Détection de la contamination et des incompatibilités interindividuelles dans les données de séquençage de nouvelle génération multiomiques

Résumé

Ce protocole décrit la mise en œuvre d’un cadre de contrôle qualité pour détecter la contamination interindividuelle et les incompatibilités dans les données de séquençage de nouvelle génération en vérifiant l’identité génétique des paires d’échantillons chez les individus.

Résumé

Le traitement à haut débit des bioéchantillons de patients par séquençage de nouvelle génération et la comparaison des données moléculaires avec les données cliniques au niveau du patient et de l’échantillon nécessitent un suivi précis et une correspondance précises des identifiants d’échantillons tout au long de la chaîne de possession des biospécimens et sont essentiels pour permettre une interprétation robuste des résultats des essais sur biomarqueurs. En plus de retracer les étapes individuelles des flux de traitement des échantillons et des données, les solutions bioinformatiques peuvent être utilisées pour confirmer que les échantillons proviennent du même patient. Ici, l’utilisation d’un flux de travail en bioinformatique pour identifier les échantillons appariés provenant du même individu est mise en avant. Le flux de travail d’analyse convient à deux paires ou plus de jeux de données NGS à comparer et vérifier pour l’origine de l’échantillon des patients. Un algorithme de notation basé sur des comparaisons génomiques d’échantillons permet à l’utilisateur de déterminer si deux échantillons proviennent du même individu. Plus précisément, des polymorphismes mononucléotides (SNP) au sein de certains blocs de déséquilibre de liaison sont utilisés pour identifier et comparer des échantillons. Des combinaisons seuils pour une sélection permissive et rigoureuse des échantillons appariés et mal appariés ont été identifiées. L’utilité de ce protocole a été démontrée par son application au contrôle qualité et à la validation des échantillons cliniques de tissu tumoral et de sang, englobant plusieurs modalités omiques provenant de plus de 2 000 patients.

Introduction

La collecte et l’analyse à grande échelle d’échantillons cliniques nécessitent un suivi exact des échantillons le long de leur chaîne de possession, car une correspondance correcte des données moléculaires issues de la même modalité ou d’autres ainsi que des données cliniques au niveau des patients et des échantillons est essentielle pour une interprétation précise et une prise de décision éclairée. Malgré des efforts rigoureux pour rationaliser les protocoles de traitement des échantillons selon une bonne pratique clinique, l’échange ou le mauvais étiquetage des échantillons peuvent survenir à différentes étapes, de la biopsie/extraction de l’échantillon aux étapes de préparation et de traitement, et à l’étape d’analyse des données (Figure 1). Avec l’augmentation du nombre d’échantillons et des étapes de traitement des échantillons, la probabilité d’échanges d’échantillons et de contamination croisée augmente. Cela peut entraîner l’analyse de données présentant des relations incorrectes entre l’échantillon et le patient, affectant l’analyse et les conclusions en aval, et constitue donc un aspect important à prendre en compte dans la recherche en génomique clinique. Dans les études cliniques, une identification incorrecte des échantillons peut fortement influencer les résultats globaux, en particulier pour les études de petite taille^{d’échantillon 1}. La contamination chez les individus peut entraîner une perte d’énergie pour l’identification des différences et des résultats faux positifs lors de la comparaison de plusieurs échantillons provenant d’un même patient. Les échanges d’échantillons influencent le pouvoir de détection des associations génétiques et peuvent conduire à la sous-estimation de l’héritabilité de traits complexes dans l’analyse des associations génomiques².

La recherche sur le cancer est l’un des domaines où des analyses génomiques et transcriptomiques à grande échelle sont^réalisées, surveillant spécifiquement l’hétérogénéité génomique et phénotypique inter- et intra-patients. Un aspect de la recherche sur le cancer est que les échantillons du même patient peuvent présenter des mutations différentes et des altérations du nombre de copies différentes, et ainsi présenter des fréquences allèles variantes^{indépendantes 4}. En particulier lors de l’interprétation de données provenant de plusieurs types d’omiques, la bonne intégration de jeux de données multimodaux provenant des mêmes individus est importante et nécessite donc la surveillance de la contamination^{inter-individuelle} 5,6,7,8. Des études sur des ensembles de données du programme de l’atlas du génome du cancer (TCGA) et du Consortium de recherche sur le génomique pulmonaire (LGRC) ont identifié des taux d’erreur d’identification des échantillons de 3 % en moyenne et jusqu’à ~20 % dans certaines études^{2, 9, 10, 11.} Ces exemples montrent l’importance de surveiller la survenue des échanges d’échantillons et la contamination^{croisée 12}. Au-delà du suivi régulier et du contrôle qualité à chaque étape du processus, une analyse comparative des résultats du séquençage sert de contrôle qualité final. Cela garantit une correspondance précise des échantillons avant de passer à l’analyse et à l’interprétation des données.

