ヒトY染色体の完全な配列

 (nature.com)
2 ポイント 投稿者 GN⁺ 2023-08-26 | 1件のコメント | WhatsAppで共有
  • 長い回文構造と反復配列のため最後まで空白のままだったY染色体が T2T-Y によって完成し、ヒト参照ゲノムの大きな欠落が埋められた
  • 既存の GRCh38-Y ではY染色体の半分以上が欠落しており、新しい配列は 62,460,029 塩基対(bp) 規模で 3,000万 bp 以上を追加した
  • 完成した配列により、TSPY, DAZ, RBMY 遺伝子ファミリーの ampliconic 構造と、TSPY 系列が大半を占めるタンパク質コード遺伝子 41 個がさらに明らかになった
  • Yq12 ヘテロクロマチン領域では human satellite 1・3 ブロック が交互に現れ、反復配列・サテライトDNA・non-B DNA motif の分布を染色体全体で解析できるようになった
  • T2T-Y は CHM13 ゲノムアセンブリと組み合わされ、ヒト24本の染色体全体 に対する完全な参照配列リソースとして活用される

最後に残っていたY染色体の空白

  • ヒトY染色体は、長い回文構造、直列反復、分節重複を含む 複雑な反復構造 のため、シーケンシングとアセンブリが非常に困難だった
  • GRCh38 参照配列ではY染色体の半分以上が欠落しており、Y染色体は未完成の最後のヒト染色体として残っていた
  • T2T consortium は HG002 ゲノムに由来するヒトY染色体の完全な 62,460,029 bp 配列である T2T-Y を完成させた
  • T2T-Y は GRCh38-Y の複数の誤りを修正し、参照配列に 3,000万 bp 以上 を追加した

新たに明らかになった遺伝子と反復構造

  • T2T-Y は TSPY, DAZ, RBMY 遺伝子ファミリーの完全な ampliconic 構造を示した
  • 新しい参照配列には、TSPY ファミリーが大半を占めるタンパク質コード遺伝子 41 個 が追加で含まれる
  • Yq12 ヘテロクロマチン領域では、human satellite 1 と 3 ブロック が交互に現れるパターンが確認された
  • アセンブリが完成したことで、Y染色体の反復配列を全体的に評価できるようになり、これまで知られていなかった satellite array も特定された
    • 新しい satellite array は主に PAR1 に存在した
    • TSPY、RBMY、DAZ のいずれかの composite repeat unit 内に入る subunit repeat も特定された

アセンブリ過程で明らかになった構造的な難点

  • HG002 の X/Y 染色体アセンブリは HiFi reads ベースの assembly string graph で解析された
    • 最も複雑な tangled 構造は Y q-arm の heterochromatic satellite region に限定されていた
    • X/Y subgraph は PAR1 と PAR2 で接続された
  • PAR1 では HiFi sequencing bias による graph discontinuity が観察された
    • 観察された 11 個の break のうち 9 個が両染色体の PAR1 にあった
    • Y染色体では 5 個中 5 個すべてが PAR1 にあった
  • P1–P3 palindromic region では manual pruning と ONT read integration により反復構造を解消した
    • P3 全体と P2 の 2 つの palindrome を含む、ほぼ完全な inverted tandem repeat 形態の hairpin 構造 3 個が強調された
    • 残る曖昧さは候補再構成に対する ONT read alignment の評価で解消された

Strand-seq と変異解析による検証

  • 65 個の Strand-seq library を GRCh38-Y と T2T-Y に対して比較した結果、GRCh38-Y では reverse direction coverage spike が複数現れた
    • この spike は HG002 との inversion polymorphism を示唆し、haplogroup の違いによる可能性がある
    • T2T-X と T2T-Y では同じ spike が観察されず、HG002 assembly の構造と向きの正確性を確認した
  • P5 palindromic arm 間の unique sequence にある 3 kb inversion は T2T-Y の誤りとして特定されたが、集団内の多型であることが確認されたため、この assembly version では修正しなかった
  • T2T-Y では各 Strand-seq library における strand state change がランダムに分布し、misassembly や collapse の証拠はなかった
  • Extended Data 解析では、15 人中 5 人が HG002 に存在する P3 palindrome inverted variant を持つことが確認された

