Algorithms for structural variation discovery using multiple sequence signatures

Tek nükleotid polimorfizmi (TNP), baz çifti ekleme/çıkarma (Indel) ve yapısal varyasyon (YV) gibi genetik varyasyonların canlılar üzerinde önemli fenotipik etkileri vardır. Bunların içinde 50'den fazla baz çiftini etkileyen YV'ler, Crohn Hastalığı, şizofreni ve otizm gibi çeşitli kalıtsal hastalıkların da temel sebebidir. Ayrıca YV'lerin etkilediği baz çifti sayısı TNP'lere göre çok daha fazladır (3,5 Mbp TNP, 15-20 Mbp YV). Bugün, yeni nesil dizileme (YND) teknolojisini kullanarak tam genom hizalama (WGS) yapabiliyor ve bu tip varyasyonları çok daha hızlı, ucuz ve yüksek doğrulukla keşfedebiliyoruz. Ancak 1000 Genom Projesi'nde de gördüğümüz gibi, YND teknolojisinin bazı yetersizlikleri vardır. En önemli sorun şu an kullanılan YND platformlarının ürettiği kısa okuma (<250 bp) boyutları ve genomların çok tekrarlı bölgeler barındırması sebebiyle bu kısa okumaların yüksek doğrulukla hizalanmasını zorlaştırmasıdır. Bu durum, keşfedilen genomik varyasyonların doğruluk oranını da etkilemektedir. Bu sebeple, bugüne kadar geliştirilmiş algoritmalar ekleme, silinme ve kısa inversiyonlar gibi görece olarak daha basit YV'leri karakterize edebilmesine rağmen birçok genetik hastalıkla bağdaştırılan daha karmaşık varyasyonları göz ardı etmiştir. Bu tip YV'lerin insan genomuna etkilerini gözlemlemek için daha farklı yaklaşımlar kullanan, yüksek doğruluk oranına sahip yeni algoritmalar gerekmektedir. Bu tezde, YND teknolojisiyle kısa okumaları kullanarak bir canlının genomundaki YV'leri bulan TARDIS algoritmasını tanıtıyoruz. TARDIS; silinme, yeni dizi ekleme, inversiyon, transpozon ekleme, mitokondriyal ekleme, ardışık kopya ve ters/düz ayrışık kopya gibi birçok YV'yi karakterize edebilmektedir. Bu varyasyonların yüksek doğrulukta keşfi için okuma çiftleri, okuma derinliği ve ayrık okumalar gibi farklı sinyalleri birarada kullanmaktadır. Ayrıca TARDIS, genomun tekrarlı yapısı sebebiyle aynı okumanın birden çok yere benzer doğrulukta hizalanmasından dolayı oluşan hataları göz önünde bulundurarak, tüm hizalanma lokasyonlarını da kullanabilme özelliğine sahiptir. Son zamanlarda kısa okumaların barındırdığı kısıtlamalar sebebiyle yeni kütüphane hazırlama protokolleri geliştirilmiştir. 10x Genomics de bunlardan biridir. Bu teknik, düşük maliyetle uzun mesafeli bitişiklik bilgisi (Long range contiguity) sağlayan, yüksek maliyetli uzun okumalara alternatif bir yöntemdir. TARDIS, kısa okumaların sebep olduğu kısıtlamaların önüne geçebilmek için 10x Genomics'in bağlantılı okumalarını da kullanabilmektedir. Geliştirdiğimiz algoritmaların doğruluk oranlarını simülasyon ve gerçek veriler kullanarak değerlendirdik. Simülasyonlarda TARDIS %97,67 hassasiyet ve %1,12 hatalı tahmin oranını yakaladı. Gerçek veri deneyleri için de iki haploid (CHM1 ve CHM13) ve bir diploid (NA12878) insan genomu kullandık. Sonuçları PacBio veri setleriyle karşılaştırdığımızda TARDIS'in literatürdeki en başarılı metotlara göre daha yüksek doğruluğa sahip olduğunu gördük. Ayrıca CHM1 genomu için TARDIS'in ardışık ve ayrışık kopya varyasyonlarında çok düşük hata oranına sahip olduğunu gösterdik (En iyi 50 tahmininde hata oranı %5'den azdır). Son olarak belirtmeliyiz ki burada tanıttığımız algoritmalar YND teknolojisini kullanarak ayrışık yapısal varyasyonları karakterize edebilen ilk algoritmalardır.