Genoomassemblage: hoe je een compleet genoom bouwt uit miljoenen puzzelstukjes DNA
Stel je voor: een dik boek gaat door een papierversnipperaar. Op je bureau ligt straks een berg van duizenden snippers, elk met een paar losse zinnen erop. De oorspronkelijke bladzijden bestaan niet meer, maar jij wilt het hele boek toch weer kunnen lezen, van de eerste tot de laatste letter. Dat is in de kern wat onderzoekers doen bij genoomassemblage: het weer aan elkaar puzzelen van miljoenen korte stukjes DNA-code tot één doorlopende, kloppende tekst van een genoom, de complete erfelijke informatie van een mens, plant, dier of micro-organisme.
Die 'snippers' komen uit een sequencer, een apparaat dat DNA niet in één keer kan uitlezen, maar alleen in korte stukjes van een paar honderd tot een paar tienduizend letters (basen) lang. Om te achterhalen hoe die stukjes ooit aan elkaar zaten, zoeken computerprogramma's naar overlappende tekst tussen fragmenten, ongeveer zoals je twee papiersnippers die allebei het woord 'olifant' bevatten naast elkaar legt omdat ze waarschijnlijk bij elkaar hoorden. Genoomassemblage is dus in essentie een gigantisch legpuzzelprobleem, met twee extra complicaties: er is meestal geen doosje met de eindafbeelding erop, en veel puzzelstukjes lijken sprekend op elkaar terwijl ze toch op heel andere plekken in het genoom thuishoren.
Wat is het precies?
Het proces begint bij een sequencer, een machine die DNA-moleculen chemisch uitleest en omzet in tekst: reeksen van de letters A, C, G en T, die staan voor de vier bouwstenen (basen) van DNA. Zo'n uitgelezen stukje heet een read. Geen enkele sequencer kan een heel chromosoom, laat staan een heel genoom, in één keer uitlezen; DNA wordt eerst in miljoenen kleine stukjes geknipt, en elk stukje wordt apart afgelezen.
Er bestaan twee hoofdtypen technologie. Short-read sequencing, met marktleider Illumina, levert reads van ongeveer honderd tot driehonderd basen met een hoge nauwkeurigheid. Long-read sequencing, van bedrijven als Pacific Biosciences (PacBio) en Oxford Nanopore Technologies, levert reads van duizenden tot tienduizenden basen. Lange reads waren lange tijd minder nauwkeurig, maar sinds enkele jaren zijn technieken zoals PacBio's zogeheten HiFi-reads bijna net zo betrouwbaar als korte reads, terwijl ze veel meer overzicht geven.
Om de reads weer in de juiste volgorde te leggen, gebruiken assemblageprogramma's twee families van methoden. Bij overlap-layout-consensus, vooral gebruikt voor lange reads, zoekt de computer letterlijk naar overlappende stukken tekst tussen reads om ze aan elkaar te rijgen. Bij de de Bruijn graph-methode, populair voor korte reads, worden reads eerst opgeknipt in nog kleinere, vaste stukjes die vervolgens als een soort routekaart aan elkaar worden gekoppeld via gedeelde stukjes tekst. Beide methoden lopen tegen hetzelfde obstakel aan: repeats, DNA-stukken die op meerdere plekken in het genoom (bijna) identiek voorkomen. Als een puzzelstukje inhoudelijk niet te onderscheiden is van tien andere stukjes elders in de puzzel, weet de computer niet zeker waar het hoort. Lange reads verkleinen dit probleem, omdat ze vaak net over de rand van een herhalend stuk heen reiken naar unieke tekst erachter.
Een belangrijk onderscheid is dat tussen de novo assemblage, waarbij een genoom helemaal vanaf nul wordt opgebouwd zonder sjabloon, en reference-based (of reference-guided) assemblage, waarbij reads worden gelegd tegen een al bestaand referentiegenoom van dezelfde of een verwante soort, zoals het leggen van een puzzel terwijl je toch af en toe naar een vergelijkbare afbeelding op een andere doos mag kijken. De novo is technisch veel lastiger, maar noodzakelijk voor soorten waarvan nog geen genoom bekend is, en belangrijk om nieuwe, afwijkende stukken DNA te ontdekken die niet in de referentie voorkomen.
Het resultaat van een eerste assemblageronde bestaat uit contigs: aaneengesloten stukken tekst zonder gaten. Contigs zijn meestal nog niet compleet chromosoomlang; met technieken als Hi-C (die meet welke DNA-stukken in de celkern fysiek dicht bij elkaar liggen) of optical mapping (dat een soort streepjescode van het DNA maakt) worden contigs geordend en georiënteerd tot scaffolds, die een heel chromosoom kunnen benaderen. De kwaliteit van een assemblage wordt vaak samengevat met de N50-waarde: de lengte van het contig of scaffold waarboven de helft van het totale genoom in even lange of langere stukken ligt. Een hogere N50 betekent doorgaans minder gefragmenteerde, dus completere, stukken.
Wat wil men ermee bereiken?
Het uiteindelijke doel is een genoom dat zo volledig en foutloos mogelijk is, zonder gaten en zonder verkeerd gelegde stukken. Zo'n compleet genoom is de basis voor bijna al het onderzoek dat daarna komt: het opsporen van genen die met ziekten samenhangen, het bestuderen van structurele variatie (grote stukken DNA die ontbreken, verdubbeld of omgedraaid zijn), en het vergelijken van soorten om evolutionaire verwantschap te begrijpen.
