ParaDISM：优化高同源基因序列短读长测序比对的流程

《BMC Bioinformatics》：ParaDISM: precise mapping of short reads to genes with highly homologous regions

摘要

背景

具有高度相似基因组拷贝的基因（旁系同源基因、串联重复序列和假基因）对短读长高通量测序（srHTS）构成了重大挑战。高度相似的序列使得短读长的来源序列难以明确识别。这会导致错误比对伪影的产生，并沿生物信息分析流程传播，增加下游步骤（如单核苷酸变异检测）的错误率。

结果

我们提出了ParaDISM，一种用于优化标准比对结果、改善读长定位并减少高同源序列中由错误比对引起的假阳性变异检测的流程。该流程利用参考序列的多序列比对来识别区分位点，并仅在存在明确的序列特异性证据支持时，才将读长/读长对分配至某一序列。ParaDISM侧重于特异性和精确度（阳性预测值）而非灵敏度，采用保守的读长定位策略，将基因来源证据不足的读长报告为未分配。可选的迭代优化程序从可靠分配的读长中检测变异，更新参考序列以获得样本特异性证据以支持读长定位，并重新处理剩余的未分配读长，以缓解严格定位标准导致的灵敏度损失。我们通过广泛的计算模拟实验和Genome in a Bottle HG002基准数据，从读长比对和由此产生的短变异检测结果两方面评估了ParaDISM的性能。我们将ParaDISM应用于两个病例研究的再分析：五个公开的GNAQ/GNAQP1位点肿瘤外显子组数据，以及18个诊断为常染色体显性多囊肾病的患者短读长测序数据集（15个外显子组数据和3个基因面板测序数据集）。与Bowtie2、BWA-MEM2和minimap2相比，ParaDISM减少了错误比对伪影的数量，从而提高了后续单核苷酸变异检测的特异性和精确度。

结论

ParaDISM通过优化BAM文件来提高高同源序列中读长定位和下游分析的精确度。该流程可作为标准生物信息分析流程中变异检测步骤之前注重精确度的附加模块，为高同源区域中检测到的变异提供更强的证据支持。该方法适用于假阳性变异检测的后果比假阴性更为严重的场景，如识别遗传疾病的致病突变。在需要实验湿实验验证候选变异的场景中，ParaDISM可用于优先排序具有强支持的变异，以减少验证假阳性结果所耗费的成本和精力。ParaDISM可与标准比对工具的结果结合使用，以交叉验证结果并识别不可靠的读长定位及可能由错误比对伪影引起的变异。该流程为开源软件，基于MIT许可证发布，可在github.com/BioGeMT/ParaDISM获取。