L’algorithme d’apprentissage automatique apporte le séquençage à lecture longue à la clinique

Les technologies de séquençage à lecture longue analysent de longues séquences continues d’ADN. Ces méthodes pourraient potentiellement améliorer la capacité des chercheurs à détecter des altérations génétiques complexes dans les génomes du cancer. Cependant, la structure complexe des génomes du cancer signifie que les outils d’analyse standard, y compris les méthodes existantes spécifiquement développées pour analyser les données de séquençage à lecture longue, sont souvent insuffisants, conduisant à des résultats faussement positifs et à des interprétations peu fiables des données. Ces résultats trompeurs peuvent compromettre notre compréhension de la manière dont les tumeurs évoluent, répondent au traitement et, en fin de compte, de la manière dont les patients sont diagnostiqués et traités. Pour relever ce défi, les chercheurs ont développé SAVANA, un nouvel algorithme, qu'ils ont récemment décrit dans la revue Nature Methods. SAVANA utilise l'apprentissage automatique pour identifier avec précision les variantes structurelles (altérations génomiques importantes telles que les insertions, les délétions, les duplications ou les réarrangements) et les aberrations du nombre de copies qui en résultent dans les génomes du cancer, à l'aide de données de séquençage à lecture longue. Il est important d'avoir le bon outil pour le travail. Par exemple, vous pouvez manger de la soupe avec une fourchette, mais le résultat n'est pas aussi efficace qu'avec une cuillère. SAVANA, comme une cuillère, est adapté à la tâche et conçu pour fournir efficacement des résultats fiables. Cet algorithme a été développé et testé sur 99 échantillons de tumeurs humaines par des chercheurs de l'Institut européen de bioinformatique de l'EMBL (EMBL-EBI) et du laboratoire R&D de Genomics England, en collaboration avec des partenaires cliniques de l'University College London (UCL), du Royal National Orthopaedic Hospital (RNOH), de l'Instituto de Medicina Molecular João Lobo Antunes et du Boston Children's Hospital. « Parce que d'autres outils d'analyse ne sont pas développés pour tenir compte des particularités des données génomiques du cancer, ils détectent souvent des faux positifs qui pourraient conduire à des interprétations cliniques et biologiques incorrectes » a déclaré Isidro Cortes-Ciriano, chef de groupe chez EMBL-EBI. "SAVANA change cela. En entraînant l'algorithme directement sur les données de séquençage à lecture longue provenant d'échantillons de cancer, nous avons créé une nouvelle méthode capable de faire la différence entre les véritables altérations génomiques liées au cancer et les artefacts de séquençage, nous permettant ainsi d'élucider les processus mutationnels sous-jacents au cancer à l'aide d'un séquençage à lecture longue avec une résolution sans précédent. « Lorsque nous avons développé SAVANA, notre objectif était clair : créer un outil suffisamment sophistiqué pour caractériser des génomes complexes du cancer, mais suffisamment pratique pour une utilisation clinique », a-t-il déclaré. a expliqué Hillary Elrick, ancienne boursière prédoctorale à l'EMBL-EBI et boursière postdoctorale au Francis Crick Institute. « En conséquence, SAVANA peut distinguer avec précision les variantes structurelles somatiques, les aberrations du nombre de copies, la pureté de la tumeur et la ploïdie – toutes essentielles à la compréhension de la biologie des tumeurs et à l'orientation des décisions de traitement clinique » a ajouté Carolin Sauer, boursière postdoctorale à l'EMBL-EBI. Son analyse rapide et sa correction d'erreur robuste rendent SAVANA bien adapté à une utilisation clinique.