TEs)也不例外。TEs是可移动的遗传元件,能够独立插入到不同的基因组区域,从而在宿主基因组中扩增并占据许多物种基因组的很大一部分。尽管TEs意义重大,且已有大量测序样本,但在许多非模式物种(包括那些仍是SV来源的物种)中,TEs的编目仍然很不完善。这一差距部分是由于缺乏简单有效的方法来识别和准确区分多态性及新的TE插入。TEs几乎存在于所有真核生物基因组中,由于其独特的生物学特性以及环境与群体遗传因素之间的互补关系,具有深远的影响。例如,TE序列插入编码区可以导致新基因的扩增和传播,并驱动由全球变暖、疾病、适应性免疫系统、物种形成以及近交和濒危种群等环境压力引起的适应性表型变异。

目前,TE的发现大致可分为识别先前已注释TE家族的多态性插入和识别未注释新TE家族的插入。现有的多态性插入方法同时使用基于序列同源性的方法和“从头”结构特征搜索,从感兴趣的序列或结构基序中识别多态性插入。然而,这些方法难以识别与先前已识别TEs不同的元件。虽然多态性TE家族通常代表更近期的插入,因此比固定拷贝的降解程度低,但序列截断和局部退化仍不同程度地发生。这种异质性使得从短读长数据中全面提取所有多态性插入变得复杂,因为部分降解或破碎的元件可能逃脱检测或被错误分类。识别新的未注释TE家族通常需要专家领域知识或“从头”方法。这一瓶颈导致了对物种TE景观的片面和孤立的认知。此外,当前的许多方法要求用户提供一个或多个TE家族的一致序列列表来检测该家族的多态性插入,尽管最近开发的工具通过使用泛基因组结构变异从头构建TE文库来规避这一限制。仅关注单一物种中已知的TE目标,阻碍了对TE进化关系的全面和无偏分析。TE家族具有复杂的进化历史,这意味着单物种研究通常不足以充分理解特定TE的意义。如果不比较近缘物种,就无法获得关于TE的进化、频率、影响甚至其在物种中固定性的相关信息。随着参考基因组组装发布速度的急剧增加,发布数量远远超过了注释工作,这意味着非模式生物的TE景观特征描述不足。即使出现了更多关注TE的群体遗传学研究,也缺乏一个标准化的流程来有效比较种群中的TEs,这使得难以推广研究发现或将获得的认知应用于其他研究。因此,需要一种能够揭示物种中多态性TE完整景观的方法。这种方法不仅有可能发现新的TEs,还能发现那些在其他方法有限关注下可能不明显的高度多态性TEs。该方法还应能无缝地与近缘物种进行比较,以近乎完整地理解景观中所有TEs的意义。

**研究内容与意义**

为此,研究人员开发并提出了TEPEAK,这是一个简单、标准化的流程,能够识别已注释TEs和新型TEs的多态性插入。TEPEAK仅需要一个染色体水平的参考基因组组装,无需预先了解感兴趣的TEs,这使其非常适合在非模式生物中发现已知和新型的转座元件。该流程基于检测特定长度结构变异的过度富集,这些变异很可能对应于源自TEs的多态性。TEPEAK使用峰值寻找算法,从结构变异插入数据中识别显示出多态性证据的TE家族簇,且不排除低拷贝数的TEs。然后,研究人员利用这些TE家族簇来识别种群中所有相关的位点。该流程的输出是一个简单的文件,包含种群中共享的位点以及同一位点不同样本间的多态性序列。这些TE家族簇随后可用于与输入流程的任何其他物种进行比较。研究人员通过报告257个马基因组的TE景观来展示TEPEAK的实用性。研究表明,该方法还能在黑犀牛、野驴和斑马中识别出相同马科TE家族的多态性插入,其中一些先前未被注释。最后,研究人员证明该方法能够在黑犀牛等非模式物种中识别新的TEs。该研究成果发表在《PLOS Computational Biology》期刊上。

