N50-waarde: de rekenkundige maatstaf voor een compleet genoom
Stel je voor dat je een encyclopedie van drie miljard letters – het menselijk genoom – door een papierversnipperaar haalt en vervolgens probeert de snippers weer aan elkaar te leggen tot het oorspronkelijke boek. Sommige stukjes zijn lang, andere zijn maar een paar letters groot. De N50-waarde is een getal dat vertelt hoe groot de snippers gemiddeld zijn nadat je ze zo goed mogelijk hebt samengevoegd. Hoe hoger de N50, hoe minder losse stukjes en hoe completer het verhaal dat je kunt lezen.
In de genetica komt dit versnipperen letterlijk voor: DNA-sequencers kunnen geen hele chromosomen in één keer aflezen, dus het erfelijk materiaal wordt eerst geknipt in korte of lange stukken, afgelezen, en daarna met software weer 'aan elkaar gepuzzeld' tot zogeheten contigs of scaffolds — aaneengesloten stukken gereconstrueerde DNA-code. De N50-waarde is de standaardmanier om te meten hoe goed die puzzel is gelegd, en daarmee hoe betrouwbaar een gepubliceerd genoom eigenlijk is.
Wat is het precies?
De berekening van N50 volgt een vaste, wiskundige procedure. Eerst worden alle samengestelde DNA-stukken (contigs) van een assemblage op lengte gesorteerd, van lang naar kort. Vervolgens tel je de lengtes bij elkaar op, beginnend bij het langste stuk, totdat de som de helft van de totale genoomlengte bereikt. Het stuk waarbij je die grens van vijftig procent passeert, bepaalt de N50: de lengte van dát stuk is de N50-waarde.
Een voorbeeld maakt het concreet. Stel een genoom van 100 letters (in de praktijk zijn dit miljarden baseparen) is samengesteld uit stukken van 40, 30, 20 en 10 letters. Vanaf het langste stuk optellend kom je bij 40 + 30 = 70, wat al meer is dan de helft (50) van 100. De N50 is dan 30, want dat is het stuk waarbij de grens van 50 procent wordt overschreden. Een genoom dat in slechts twee stukken van 50 letters uiteenvalt, heeft een veel hogere N50 en is dus 'netter' samengesteld, ook al is de totale hoeveelheid DNA-informatie in beide gevallen gelijk.
Belangrijk is dat N50 niets zegt over de juistheid van de volgorde, alleen over de mate van fragmentatie. Er bestaan verwante maten die net iets anders meten: N90 (het punt waarop 90 procent van het genoom is bereikt, een strengere maatstaf), L50 (het aantal stukken dat nodig is om die 50 procent te bereiken) en NG50 (een variant die rekening houdt met de bekende, verwachte genoomgrootte in plaats van de werkelijk samengestelde lengte, wat eerlijker vergelijken tussen verschillende assemblages mogelijk maakt).
Wat wil men ermee bereiken?
Onderzoekers willen genomen zo compleet en aaneengesloten mogelijk in kaart brengen, omdat gaten en breukpunten in een assemblage informatie verbergen. Genen, regulerende DNA-stukken en structurele variaties kunnen precies op de plek liggen waar een assemblage vastloopt. Een gefragmenteerd genoom met een lage N50 kan dus belangrijke biologische informatie missen, ook al lijkt de totale hoeveelheid gesequencede letters indrukwekkend.
Een hoge N50 is bovendien essentieel voor toepassingen als vergelijkende genomica (het naast elkaar leggen van genomen van verschillende soorten), het opsporen van ziekteverwekkende mutaties, en fokprogramma's in de landbouw. Ook bij het samenstellen van referentiegenomen — de 'standaardversie' van het DNA van een soort waar andere metingen tegen worden afgezet — geldt: hoe hoger de continuïteit, hoe bruikbaarder de referentie voor toekomstig onderzoek.
Tegelijkertijd is N50 geen doel op zich maar een hulpmiddel. Het uiteindelijke streven van veel grote genoomprojecten is een assemblage die net zo compleet is als de werkelijke chromosomen zelf, inclusief de lastigste gebieden zoals telomeren (de uiteinden van chromosomen) en centromeren (de sterk herhalende middenstukken). Een assemblage waarbij de N50 gelijk is aan de lengte van complete chromosomen, wordt weleens aangeduid als 'telomeer-tot-telomeer' compleet.
Voorbeelden uit de praktijk
Het Human Genome Project leverde in 2001 een eerste ontwerpversie van het menselijk genoom op, samengesteld met destijds gangbare Sanger-sequencing. De N50 van die vroege versies lag door de beperkte technologie relatief laag, met duizenden gaten in de sequentie.