PAR、Yq12、non-B DNA motif

  • PAR1 subgraph では green edge gap と不均一な node coverage が、PAR1 全体にわたる HiFi sequencing bias を示していた
  • PAR1 には SINE repeat と non-B DNA motif が豊富で、この特性が sequencing gap の原因である可能性がある
  • T2T-Y 全体の non-B DNA motif 分布解析では、Yq の HSat3 とセントロメア周辺の satellite sequence で A-phased repeat、direct repeat、STR がより豊富だった
  • HSat1B では inverted repeat と mirror repeat がより豊富だった
  • PAR 領域でも non-B DNA sequence enrichment が観察された
  • TSPY gene array は G4 と Z-DNA motif が豊富だった
    • 各 TSPY copy には、TSPY の約 500 bases upstream に G4 peak が 1 つある
    • Quadron score が 19 を超えると stable G4 構造と見なされる

ヒト24本の染色体参照配列リソース

  • 研究チームは T2T-Y を既存の CHM13 ゲノムアセンブリと組み合わせ、利用可能な集団変異、臨床変異、機能ゲノミクスのデータをマッピングして、ヒト24本の染色体全体 に対する完全な参照配列を作成した
  • 全リソース一覧は marbl/CHM13 からダウンロード可能
    • T2T-CHM13v2.0, T2T-CHM13+Y assembly
    • reference analysis set
    • gene annotation, repeat annotation, epigenetic profiles
    • 1KGP と SGDP variant-calling 結果
    • gnomAD, ClinVar, GWAS, dbSNP データセット
  • assembly は NCBI と EBI でも提供されており、GenBank accession は GCA_009914755.4
  • annotation と関連リソースは UCSC Genome Browser の hs1、Ensembl Genome Browser の T2T-CHM13v2.0、NCBI data-hub でも参照できる
  • 潜在的な assembly 問題は marbl/CHM13-issues で確認・追跡できる

公開された解析データとコード

  • 1KGP と SGDP の short-read alignment および variant call は AnVIL workspace で提供されている
  • Gerton lab の元データは Stowers Original Data Repository からアクセス可能
  • 研究に使用された sequencing data は Supplementary Table 1 に列挙されている
  • データ解析と可視化のために開発された custom code は GitHub と Zenodo で公開されている
  • 使用されたソフトウェアとパラメータは Supplementary Methods に追加の詳細とともに明記されている

関連記事

1件のコメント

 
GN⁺ 2023-08-26
Hacker News の意見

  • かつてのヒトゲノム解読競争を覚えていない人のために補足すると、当時の最有力の競争相手は Celera Genomics と Human Genome Project でした。
    Craig Venter 率いる Celera は解読を終えたと発表しましたが、実際にはあちこちから小さなサンプルを取り、統計的にゲノムモデルを組み立てるショットガン法を使っており、約5年後に全ゲノムを解読したわけではなかったと認めました。
    参考: https://www.technologyreview.com/2007/09/04/223919/craig-ven...