**关键技术方法**

TEPEAK是一个模块化工作流程,用于检测、分类和分析跨群体规模基因组数据集的多态性TE插入。该流程可在多种输入模式下运行,具体取决于数据可用性和预处理需求。所有执行阶段都在Snakemake中管理,确保了可重复性和一致的环境控制。工作流从用户提供的输入开始,输入格式可以是SRA登录号列表、双端FASTQ文件或源自Illumina短读长测序数据的预比对BAM/CRAM文件。推荐使用染色体水平的参考基因组组装。TEPEAK利用INSurVeyor(一种最先进的插入结构变异检测工具)进行每个样本的插入位点调用,生成VCF格式的潜在TE插入或SV INDEL位点及序列。随后,峰值寻找算法对每个样本的VCF文件进行处理,采用一种自适应密度聚类算法来识别跨不同大小范围的TE插入家族。该算法构建所有样本中插入大小的经验频率分布,使用滑动窗口方法计算每个位置的局部插入密度,并与从更广泛的基因组背景窗口估计的局部背景进行比较。通过计算局部背景窗口内的滚动分位数来识别密度升高区域,从而检测到常见大小范围内的高频峰值和插入活动稀疏区域内的低频峰值。对于每个检测到的大小簇,TEPEAK执行分层序列聚类以识别可能共享相似插入长度但序列组成不同的TE亚家族。提取的序列经过两阶段聚类过程,首先根据长度变异进行预过滤分组,然后在每组内使用具有成对序列一致性阈值的贪心算法进行聚类。对于每个已识别的序列家族,其一致性代表序列会自动查询Dfam转座元件数据库,以分配家族级别的分类。一旦识别出峰值和相应的TE家族,TEPEAK会提取属于每个峰值大小范围的所有插入位点,并在个体间合并,生成群体水平的位点表。这些位点随后与用户提供的基因注释(GTF)进行交叉,以确定与外显子、内含子、非翻译区域或基因间区域的重叠。可选模块支持功能富集分析、系统发育重建和基于UMAP(均匀流形近似和投影)的群体结构可视化。

**研究结果**

**马案例研究**
研究人员将TEPEAK应用于涵盖11个品种的257个马样本。经过过滤,获得了超过1,541,863个插入(>100 bp)。峰值寻找算法在多个大小位置识别出显著的局部最大值。

**ERE-1位点的提取**
TEPEAK的峰值寻找步骤在246 bp处识别出一个显著的峰值,包含23,092个独特插入。BLAST数据库查询证实该大小的插入属于奇蹄目特异性SINE家族——马重复元件(ERE)的亚家族成员ERE-1。对大小频率直方图的分析显示,ERE一致性范围大致代表了紧邻246 bp峰值的90%的突出大小,范围在220-280 bp。提取220–280 bp范围内的所有插入并利用各亚家族的一致序列进行过滤,证实了所有四个ERE亚家族的存在。研究结果与此前发现一致,即ERE-1是多态性最强的亚家族,并且是马基因组中最近活跃的元件。ERE-1插入不仅在品种间和群体频率变异方面更具多态性,而且在序列分歧和位置偏好方面也是如此。

**ERV2-LTR和全长ERV2的提取**
对1,374 bp峰值处一致序列查询Dfam和BLAST未返回紧密匹配的注释。进一步利用UCSC查询该一致序列,确认该TE是内源性逆转录病毒的长末端重复区域,特别是ERV2-1N-EC_LTR(ERV2-LTR)。研究人员随后展示了TEPEAK在无需先验了解内部区域序列的情况下提取全长完整ERVs的能力。通过首先提取和过滤所有ERV2-LTR位点,然后合并彼此距离在10,000 bp以内的位点,最后与群体中大小大于4,000 bp的所有插入进行交叉,成功识别出全长ERV。

**ERE-1的多态性插入显示出明显的品种群体结构**
由于ERE-1代表最近活跃的ERE元件,研究人员专注于ERE-1的群体结构。通过过滤与ERE-1一致序列至少85%一致性的插入,提取了22,451个位点和285,828个插入。UMAP结果验证了对大多数品种的推断。值得注意的是,未受到赛马或盛装舞步育种压力的济州马作为一个伪对照组。纯血马和阿拉伯马品种对夸特马、标准马和汉诺威马的基因组构成产生了明显影响。然而,尽管有证据表明存在一些共享的纯血马血统,弗里堡马群体却表现出明显的差异。

**蒙古马作为ERE-1等位基因的来源**
蒙古品种是最古老、遗传多样性最丰富的当代马群体。蒙古品种表现出最多数量的固定和稀有ERE-1位点,突显了蒙古品种是ERE-1对完整群体影响的最佳代表。对品种间共享位点数量的评估证实了蒙古品种拥有最多样化的位点集合。研究还观察到一个显著的模式,特别是在欧亚草原附近的品种之间共享位点的分布。

**ERE-1的基因组影响/功能富集**
为了评估TE的整体基因组影响,研究人员对所有ERE-1位点进行了注释和功能富集分析。结果显示ERE-1存在于56个编码DNA序列(CDS)、5,785个内含子区域和539个5‘或3’非翻译区(UTR)中。对这些CDS和外显子交叉基因的功能富集分析表明,ERE-1的存在在多个细胞和生物学通路中尤为显著。