Plusieurs approches bioinformatiques ont été mises en place pour déterminer si les échantillons proviennent du même^individu 1,4,13,14,15,16. Les approches initiales utilisaient de courtes répétitions en tandem pour vérifier l’identité de^{l’échantillon 17}. Les données de séquençage de nouvelle génération au niveau ARN et ADN permettent désormais la comparaison entre paires d’échantillons à partir de polymorphismes mononucléotides¹⁸. Ils diffèrent quant à leur applicabilité à différentes modalités de séquençage et ensembles de données, par exemple pour le séquençage^{ARN 19} ou pour les données de séquençage de l’exome entier⁵, leur implémentation, par exemple la vérification des voies de séquençage²⁰, et la facilité d’utilisation. Bien que des échantillons du même individu puissent être identifiés à partir de 20 à 45 polymorphismes mononucléotidiques, les approches de séquençage à faible à moyenne couverture généralement utilisées dans la recherche sur le cancer nécessitent l’intégration d’un grand nombre de^{SNPs 1}.

Ici, la mise en œuvre et les ajustements d’une telle approche utilisant les blocs de déséquilibre de liaison des^{SNPs 15}, utilisés pour le contrôle qualité des échantillons appariés, sont décrits. Il a été démontré que cette approche présente un faible taux de faux drapeau et un faible taux de fausse correspondance, et le flux de travail permet la comparaison entre différentes modalités, par exemple entre le séquençage de l’exome entier et le séquençage d’ARN, ainsi que pour l’utilisation avec différents formats de données. Pour une applicabilité à grande échelle de la méthode à travers les ensembles de données dans des échantillons d’essais cliniques, le pipeline bioinformatique a été mis en œuvre dans le common workflow language (CWL)^21,22. Grâce à sa lisibilité et sa syntaxe de type YAML, les scientifiques ayant une expérience limitée en programmation peuvent facilement interpréter la structure générale du flux de travail et des résultats d’analyse. Une autre caractéristique clé de la CWL est sa fonction de dispersion/collecte, qui permet de paralléler les processus pour exploiter pleinement les ressources informatiques allouées. Les utilisateurs peuvent spécifier les conditions dans lesquelles certaines étapes sont exécutées, ce qui améliore la flexibilité des analyses résultantes. Le CWL peut être intégré à d’autres composants d’un système complet de gestion des flux de travail, tels que le stockage de bases de données, une interface graphique utilisateur et un répartiteur de tâches, formant une plateforme puissante pour créer, exécuter et maintenir un ensemble reproductible d’analyses scientifiques. Ainsi, cette implémentation permet un accès facilité au flux de travail et un traitement à haut débit des ensembles de données dans le contexte de systèmes de gestion de flux de travail définis.

De plus, les effets du seuil des paramètres de sélection d’ajustement entre échantillons appariés et non appariés ont été étudiés, et des seuils pour une sélection permissive et stricte des cas mal appariés ont été déterminés. Les effets de la modification de ces paramètres sur la sélection des paires d’échantillons et leur applicabilité au sein et entre différentes modalités omiques ont été mis en avant. Un ajustement efficace de ces paramètres permettra aux utilisateurs d’ajuster la rigueur de leurs interprétations. Le flux de travail a été appliqué à un ensemble de jeux de données cliniques à grande échelle comprenant plusieurs milliers d’échantillons.

Protocole

Déclaration d’éthique : Cette analyse de la contamination interindividuelle a été réalisée rétrospectivement à partir de données individuelles au niveau du patient issues d’études cliniques de phase I et II achevées, conformément au processus responsable de réutilisation des données de Roche et conformément au formulaire maître de consentement éclairé pour chaque étude. Les approbations du comité d’éthique ou du comité d’éthique ont été obtenues pour chaque étude avant sa réalisation. Les participants ont donné et signé leur consentement éclairé pour participer à ces études.