Het Telomere-to-Telomere (T2T) Consortium publiceerde in 2022 met CHM13 de eerste werkelijk vrijwel gapless (gatloze) versie van een menselijk genoom. Door gebruik te maken van lange-lezing-sequencing werden vrijwel complete chromosomen als aaneengesloten stukken gereconstrueerd, waardoor de N50 van dit genoom in de tientallen miljoenen baseparen ligt — ordes van grootte hoger dan bij de eerdere referentie.
Het Vertebrate Genomes Project (VGP), een internationaal initiatief dat gestart is rond 2017, heeft als doel om voor duizenden gewervelde diersoorten hoogwaardige referentiegenomen te maken met behulp van lange-lezing-technologie. Voor veel soorten die eerder alleen met korte-lezing-technieken (en dus lage N50-waarden) waren gesequenced, leverde het VGP assemblages op met een N50 die vele malen hoger ligt.
Het Britse Darwin Tree of Life Project, uitgevoerd door onder meer het Wellcome Sanger Institute, sequencet sinds 2018 systematisch alle bekende soorten planten, dieren, schimmels en protisten in Groot-Brittannië en Ierland, met als expliciete kwaliteitseis een hoge chromosoom-niveau N50 voor elke soort.
Ook in de landbouwgenomica wordt N50 als kwaliteitsmaat gebruikt: verbeterde referentiegenomen van gewassen zoals maïs en tarwe, gepubliceerd in de afgelopen jaren met behulp van long-read sequencing, tonen N50-waarden die aanzienlijk hoger liggen dan eerdere, met korte-lezing-technologie gemaakte versies.
Hoe ver is de techniek?
De belangrijkste drijvende kracht achter steeds hogere N50-waarden is de overgang van korte-lezing-sequencing (short-read, zoals lange tijd gedomineerd door Illumina, met leesjes van slechts enkele honderden letters) naar lange-lezing-sequencing (long-read, van bedrijven als Pacific Biosciences en Oxford Nanopore Technologies), waarbij enkele afzonderlijke lezingen tienduizenden tot honderdduizenden letters lang kunnen zijn. Langere lezingen overspannen eenvoudiger de herhalende of lastige DNA-gebieden die korte-lezing-technieken laten vastlopen, wat direct leidt tot hogere N50-waarden.
Sinds ongeveer 2019-2020 is er daarnaast een sterke verbetering opgetreden door zogeheten 'hoge-nauwkeurigheid' lange-lezing-technieken (zoals PacBio HiFi) te combineren met aanvullende technieken die de driedimensionale opvouwing van DNA in de kern benutten (Hi-C) om stukken aan het juiste chromosoom toe te wijzen. Deze combinatie maakt het mogelijk om assemblages te maken die de kwaliteit van complete chromosomen benaderen.
Toch blijven er obstakels. Zeer sterk herhalende DNA-gebieden, zoals sommige centromeren, blijven technisch lastig, ook met de nieuwste technologie. Daarnaast is het opschalen van deze dure, rekenintensieve methoden naar duizenden soorten tegelijk (zoals bij het Vertebrate Genomes Project of het bredere Earth BioGenome Project, dat als ambitie heeft alle bekende eukaryote soorten op aarde te sequencen) nog een aanzienlijke logistieke en financiële opgave. Het tempo van vooruitgang is de afgelopen tien jaar niettemin opvallend hoog geweest: waar een menselijk genoom rond 2001 nog miljarden dollars kostte, is een hoogwaardige, hoge-N50-assemblage inmiddels voor een fractie daarvan te maken.
Wie werken eraan?
Op technologiegebied zijn Pacific Biosciences (PacBio) en Oxford Nanopore Technologies de belangrijkste aanbieders van lange-lezing-sequencingapparatuur, terwijl Illumina de markt voor korte-lezing-sequencing domineert en inmiddels ook lange-lezing-oplossingen ontwikkelt. Op onderzoeksgebied spelen het National Human Genome Research Institute (NHGRI) in de Verenigde Staten, het Wellcome Sanger Institute in het Verenigd Koninkrijk, en het European Bioinformatics Institute (EMBL-EBI) een centrale rol, onder meer via de Genome Reference Consortium, die de officiële menselijke referentiegenoomsequentie beheert.
Grote internationale samenwerkingsverbanden zoals het al genoemde T2T Consortium, het Vertebrate Genomes Project en het overkoepelende Earth BioGenome Project brengen tientallen universiteiten en instituten uit onder meer de VS, het VK, de Europese Unie en China samen om met gedeelde standaarden — waaronder N50 als kwaliteitsmaat — referentiegenomen te produceren.