    • ショットガンシーケンシングが、もう一方の Human Genome Project が使っていた従来の染色体ウォーキングより劣っていたわけではなく、どちらも本当に完全な配列を作れたわけではありませんでした。
      当時はショットガンシーケンシングを「抜け道」だと批判していましたが、今では染色体ウォーキングは姿を消し、ショットガンが標準になっています。
      置き換わるとすれば Oxford Nanopore のようなロングリード技術でしょうが、まだデータのアセンブリが必要で、端から端までつながった配列をそのまま得られる水準ではありません。
    • HGP も scaffold ベースの contig アセンブリを使っていたため、完全な配列を作れたわけではなく、両グループは休戦するかのように「最初のドラフト」を完了したと発表しました。
      35年前: https://www.nytimes.com/1987/12/13/magazine/the-genome-proje...
      33年前: https://www.nytimes.com/1990/06/05/science/great-15-year-pro...
      29年前、競争が激化: https://www.nytimes.com/1994/02/22/science/scientist-at-work...
      24年前、競争のさなか: https://www.nytimes.com/1999/03/23/science/who-ll-sequence-h...
      23年前、ドラフト完成: https://archive.nytimes.com/www.nytimes.com/library/national...
      20年前: https://www.nytimes.com/2003/04/15/science/once-again-scient...
      2年前: https://archive.nytimes.com/www.nytimes.com/library/national...
      Celera のショットガンアプローチは、断片を組み立てるのに膨大な計算能力と高度なアルゴリズムが必要だったため難しく、最終的なアセンブリ計算はアルゴリズムとデータが 64GB の共有メモリを必要としたため、Compaq の AlphaServer GS160 上で実行されました。
      当時の GS160 は巨大な UNIX マシンで、複数のマシン間で統合入出力/ファイルシステムを用いて密にクラスタリングできました。
      ショットガンアセンブリの主著者は、以前に BLAST を作り、Udi Manber とともに suffix array を考案した Gene Myers でした。
      公共プロジェクトにも、手作業・学術的なアプローチにこだわるチームが多く問題があり、Eric Lander がそれを産業的な工程へと変えた後、Boston の MIT/Harvard の民間研究所である Broad Institute の運営へとつなげました。
      現在では毎日ペタバイト規模の配列データが生成されクラウドに保存されており、ゲノムはヒト研究の基盤ツールになりましたが、複雑な表現型を理解する潜在力はまだ完全には明らかになっていません。
    • 当時の論争の核心は、Celera が配列を組み立てるには NIH/国際 Human Genome Project が公開した情報が必要だった一方で、自社の結果は非公開にし、情報がパブリックドメインに入る前に知的財産権を確保しようとしていた点だったと記憶しています。
    • この評価は不必要に否定的に見えます。
      Celera がしたことには価値があり、少なくとも私の印象では、自分たちが何をしたのかを隠してもいませんでした。
      「統計的な小細工」というよりは、イノベーションと呼ぶほうが適切でしょう。

  • 人によって遺伝的構成は違うのに、人間のゲノムを完全に解読したとは正確にはどういう意味なのか気になる
    人によってDNA/RNAの塩基配列は違うのでは？

    • 公共のHuman Genome Projectは複数の人を使ったが、配列ライブラリの大半はニューヨーク州バッファローのある個人に由来しており、Celeraも複数の人を使ったものの、大半はVenterのゲノムだった
      https://www.nytimes.com/2002/04/27/us/scientist-reveals-secr...
      最近のプロジェクトでは、より広い個人集団を使っていると理解している
      複数の個人を混ぜて一緒に解読するプロジェクトもあれば、各個人を個別に解読するプロジェクトもある
      人間同士の大規模な構造は非常によく似ており、個人ごとの変異をモデル化する洗練された手法も生まれているため、大きな問題ではない
      参照配列の中で代替を表現するグラフ構造は https://www.biomedcentral.com/collections/graphgenomes で説明されており、単一塩基の違いだけでなく、大きな欠失、再配列、逆位のようなより複雑な変異も含められる
    • 実際には「人間のゲノム」ではなく「一人の人間のゲノム」と言うほうが正しい
      参照ゲノムはゲノミクスにおけるRosetta Stoneのようなもので、他の個人のDNA/RNA配列を参照にアラインして理解・比較する基準になる
      完璧ではないので、参照に抜けている領域や変動の大きいDNA領域がある場合もある
      Human Pangenome Reference Consortium(HPRC) https://humanpangenome.org/ の目標は、この問題を解決するために多様な集団の個人を解読することであり、集団全体のデータを解析するための新しい計算モデルも開発中である
    • 特定のY染色体1本の完全な配列を得て、それを「参照」染色体と見なすという意味
      他の染色体にも同様の手法が適用された
    • 私もいつもよく理解できなかった
      ゲノムが大量の [ATCG]+ のメガバイト列だとしたら、その配列を持っていることが何を教えてくれるのか気になる
      ただ眺めて「なるほど、...ATGCTACGACTACGACTAGCG... 興味深い」と言うだけなのか？
    • ここで言っている概念はパンゲノムアセンブリと呼ばれる
      今年初めのGuarracinoとGarrisonによるNature論文を含め、注目された論文がいくつかあった
      パンゲノムは通常、ある種の数百以上のゲノム/ハプロタイプをつなぐ複雑なグラフモデルで、概念的には種をまたいだり、個体内の細胞、例えばがんパンゲノムにも拡張できる
      理想化されたヒトのパンゲノムグラフでは、各人は各常染色体上の2本の経路、そしてX・Y染色体とミトコンドリアゲノムを通る経路として表現される