Flux de travail en bioinformatique
REMARQUE : L’implémentation du flux de travail en bioinformatique commence à partir de fichiers fastq bruts dérivés de données de séquençage de nouvelle génération, par exemple le séquençage du génome entier, de l’exome entier ou du transcriptome entier. Les étapes individuelles décrites ici sont intégrées au flux de travail CWL.

1. Documents de référence requis

1. Pour le flux de travail en bioinformatique, fournissez ce qui suit :
   1. Génome de référence humain (GRCh38) dans . Format fasta .
   2. Fichier d’indexation correspondant sous le nom .fasta.fai.
   3. Dictionnaire correspondant au format .dict .
   4. Une carte d’haplotype correspondant aux régions génomiques d’intérêt pour les SNP et les blocs de déséquilibre de liaison (par exemple, Picard build_fingerprint_maps, SCR_006525).
2. Assurez-vous que l’en-tête de la carte de l’haplotype correspond au génome de référence.

2. Alignement au génome de référence, tri et indexation

1. Exécutez le flux de travail CWL pour fournir les résultats des étapes suivantes décrites ci-dessous (liste des outils dans le tableau des matériaux) (Figure 2).
2. Lancez le flux de travail CWL en fournissant un répertoire de fichiers fastq appariés ou de fichiers bam alignés.
3. Fournir le motif, par exemple R1/R2, comme motif d’expression régulière d’entrée dans la commande CWL.
4. De plus, indiquez l’emplacement où le flux de travail sera exécuté, la référence génomique et les fichiers de mappage des haplotypes.
   REMARQUE : Pour une comparaison all-to-all, le répertoire d’entrée complet est utilisé. Si un sous-ensemble de fichiers doit être comparé, il faut fournir un fichier séparé par virgules contenant les noms de fichiers pour comparaison. L’option avancée permet de sélectionner la mémoire à accès aléatoire et le nombre d’unités centrales de traitement pour exécuter le processus.
5. Associez les fichiers fastq au génome de référence humain en utilisant un algorithme de mappage.
   REMARQUE : Selon la modalité de séquençage, BWA-MEM est utilisé pour les résultats de séquençage^{ADN 23}, et le cartographe sensible aux splices STAR est utilisé pour les résultats de séquençage^{ARN 24}. Le code exemplaire pour l’alignement STAR est fourni ci-dessous :
   STAR \
   --readFilesCommand zcat \
   --runThreadN 8 \
   --outSAMmapqUnique 60 \
   --outSAM attributs Tous \
   --outReadsUnmapped Fastx \
   --outTmpDir /tmp/STARtmp/ \
   --runDirPerm All_RWX \
   --outSAMtype BAM Non trié \
   --outFileNamePrefixe /FILENAME_ \
   --outSAMattrRGline ID :FILEID. L001 SM : EXEMPLE \
   --genomeDir /REF/GÉNOME/DIR \
   --readFilesIn /path/to/FILENAME. R1.fastq.gz /chemin/vers/FILENAME. R2.fastq.gz
6. Triez les fichiers de matrice d’alignement binaire (BAM) alignés résultants par coordonnée de lecture en utilisant SAMtools sort (samtools sort -o FILENAME_OUT.bam FILENAME_IN.bam).
7. Indexez les fichiers BAM triés en utilisant l’index SAMtools (index samtools FILENAME_OUT.bam).
8. Marquez et supprimez les doublons en utilisant Picard MarkDuplicates.
9. Réindexez les fichiers BAM et incluez les groupes de lecture (RG) en utilisant SAMtools.
   REMARQUE : Les fichiers BAM doivent comporter des balises RG pour que le flux de travail fonctionne.

3. Extraire les empreintes digitales

1. Utilisez les fichiers BAM triés et indexés pour identifier les empreintes SNP en utilisant Picard ExtractFingerprints.
2. Utilisez un stockage intermédiaire des fichiers de format d’appel variant (VCF) résultants uniquement à des fins de comparaison entre échantillons.

