《NAR Genomics and Bioinformatics》:MAJIQ V3: Scalable and accurate RNA splicing analysis with splicegraph algebra and improved intron retention modeling
编辑推荐:
RNA剪接在细胞类型特异性基因异构体表达中发挥重要作用,并与多种疾病存在因果关系。此前,研究人员团队开发了用于从RNA测序数据中进行RNA剪接检测、量化和可视化的MAJIQ V1和V2版本。本研究报道了更新版本MAJIQ V3,该版本提供了关键的新功能,同时采
RNA剪接在细胞类型特异性基因异构体表达中发挥重要作用,并与多种疾病存在因果关系。此前,研究人员团队开发了用于从RNA测序数据中进行RNA剪接检测、量化和可视化的MAJIQ V1和V2版本。本研究报道了更新版本MAJIQ V3,该版本提供了关键的新功能,同时采用了更快更准确的量化算法。MAJIQ V3使用户能够组合剪接图谱(splicegraphs)、根据剪接图谱量化RNA-seq实验中的剪接事件,以及比较不同剪接图谱之间的差异,从而实现了从RNA-seq数据中进行高性能RNA剪接分析的新模式。MAJIQ V3采用新的概率模型检测内含子保留(intron retention, IR),纠正了先前启发式方法导致的偏差。MAJIQ V3受益于完全重写的实现,采用了更高性能的输入/输出模式、数据结构与算法。研究人员利用GTEx和LRGASP数据在不同数据集规模的分析场景中验证了MAJIQ V3的优势。
研究背景与科学问题
RNA可变剪接(alternative splicing, AS)是指前体信使RNA的不同片段被拼接在一起的过程,在细胞类型特异性基因异构体表达中发挥关键作用。高达95%的人类多外显子基因存在可变剪接现象,而剪接异常与多种疾病存在因果关系。此前,研究人员团队开发的MAJIQ V1和V2版本已用于从RNA测序数据中进行RNA剪接检测、量化和可视化。然而,现有版本在处理大规模数据集时面临计算效率瓶颈,且在内含子保留(intron retention, IR)检测方面存在启发式阈值导致的偏差问题。此外,随着临床RNA测序分析中增量添加样本的需求日益增加,传统方法需要重建剪接图谱(splicegraph)并重新计算所有剪接事件覆盖度,导致用户体验从不便到不切实际。因此,亟需开发一种可扩展、更精确且支持增量分析的RNA剪接分析工具。
研究方法概述
研究人员对MAJIQ进行了完整的重新实现,采用了更高性能的数据结构、输入/输出模式和算法。关键技术包括:将剪接图谱生成与读段覆盖度计算解耦,引入剪接图谱代数操作(如合并剪接图谱、排除特定剪接图谱的LSV量化、识别相对于另一剪接图谱的新型特征);采用基于长度调整覆盖度标准的概率模型替代原有启发式阈值进行内含子保留检测;通过全方差定律计算PSI后验方差,并使用平滑近似替代自助法混合分布;向量化重写MOCCASIN批次校正模块并支持增量应用;采用Zarr类型数据集重构VOILA可视化包的数据存储与检索。性能评估使用了GTEx数据库的小型(两个组织各10个样本,共20个样本)和大型(20个组织各10个样本,共200个样本)数据集,以及LRGASP项目的WTC11人类细胞系短读长与长读长测序数据。
研究结果
MAJIQ V3与V2量化一致性比较:在具有相同连接和外显子的局部剪接变异(local splicing variations, LSVs)中,MAJIQ V2和V3的量化结果基本一致。低覆盖度LSV的相关性低于高覆盖度LSV,内含子的相关性低于剪接连接。对于剪接连接,不到1%的LSV的E[PSI]差异大于0.1;对于内含子保留,约10%的低覆盖度LSV的E[PSI]差异超过0.1。值得注意的是,无论剪接连接还是内含子保留,不到1.4%的LSV的E[dPSI]差异超过0.2(MAJIQ分析中声明剪接变化的默认值)。这些差异主要源于内含子保留算法的改变。
性能提升:在小数据集(最多20个样本)上,V3的运行速度显著快于V2,峰值内存占用为3.4 GB。在大数据集(200个样本,64线程)上,V3完成构建、PSI量化及所有190个成对比较量化仅需151分钟,比V2快18倍(排除MAJIQ-HET后仍快12.3倍),峰值内存为11.4 GB。
内含子保留检测改进:V3中内含子保留的长度分布明显左移(短内含子增多):V2中约45%的内含子保留短于1 Kb,而V3中这一比例为80%。通过与LRGASP长读长数据比对发现,V3检测到的内含子保留与长读长技术的一致性更高:V3有2822个、V2仅有971个内含子保留同时被PacBio和ONT检测到;V3有2323个、V2仅有617个仅被PacBio检测到;V3有450个、V2仅有40个仅被ONT检测到。V2对长内含子保留的宽松阈值导致其检测到更多未被长读长或V3确认的长内含子保留。
差异剪接检测性能:通过重现性比率(reproducibility ratio, RR)和组内组间比率(intra-to-inter ratio, IIR)评估,V2和V3在检测差异剪接事件方面的表现相似(RR差异约2%,IIR差异小于1%)。然而,当分析限定于含有内含子保留的LSV时,V2和V3的量化结果差异最大。进一步分析表明,E[ΔΨ]在V2和V3之间的变化与重叠基因注释强相关,且随着E[ΔΨ]变化增大,重叠转录本的表达水平逐步升高。
讨论与结论
MAJIQ V3完全重写了MAJIQ V2的剪接事件检测、量化和混杂因子调整功能,并显著提升了运行速度。算法改进方面,V3引入了全新的内含子保留检测算法,采用合理的统计标准,避免了过度惩罚短内含子的启发式过滤器,这对现代RNA剪接研究至关重要,因为内含子保留在关键分子过程和疾病中具有重要功能。此外,V3提高了PSI后验计算的速度和准确性,引入了自助法PSI后验混合分布的平滑近似,促进了比较量化工作流中的高效采样和分位数计算。
在功能扩展方面,V3的解耦构建器支持分别合并剪接图谱、计算剪接事件上的读段覆盖度以及发现一个剪接图谱相对于另一个剪接图谱的新型特征。这种新功能支持两遍读段覆盖度量化的工作流,使用户能够高效地增量添加样本到现有分析中。定义新型事件的能力不仅限于与注释的比较(如V2实现),还能与另一组样本进行比较,这对于现代临床RNA测序分析中的多种用例至关重要,尤其是随时间增量添加新样本的分析场景。
研究结论:凭借新算法、高效实现和新增功能,MAJIQ V3将推动RNA剪接、其调控机制及其在疾病中作用的更多发现。