In de geneeskunde is een goed referentiegenoom onmisbaar voor wat vaak personalized medicine (op de persoon toegesneden zorg) wordt genoemd: pas als je weet hoe een 'normaal' genoom eruitziet, kun je afwijkingen bij een individuele patiënt betrouwbaar herkennen. Datzelfde principe geldt in de landbouw, waar complete genomen van gewassen en vee helpen bij veredeling, en in natuurbehoud, waar genoominformatie inzicht geeft in de genetische gezondheid en diversiteit van bedreigde soorten.
Een belangrijk inzicht van de afgelopen jaren is dat één enkel referentiegenoom niet volstaat om de diversiteit binnen een soort te vangen. Het menselijke referentiegenoom dat decennialang is gebruikt, is grotendeels gebaseerd op het DNA van een klein aantal personen en mist daardoor variatie die bij andere bevolkingsgroepen wel voorkomt. Vandaar de opkomst van het pangenoom: geen los referentiegenoom meer, maar een verzameling of netwerk van genomen die samen een veel breder beeld geven van menselijke (of andere) genetische variatie.
Voorbeelden uit de praktijk
Het Human Genome Project (1990-2003) leverde de allereerste versie van het menselijke genoom op, na dertien jaar internationale samenwerking en aanzienlijke kosten. Deze eerste versie bevatte nog honderden gaten, vooral in DNA-gebieden vol repeats, die met de toenmalige technologie simpelweg niet te ontrafelen waren.
Pas in 2022 maakte het Telomere-to-Telomere (T2T) Consortium bekend, in het tijdschrift Science, dat het voor het eerst was gelukt om een écht gapless menselijk genoom te assembleren, dus zonder enige onderbreking, van het ene uiteinde van elk chromosoom (telomeer) tot het andere. Dit werd mogelijk dankzij een bijzondere celbron (de cellijn CHM13, met relatief eenvoudig, min of meer verdubbeld DNA) in combinatie met nieuwe long-read technieken.
In 2023 volgde het Human Pangenome Reference Consortium met een publicatie in Nature over een eerste ontwerp-pangenoom, opgebouwd uit tientallen complete genomen van mensen met uiteenlopende voorouderlijke achtergronden, met als doel dat aantal de komende jaren verder uit te breiden.
Buiten de mens loopt het Vertebrate Genomes Project, dat streeft naar hoogwaardige referentiegenomen van vrijwel alle gewervelde diersoorten wereldwijd, en het Darwin Tree of Life Project van het Wellcome Sanger Institute in het Verenigd Koninkrijk, dat de genomen van alle bekende eukaryote soorten (organismen met een celkern) in Groot-Brittannië en Ierland in kaart probeert te brengen. Het overkoepelende Earth BioGenome Project, gestart rond 2018, heeft de ambitie om uiteindelijk het genoom van alle circa 1,5 tot 2 miljoen bekende eukaryote soorten op aarde te sequencen en assembleren, een project dat naar verwachting decennia in beslag zal nemen.
Hoe ver is de techniek?
De vooruitgang van de afgelopen jaren is groot geweest. Sinds ongeveer 2019-2021 hebben verbeteringen in long-read sequencing, met name PacBio's nauwkeurigere HiFi-reads en de steeds langere en betrouwbaardere reads van Oxford Nanopore, het mogelijk gemaakt om veel meer repeat-rijke gebieden correct te assembleren dan voorheen. Tegelijk zijn de kosten van sequencing sterk gedaald ten opzichte van het miljardenbudget van het oorspronkelijke Human Genome Project, al blijft een volledige, hoogwaardige de novo assemblage duurder en bewerkelijker dan het simpelweg 'uitlezen' van iemands DNA tegen een bestaande referentie.
Het T2T-genoom uit 2022 geldt als belangrijke mijlpaal, maar het betrof één enkel, bijzonder homogeen genoom; het opschalen naar duizenden diverse individuen voor een volwaardig pangenoom is een nog lopende, technisch en rekenkundig zware klus. Ook zijn er nog altijd grenzen aan wat assemblage aankan: sterk repetitieve gebieden blijven foutgevoelig, polyploïde genomen (met meerdere, bijna identieke setjes chromosomen, zoals bij gewassen als tarwe of aardappel) zijn extra lastig omdat de software moeilijk onderscheid kan maken tussen de bijna-identieke kopieën, en sommige planten en amfibieën hebben genomen die vele malen groter zijn dan het menselijke, wat de rekentijd en het geheugengebruik flink opdrijft. Ook is er nog geen volledige consensus over de beste manier om pangenomen te bouwen, op te slaan en te doorzoeken; dat is op dit moment een actief onderzoeksveld met concurrerende methoden.
Wie werken eraan?
In de Verenigde Staten speelt het National Human Genome Research Institute (NHGRI), onderdeel van de National Institutes of Health, een centrale rol, samen met onderzoekscentra als de University of California, Santa Cruz, die belangrijke assemblage-software heeft ontwikkeld. In het Verenigd Koninkrijk is het Wellcome Sanger Institute een van de grootste genoomcentra ter wereld, terwijl EMBL-EBI (het Europees Bioinformatica-instituut) een sleutelrol speelt in het beheren en toegankelijk maken van genoomdata voor onderzoekers wereldwijd. In China is BGI een van de grootste sequencingorganisaties.
Op de technologiekant leveren bedrijven als Illumina (short-read), Pacific Biosciences en Oxford Nanopore Technologies (beide long-read) de sequencingapparatuur waar al deze projecten op draaien. Veel van het grootschalige werk gebeurt niet door één instituut, maar via internationale consortia zoals het T2T Consortium, het Human Pangenome Reference Consortium, het Vertebrate Genomes Project en het Earth BioGenome Project, waarin tientallen tot honderden onderzoeksgroepen uit verschillende landen samenwerken en data en methoden delen.