4. Calcul des scores de similarité

1. Utilisez Picard CrossCheckFingerprints pour calculer les scores logaritaires du rapport des chances (LOD) de similarité basés sur des blocs de déséquilibre de liaison, fournis dans un format de fichier crosscheck_metrics comme crosscheck_metrics.txt.
   REMARQUE : L’implémentation du flux de travail permet une comparaison croisée de toutes les combinaisons possibles de paires d’échantillons ou une comparaison sélectionnée entre échantillons à partir d’une liste prédéfinie.
2. Supprimez les fichiers VCF intermédiaires.
3. Le fichier crosscheck_metrics fournit quatre comparaisons pour chaque paire d’échantillons testée. L’interprétation des scores LOD est la suivante :
   Score LOD > 0 : les échantillons proviennent probablement du même individu (correspondance d’échantillons)
   Score LOD ≤ 0 : les échantillons proviennent probablement d’individus différents
4. Validez la valeur de coupure pour les correspondances d’échantillons en visualisant la distribution des scores LOD sous forme d’histogramme, par exemple en R ou Python (Figure 3).
5. Une équipe collaborative comprenant des experts expérimentés en bioinformatique est suggérée afin de déterminer si les preuves sont suffisantes pour une identification sans équivoque des identités des échantillons et un ajustement potentiel des seuils utilisés, par exemple en incluant les trois scores LOD ou en comparant la distribution des scores LOD des échantillons connus pour provenir de différents individus.
   REMARQUE : Les confusions d’échantillons peuvent entraîner plusieurs correspondances inattendues (score LOD < 0 pour les échantillons du même donneur) et des incompatibilités (score LOD > 0 pour des échantillons provenant de donneurs différents). Les interprétations complexes nécessitent un échange étroit entre l’équipe interfonctionnelle et l’expert en bioinformatique.

5. Disponibilité du code

Le flux de travail informatique sera rendu disponible sur Github : https://github.com/Roche/sample-matching-workflow.

Résultats

Implémentation du flux de travail CWL
Un flux de travail pour l’identification des correspondances d’échantillons, basé sur une approche déjà établie utilisant des blocs de déséquilibre de liaison de polymorphismes mononucléotides pour l’identification des échanges d’échantillons, a été^{mis en œuvre 15}. Les auteurs ont montré des taux de classification de 0 % de FMR et 0,01 % de FFR pour cette méthode. Une comparaison avec d’autres approches a montré des performances similaires à NGSCheckmate à une couverture élevée et intermédiaire, ainsi qu’une amélioration des performances par rapport à NGSCheckmate à faible couverture et pour un chevauchement génomique régional minimal. Des résultats non concluants ont été obtenus en comparant avec Conpair et BAMixChecker^{13, 15, 25}. Ici, le flux de travail a été mis en œuvre en CWL, les seuils de LOD ont été étudiés et optimisés, et il a été appliqué pour la comparaison des paires de séquençage ARN et de séquençage ADN ou entre modalités au sein d’échantillons extraits de tissu et entre échantillons de tissu et de sang périphérique (Figure 3, Tableau 1). La mise en œuvre du workflow permettait une comparaison croisée de toutes les combinaisons possibles de paires d’échantillons ou une comparaison sélectionnée entre des échantillons issus d’une liste prédéfinie.

L’entrée du flux de travail utilise un ensemble sélectionné d’haplotypes. Ils sont utilisés pour calculer les polymorphismes à nucléotide unique dans les blocs de déséquilibre de liaison. Le calcul des scores log-odds ratio (LOD) de ces blocs de SNP à travers des paires d’échantillons permet de différencier entre échantillons appariés et non appariés. Auparavant, des scores LOD dans la plage de LOD < -5 et LOD > 5 ont été démontrés comme ils classifiaient correctement les paires d’échantillons^{appariées 15}. Des scores LOD supplémentaires (LOD_SCORE_TUMOR_NORMAL, LOD_SCORE_NORMAL_TUMOR) sont calculés en tenant compte d’une perte potentielle d’hétérozygote dans l’échantillon tumoral pour l’un ou l’autre échantillon (les régions hétérozygotes d’un échantillon détectées comme homozygotes dans l’autre échantillon).