**马体内全长内源性逆转录病毒的提取**
TEPEAK能够提取10个位点上的31个不同的全长ERV。将每个ERV与RepBase的ERV2_INT一致序列进行多序列比对,验证了所有31个插入中完整内部区域的存在,无误报。研究人员还注释了每个ERV2(包括LTR和全长)位点的基因组特征,结果与112个不同基因、1个CDS、14个UTR和97个内含子发生交叉。

**马科特异性TEs的跨物种分析**
为了扩展从马基因组中获得的结果并展示TEPEAK在近缘物种中的灵活性,研究人员将该流程应用于另外四个奇蹄目基因组:黑犀牛、巴西貘、野驴和斑马。跨物种方法突出了TEPEAK在较少研究基因组中检测新TEs的能力,并提供了多态性元件在不同分类群中进化分布的比较视角。研究人员过滤了这四个物种在220 bp-280 bp范围内的序列并构建了一致序列。将每个物种的一致序列与马ERE-1一致序列进行成对比对,结果显示斑马和野驴的序列一致性大于99%,而黑犀牛和巴西貘的序列一致性分别为76%和74%。与马的ERE-2、ERE-3和ERE-4一致序列比较,在这两个物种中,ERE-3/4的序列一致性最高(>94%)。这进一步证实了ERE-1是ERE家族中最古老成员的证据。研究人员未能在犀牛或貘中识别出与ERE-1高度一致(>75% PID)的插入。尽管ERV2-LTR范围内的插入有限,但研究人员能够在野驴和斑马中识别出具有高PID(>98%)的序列,但在犀牛或貘中则没有。

**黑犀牛中的新TE**
基于上述分析,研究人员认为在黑犀牛中发现了一个大小为535/536 bp的新TE家族。由于该范围内插入的邻近性,推测这些插入可能是ERV-LTRs。基于此推断,TEPEAK能够提取两个可能含有全长ERVs(6705 bp)的位点。对该序列的BLAST结果显示它是一种伽马逆转录病毒,验证了该TE家族是一个ERV。

**讨论与结论总结**

TEPEAK是一个旨在利用类似大小插入的富集来识别和表征种群中TEs的框架。TEPEAK的优势在于其能够通过整合先前测序的SRA样本来扩大项目分析范围,无需先验注释或序列知识即可发现TEs,并帮助用户辨别所发现TEs的群体结构和功能影响。凭借这些能力,研究人员期望TEPEAK在TE活动和功能知之甚少的野生种群中特别有用。为了演示TEPEAK并作为其他TE探索的指南,研究人员展示了对涵盖11个不同类群和品种的257匹马以及相关物种斑马、野驴、黑犀牛和貘的TEs分析。

在马中发现的TEs中,ERE-1被观察到拥有一组在所有类群中共享的固定位点,尽管其历史复杂。除了这组共享位点外,研究人员还识别出许多插入到编码关节健康、骨骼肌发育和心脏功能等性状基因的编码区的位点。这些结果表明,ERE-1在现代马遗传学和育种中扮演着活跃角色。研究人员还发现了以LTR和全长形式存在的ERV2插入,这些插入影响了免疫基因,并且在欧亚马品种(济州马、阿哈尔捷金马、蒙古马、藏马和阿拉伯马)中几乎固定。

尽管TEPEAK易于使用且功能强大,但它需要高质量样本才能有效运行,这在考虑古基因组时可能具有挑战性。目前,TEPEAK仅考虑Illumina短读长数据集。随着长读长测序的日益普及,这可能会限制TEPEAK的效用。其自动识别和表征方法也可能难以正确分离同一大小区域内的重叠家族,并可能需要一些人工管理(例如,从LTRs中去除LINEs)。虽然TE家族共享特征性插入大小的假设对大多数元件类别成立,但非LTR逆转录转座子如LINE-1是一个显著的例外。这些元件在逆转录过程中经常发生5‘端截断,产生长度可变的插入,跨度可达几千碱基。TEPEAK通过识别统计上富集的大小区间而非固定长度的峰值来缓解这一问题,从而能够在更广泛的分布中部分恢复LINE-1插入。然而,这种固有的尺寸可变性会降低峰值对比度,并使精确划分单个LINE-1亚家族复杂化,研究人员承认这是当前方法的一个局限性。

**结论**:TEPEAK为在非模式物种群体中进行全面的转座元件分析提供了一个强大且易于使用的框架。它能够发现新的和多态的TEs,并促进跨物种比较,从而加深对TEs在群体多样性、适应性和驯化基因组遗产中的作用的理解。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号