  • 遺伝子解読が難しい理由は、多くの手法が長い遺伝子配列をまずランダムな断片に分け、その後で各断片を個別に解読するからだと理解している
    その断片を正しい順序に並べ直さなければ全体のゲノムにならないが、断片間に重なりがあるので可能ではあるものの、反復領域があると重なりだけでは正確につなぎ合わせるのが難しい
    Nanoporeという新しい手法もあり、DNAを実際に小さな穴に通し、穴の中の塩基対に応じて電気的特性が変わる仕組みである
    ただし配列によって決定的な形でエラーが起きやすく、論文全文を見られないのでここで正確に何をしたのかは分からないが、2つのアプローチを組み合わせるという話を聞いたことがある

    • 主にPacBio HiFiリードに依存しており、この技術はゲノミクスにおいて過小評価されている革命的技術だと思う
      その次にNanoporeシーケンシングでHiFi contigをつなぎ、染色体の本当に厄介な領域をカバーした
      理解した通りなら、現代の大規模シーケンシングはすべてショットガンシーケンシングである
      DNAをランダムに切断して各断片を解読し、個々の断片であるリードをゲノムアセンブラで組み立てる

  • ヒトゲノムの記録について、ずっと抱いていた「ばかな質問」がある
    私たちは皆DNAが違うのに、「人間のゲノム」とは平均的なDNAのようなものなのか、標本にした誰かのDNAなのか、それとも私たち全員に共通するものの概要なのか気になる

    • ここでは1つの参照ゲノムを指している
      人同士の違いは30億塩基のうち数百万塩基程度で、相対的には小さい
      歴史的に参照ゲノムは複数個人の平均/モザイクに近く、欠点は明らかだが、リードをおおむね正しい位置に置き、検査対象のゲノムを固有にする違いである変異をコールするには十分だった
      最新のend-to-end T2T参照は、ロングリード技術から得られた新しい情報のおかげで、ユタ州の個人HG002を完全に基にしている
    • 今回の場合は、1つの細胞株に由来する1つのハプロタイプである
      ゲノムの集団モデルが必要なら、パンゲノムが必要になる
      “pangenome graph”, “variation graph”, human pangenome projectを見ればよい

  • このニュースは今ではなく昨年12月時点のもののはず
    T2Tチームは昨年12月にプレプリント [1] を出し、3月にデータ [2] を公開したが、査読プロセスのためにようやくNatureに正式掲載された
    出版スケジュールは本当に遅くなることがあり、関心のある科学者たちはすでに知っていてこのアセンブリで作業しているのに、こういう場合に形式的な出版にどんな意味があるのか疑問だ
    [1] https://www.biorxiv.org/content/10.1101/2022.12.01.518724v1....
    [2] https://github.com/marbl/CHM13

    • この文脈でのプレスリリースの意味は、その分野の科学者ではない一般の人々にニュースを知らせることにあると思う

  • これは「動作するキーボードドライバがある」に近いのか、それとも「標準的な104キーUS QWERTY配列の104個のキーをすべて識別した」に近いのか？

    • キーボード製造に使われたCADファイルの生データを手に入れた、というのに近い
      一部のCNC命令は理解しているが、制御メカニズムや順序についての十分な理解はまだない
      いつかはキーを識別するだろうが、ドライバにはまだかなり遠く、より重要なのは各キーが何をするのかについてもまだほど遠いということ
      ただし、生データの特定のビットを変えるとキーボードが興味深い形で壊れることは分かった
    • これまでは87キーQWERTYを使っていて、今になってテンキーも見つけた、という感じに近い

  • これはかなり大きな出来事
    つまり、24本の染色体すべてが完全に解読されたということで、要旨に書かれているように、Y染色体はその特性のためにこれまで解読が難しかった