Influence des paramètres d’entrée et des seuils sur les taux de correspondance/désappariement
L’évaluation de ce flux de travail a mis en lumière trois aspects critiques impactant ses performances et sa précision. Tout d’abord, la sélection des régions génomiques couvertes par la carte de l’haplotype s’est avérée être une étape déterminante. Le choix de ces régions influence directement le pouvoir discriminatoire du processus d’appariement. Deuxièmement, la combinaison des stratégies d’alignement des lectures et des cartes haplotypiques spécifiques utilisées pour l’extraction des empreintes digitales a significativement influencé les résultats finaux de l’analyse. Des variations dans ces étapes de traitement en amont peuvent introduire des biais subtils qui se propagent aux scores correspondants (Figure 4A–B). Troisièmement, une évaluation minutieuse et une sélection des seuils pour déterminer une correspondance d’échantillon étaient essentielles. Les seuils optimaux peuvent varier considérablement selon la modalité de données spécifique (par exemple, séquençage de l’exome complet vs. séquençage du transcriptome entier) et des régions génomiques évaluées. Différents seuils peuvent ajuster la rigueur de l’approche (taux élevé de faux positifs vs. taux élevé de faux négatifs) (Figure 4C). Pour répondre à cela pour une grande cohorte d’échantillons cliniques, la méthode a été adaptée pour définir à la fois des combinaisons permissives et strictes de scores d’appariement d’échantillons basées sur la combinaison des scores LOD utilisés et du comparateur. Une première approche de seuil (I) a été obtenue en considérant toute valeur positive sur les trois scores LOD (LOD_SCORE, LOD_SCORE_TUMOR_NORMAL, LOD_SCORE_NORMAL_TUMOR). En incluant des informations sur les scores TUMOR_NORMAL et NORMAL_TUMOR, les effets de la perte d’hétérozygosité, due à des modifications du nombre de copies des échantillons de cancer, peuvent être atténués. Inversement, un seuil plus strict pour les incompatibilités (II) a été mis en place en appliquant deux critères de filtrage alternatifs, conçus pour réduire les faux positifs : (a) catégorisation comme correspondance uniquement, si LOD_SCORE est positif, b) catégorisation comme correspondance, si, pour un échantillon donné, LOD_SCORE est supérieur au score maximal de l’autre LOD_SCOREs par paires de cet échantillon parmi les échantillons qu’il n’est pas censé correspondre (basé sur le patient d’origine documenté), Même si le LOD_SCORE lui-même est négatif.

Dans cette application, pour générer un seuil permissif, toute paire d’échantillons désignée comme correspondante selon l’un des critères ci-dessus (I, IIa, IIb) était considérée comme correspondante. Cela a permis une grande confiance dans tous les désaccords identifiés, au prix de certains véritables inadéquations potentiels désignés comme correspondants (c’est-à-dire faux négatifs). Une comparaison du seuil permissif avec des seuils plus stricts a montré un changement dans le pourcentage de paires classées comme inadéquates. La différence entre les approches, dans toutes les études analysées, variait de 3,9 % (l’un des trois scores LOD positif (I)), 13,3 % (LOD_SCORE doit être positif (IIa)), 9,2 % (LOD_SCORE comparé aux paires non correspondantes d’un échantillon (IIb)), et 3,6 % (en tenant compte de l’un des points ci-dessus pour désigner une correspondance) (Figure 4C).

Influence de la couverture des régions génomiques
La différence entre les scores LOD négatifs et positifs pour les échantillons appariés et mal appariés est la plus élevée lorsqu’une large gamme de régions génomiques est couverte (séquençage du génome entier (WGS) ou comparaison des échantillons WGS avec d’autres modalités), facilitant ainsi la sélection du seuil (Figure 5A). Pour le séquençage de l’exome entier et les comparaisons de séquençage ARN, les scores LOD se rapprochent de zéro, les approches de seuil affectant les résultats, soulignant l’importance d’évaluer la rigueur des seuils pour les modalités à faible couverture génomique. Une distribution des résultats d’échantillons appariés connus avec des scores LOD positifs est affichée à la Figure 5B. Javed et al. (2020) ont montré qu’un chevauchement du génome aussi faible que 0,02 % suffit pour distinguer les échantillons appariés et non appariés lors de l’utilisation des blocs de déséquilibre de^{liaison 15}.

Validation
L’approche a été validée sur d’autres ensembles de données de séquençage de l’exome entier (WES) et d’ARN sur le cancer du sein, le cancer colorectal et le cancer du poumon, pour lesquels un ensemble d’échantillons connus devait provenir des mêmes individus (Figure 6A). Les paires d’échantillons du même individu ont montré un taux de compatibilité de 100 % (Figure 6B), tandis que des comparaisons supplémentaires avec d’autres échantillons connus pour provenir d’individus différents ont montré un taux de désappariement de 100 %. Ni faux positifs ni faux négatifs n’ont été observés dans aucun de ces ensembles de données.