    • Human Genome Projectは2003年に終わったと思っていたが、調べ直すと当時の「完了」は**92%**という意味だった
      その後2022年に終わり、今また終わったと言っている
      今後も「再び完了」に向かう残りのマイルストーンがあるのか気になる
      Y染色体はこれまで本当に例外と見なされていたのか？
    • Y染色体をより難しくしている要因が何なのか気になる
    • ここで一般人にも理解できる「完全に解読」の意味が何なのか気になる

  • 脇道だが、とても面白く教育的な本として、Steve JonesのY - The Descent of Manを強く勧める
    より多くの染色体がマッピング・解読されていくのを見るとわくわくする
    高校レベルの生物の知識で尋ねると、遺伝子・遺伝子発現・相互作用について、私たちは相関関係を超えて確定的な理解にまで到達しているのだろうか
    「青い目」を例にすると、[1] OCA2が茶色／青の目の色に関与していることは分かっているが、残りの20,000個の遺伝子がまったく関与していない、あるいは必要ではないと確信できるのか？
    一般人なりに推測すると、青い目を得るには複数の遺伝子がすべてオンになっている、活性化している、あるいは存在している必要がありそうで、1つの位置にある単純なオン／オフというよりレシピに近いように見える
    [0] https://www.goodreads.com/work/editions/436071-y-the-descent...
    [1] https://www.nature.com/articles/s41433-021-01749-x

    • 目の色は微妙なもの
      そもそも青い目をどう定義するのかが問題
      単一の表現型ではなく、さまざまな範囲の青い目があり、その違いは人々の間のかなり細かな変異に対応している
      リンク先の論文 [1] はかなり良いが、完全に理解するにはそれなりに時間が必要
    • 見方によっては、青い目を持つにはありとあらゆる遺伝子が必要だとも言える
      結局、青い目を持つには目がなければならず、色を確認するには目を開けるためのさまざまな仕組みも必要になる
    • ヒト遺伝学は非常に複雑で、まだ完全には理解できていない
      例えば比較的最近になってエピジェネティクスが大きく発展したが、広く言えば、DNA自体が変わらなくても細胞の振る舞いがどのように変わるのかを研究する分野である [1]
      これは、環境の影響と遺伝の影響という古くからの問いを、より精密に問い直させる
      目の色を決定するのに何本の染色体が関与しているのか完全に確信しているわけではないが、かなり良い推定はある
      最近の推定では約16個で、OCA2とHERC2が最も大きな影響を与えるが、他の多くの遺伝子も小さな影響を与える [2]
      引用された論文は優れているが、遺伝子調節、イントロンとエクソンといった、標準的な高校生物よりも大学入門／AP Biologyに近いテーマも扱っている
      より一般的には、遺伝学で何かを100%完全に確定的に言える段階にすぐ到達するのは難しいと思う
      遺伝学と生物学全般はものすごく進歩したが、ヒトゲノムの複雑さを当然のように過小評価してはいけない
      まだ理解できていないことは明らかにあり、しばらくはそうだろう
      実用的には、目の色のような単純な表現型にも他の遺伝子が影響し得るが、通常は少数の遺伝子だけでもかなり正確に推定できる
      例えば、ある研究では6個の遺伝子だけで目の色を約75%の精度で予測した [3]
      さらに興味深いのは、表現型に影響を与える遺伝子が、その形質を決定する遺伝情報を直接保存していない場合もあるということ
      つまり、その遺伝子は形質を直接決定するのではなく、別の遺伝子に影響を与え、その別の遺伝子が形質の発現により直接関与する
      複数の遺伝子が互いに影響し合い、さらに別の遺伝子にも影響を与え、そのうえ研究では環境・人口統計学的なバイアスまで考慮しなければならないので、遺伝学がどれほど急速に複雑になるかが分かる
      [1] https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2791696/
      [2] https://www.nature.com/articles/jhg2010126
      [3] https://doi.org/10.1016/j.cub.2009.01.027

  • これはわくわくするニュース
    この成果の応用を知りたいなら、このACM SIGPLANの基調講演を見るとよい: https://youtu.be/JTU3JYp3JYc?si=jOZz611ATQar3Gec
    高校の生物の授業全体よりも、DNAの理解に役立った