En résumé, la mise en œuvre du flux de travail de contrôle qualité facilite la comparaison interindividuelle de paires d’échantillons de séquençage de nouvelle génération en fournissant une approche standardisée et reproductible. Les seuils de score LOD résultants donnent de faibles taux de faux positifs et de faux négatifs pour les échantillons présentant un grand chevauchement régional génomique, et une optimisation supplémentaire des seuils peut être appliquée pour des échantillons à faible profondeur de séquençage ou pour lesquels il y a peu de chevauchement génomique.

Figure 1 : Représentation schématique de la survenue des échanges d’échantillons et des mauvais étiquetages. (A) Échange d’échantillons d’un échantillon chacun entre deux individus. (B) Représentation des étapes de traitement de l’échantillon, de l’extraction par biopsie à l’analyse des données de séquençage. Créé dans BioRender. Voith von Voithenberg, L. (2026) https://BioRender.com/xhbp178. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 2 : Représentation de l’interface utilisateur pour les fichiers d’entrée et les paramètres nécessaires à l’exécution du flux de contrôle qualité de correspondance d’échantillons dans CWL. Interface graphique pour la saisie de fichiers et de paramètres. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 3 : Résultats obtenus du flux de travail de correspondance d’échantillons. Distribution des scores LOD pour un ensemble exemplaire d’échantillons de séquençage d’ADN (séquençage du génome entier et de l’exome entier) (à gauche), pour une comparaison entre le séquençage de l’ADN et celui de l’ARN (au centre) afin de montrer à quel point très peu d’échantillons mal appariés se comportent par rapport à la distribution des échantillons appariés, et pour une cohorte exemplaire plus large de paires de séquençage d’ARN (à droite) avec des données connues pour provenir d’individus différents (désappariements, rouge clair) et de la même personne (allumettes, vert clair). Abréviations ; LOD = rapport logarithmique des cotes. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 4 : Différences exemplaires dans le score LOD observées. (A) lors de la combinaison de différentes approches d’alignement de séquences et cartes d’haplotype pour un ensemble d’échantillons connus mal appariés et appariés, et (B) pour l’évaluation par intégration d’informations tumorales et normales. (C) Occurrence du nombre de correspondances et de désaccords d’échantillons définis par des approches de seuil de rigueur différente. Abréviations ; LOD = rapport logarithmique des cotes. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 5 : Distribution exemplaire des scores LOD pour comparer différentes modalités de séquençage de nouvelle génération. (A) Distribution des scores LOD des échantillons attendus non appariés et appariés entre le séquençage de l’ADN provenant du sang et du tissu tumoral et le séquençage de l’ARN provenant du tissu tumoral. (B) Distribution des scores LOD des échantillons appariés pour des combinaisons de différentes modalités. Abréviations ; LOD = rapport logarithmique des cotes. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 6 : Distribution des scores LOD pour l’analyse d’un ensemble de données de séquençage d’ARN et de séquençage d’ARN pour le cancer du sein. Le jeu de données sur le cancer du sein non identifié a été obtenu auprès de Caris Life Sciences et est issu d’un profilage tumoral complet. (A) Occurrence logarithmique des scores LOD pour les comparaisons entre les échantillons de WES tumoraux (à gauche) et entre les échantillons de séquençage d’ARN (à droite). (B) Distributions des scores LOD pour les paires d’échantillons attendues des mêmes individus (rangée supérieure WES, rangée inférieure séquençage ARN). Abréviations ; LOD = rapport logarithmique des cotes. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

LEFT_GROUP_VALUE	RIGHT_GROUP_VALUE	RÉSULTAT	LOD_SCORE	LOD_SCORE_ TUMOR_NORMAL	LOD_SCORE_ NORMAL_TUMOR
Exemple 1	Exemple 1	EXPECTED_MATCH	38.119266	29.649485	29.649485
Exemple 1	Exemple 2	EXPECTED_MISMATCH	-2.552644	-4.57422	5.283698
Exemple 2	Exemple 1	EXPECTED_MISMATCH	-2.552644	5.283698	-4.57422
Exemple 2	Exemple 2	EXPECTED_MATCH	12.328737	8.796457	8.796457

Tableau 1 : Résultats exemplaires obtenus en effectuant des empreintes digitales Crosscheck. Le tableau montre des résultats exemplaires d’une paire d’échantillons comparés par l’approche d’appariement d’échantillons.

Discussion

Une variété de méthodes pour identifier les correspondances d’échantillons est disponible 1,4,13,14,15,16. Ici, la mise en œuvre d’une approche utilisant des blocs de déséquilibre de liaison SNP applicable à plusieurs modalités omiques, avec de faibles taux de faux positifs et de faux négatifs, a été^{décrite 15}. La mise en œuvre a été réalisée en CWL pour faciliter un traitement à haut débit entre ensembles de données dans un environnement de flux de travail standardisé. L’évaluation du flux de travail a identifié trois aspects clés à prendre en compte lors de l’application de l’approche. Une étape clé du processus consiste à sélectionner les régions génomiques couvertes par la carte de l’haplotype. De plus, combiner l’alignement des lectures avec l’extraction d’empreintes digitales à l’aide de différentes cartes d’haplotype peut influencer les résultats de l’analyse. De plus, une évaluation et une sélection minutieuses des seuils, qui peuvent dépendre de la modalité des données et des régions couvertes, sont essentielles et peuvent conduire à des appels d’appariement d’échantillons plus ou moins permissifs.

Pour évaluer de larges ensembles d’échantillons cliniques, la méthode a été adaptée pour définir des combinaisons de seuils pour des scores d’appariement d’échantillons permissifs et stricts. La méthode a été ajustée pour inclure une approche de seuil permissif en considérant un score combiné comprenant l’un des scores LOD (LOD_SCORE, LOD_SCORE_TUMOR_NORMAL, LOD_SCORE_NORMAL_TUMOR) ou deux critères de filtrage alternatifs, ce qui aboutit à une sélection plus rigoureuse des échantillons. L’applicabilité de cette approche se limite aux échantillons pour lesquels des informations SNP dans diverses régions génomiques sont disponibles, par exemple des données de séquençage de nouvelle génération. De plus, au moins des paires d’échantillons provenant d’une même personne sont nécessaires pour l’analyse comparative et l’appariement des échantillons. Des informations cliniques supplémentaires, telles que le statut de mutation obtenu par des méthodes ciblées ou les métadonnées du patient, comme le sexe, peuvent être utilisées pour fournir des preuves supplémentaires de correspondance entre les données moléculaires de haute dimension et les données cliniques au niveau du patient.

La mise en œuvre de cette approche dans un environnement de gestion des flux de travail, avec la possibilité d’un stockage parallèle des données, permet une analyse de contrôle qualité à haut débit des échantillons pour détecter une contamination interindividuelle. Ainsi, elle augmente l’accessibilité et la reproductibilité de l’approche à travers les ensembles de données et les échantillons. L’adaptabilité des critères de seuil dans cette approche permet le traitement et l’analyse d’échantillons de cancer présentant une charge mutationnelle tumorale faible ou élevée et des altérations du nombre de copies qui peuvent entraîner une perte d’hétérozygotie et ainsi affecter la probabilité du génotype.

La méthode peut trouver une large applicabilité à tout type de projet impliquant des données de séquençage de nouvelle génération provenant d’individus humains et pour lequel plus d’un seul échantillon par personne est disponible. Cela peut aller d’approches personnalisées pour chaque patient à de grands essais cliniques collectant des données moléculaires de haute dimension pour différentes zones pathologiques. Il peut être combiné avec des flux de travail de contrôle qualité, l’étude de la contamination inter-espèces, et des approches permettant de relier des ensembles de données moléculaires de haute dimension avec des informations cliniques pour être intégrées dans tout pipeline de contrôle qualité pour les données de séquençage de nouvelle génération.

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
FastQC	v0.11.9	SCR_014583
MultiQC	v1.8	SCR_014982
BWA-MEM	v0.7.17	SCR_010910
STAR	v2.7.9a	SCR_004463
SAMtools	V1.12, v1.19.2	SCR_005227
-  ; faidx
-  ; Trier
-  ; Index
- addreplacerg
Picard	V2.25.5, v3.0.0	SCR_006525
- CreateSequenceDictionary
- MarkDuplicates
- build_fingerprint_maps
- ExtractFingerprints
- Vérification croiséeEmpreintes digitales
CWL	v1.2	SCR_015528
R	R v4.3.1	SCR_001905
dplyr v1.1.4