Genoom-alignment: hoe wetenschappers DNA-code op de juiste plek leggen
Stel je hebt twee gigantische boeken, elk met miljarden letters, en je wilt precies weten waar de teksten overeenkomen en waar ze verschillen. Dat is in de kern wat genoom-alignment doet: het naast elkaar leggen en vergelijken van lange reeksen DNA-letters (A, C, T en G) om overeenkomsten, afwijkingen en de juiste volgorde te achterhalen. Het ene 'boek' kan het DNA van een patiënt zijn, het andere een referentiegenoom: een soort standaardversie van het menselijk genoom waarmee onderzoekers alles vergelijken.
Zonder alignment zijn de miljarden stukjes DNA-code die een sequencer aflevert in feite een enorme legpuzzel waarvan de stukjes in willekeurige volgorde uit de doos zijn gevallen, zonder afbeelding op de doos zelf. Alignment-software legt die stukjes op hun plaats, zodat duidelijk wordt welk fragment waar in het genoom hoort, welke mutaties er zijn opgetreden en wat dat kan betekenen voor gezondheid, verwantschap of de evolutie van een virus.
Wat is het precies?
Een DNA-sequencer, het apparaat dat de chemische lettercode van DNA leest, levert geen complete genoomtekst af. In plaats daarvan produceert het miljoenen tot miljarden korte of lange fragmenten, 'reads' genoemd, die elk een klein stukje van het totale genoom weergeven. Een menselijk genoom telt ongeveer drie miljard letters; een enkele read beslaat daar meestal maar 150 tot enkele duizenden letters van.
Alignment-software moet nu voor elke read uitzoeken op welke plek in het referentiegenoom die het beste past. Dat gebeurt met wiskundige technieken zoals de Burrows-Wheeler-transformatie en zogeheten 'seed-and-extend'-strategieën: het programma zoekt eerst een kort, uniek herkenbaar stukje ('seed') dat vrijwel zeker matcht, en breidt de vergelijking daarna in beide richtingen uit om te zien hoe lang de overeenkomst doorloopt en waar er verschillen (mismatches) of kleine inserties en deleties optreden.
Bekende softwarepakketten hiervoor zijn BWA en Bowtie2, ontwikkeld voor de korte reads van Illumina-sequencers, en minimap2, gebouwd voor de veel langere reads van technologie van PacBio en Oxford Nanopore. Het resultaat van dit proces is meestal een bestand in het BAM- of SAM-formaat: een soort digitale kaart waarin voor elke read staat waar hij in het referentiegenoom ligt en welke verschillen er zijn aangetroffen.
Belangrijk is dat een 'referentiegenoom' geen neutraal, universeel gegeven is. Het gangbare menselijke referentiegenoom (GRCh38) is grotendeels opgebouwd uit het DNA van een beperkt aantal personen en weerspiegelt daardoor niet goed de genetische variatie van de wereldbevolking. Om dat te verbeteren werken onderzoekers aan zogeheten pangenomen: referenties die zijn opgebouwd uit het DNA van veel verschillende mensen, zodat zeldzamere of regio-specifieke DNA-varianten niet over het hoofd worden gezien.
Wat wil men ermee bereiken?
Het belangrijkste doel van genoom-alignment is het vindbaar maken van betekenisvolle verschillen in DNA. Bij erfelijke ziekten helpt alignment artsen en onderzoekers te achterhalen welke specifieke mutatie een aandoening veroorzaakt, door het DNA van een patiënt te vergelijken met een referentiegenoom en met DNA van gezonde familieleden.
In de oncologie wordt alignment gebruikt om zogeheten somatische mutaties op te sporen: veranderingen die alleen in tumorcellen voorkomen en niet in gezond weefsel. Dat helpt bij het kiezen van een gerichte behandeling. Bij infectieziekten is alignment onmisbaar om de verspreiding en evolutie van pathogenen te volgen, zoals bij de opkomst van nieuwe varianten van een virus.
Daarnaast dient de techniek de evolutiebiologie, waar het DNA van verschillende soorten wordt vergeleken om verwantschap en evolutionaire geschiedenis te reconstrueren, en de landbouw, waar gewassen en veerassen worden vergeleken om eigenschappen zoals ziekteresistentie te lokaliseren. Ook forensisch onderzoek en bevolkingsgenetica, zoals afkomstonderzoek, steunen op alignment-technieken.
Voorbeelden uit de praktijk
Het Human Genome Project (1990-2003) leverde de eerste ruwe versie van een menselijk referentiegenoom op en legde daarmee de basis voor alle latere alignment-toepassingen. Het 1000 Genomes Project (2008-2015) bouwde daarop voort door het DNA van duizenden mensen wereldwijd te sequencen en te aligneren, wat een uitgebreide catalogus van menselijke genetische variatie opleverde.
Tijdens de COVID-19-pandemie (2020-2021) werd alignment op grote schaal en in near-realtime toegepast: platforms als GISAID en Nextstrain verzamelden en aligneerden honderdduizenden virusgenomen om varianten zoals Alpha, Delta en Omicron te identificeren en hun verspreiding te volgen.
In 2022 publiceerde het Telomere-to-Telomere (T2T) Consortium in het tijdschrift Science de eerste volledig aaneengesloten, gatenvrije sequentie van een menselijk genoom, iets wat met de oorspronkelijke Human Genome Project-technieken nog niet mogelijk was door lastig te aligneren, sterk repetitieve DNA-gebieden.
In 2023 bracht het Human Pangenome Reference Consortium in Nature een eerste concept-pangenoom uit, gebaseerd op het DNA van 47 personen met diverse afkomst, om de bekende vertekening van het standaardreferentiegenoom te verminderen.
Hoe ver is de techniek?
Alignment van korte reads, zoals geproduceerd door Illumina-sequencers, is inmiddels een volwassen, snelle en relatief goedkope techniek die op grote schaal in laboratoria en ziekenhuizen wordt toegepast. De grootste vooruitgang de laatste jaren zit in de alignment van lange reads, waarbij algoritmen zoals minimap2 het mogelijk maken om ook lastige, repetitieve DNA-gebieden nauwkeuriger in kaart te brengen dan voorheen.
Pangenomen zijn nog geen gangbare klinische standaard. Ze worden actief onderzocht en verbeterd, maar de meeste ziekenhuizen en laboratoria gebruiken vandaag nog het klassieke, enkelvoudige referentiegenoom. Bredere invoering vraagt om nieuwe software, opslag- en rekencapaciteit, en internationale afspraken over standaardisatie.
Een blijvend obstakel is de rekenkracht die nodig is om alignment op zeer grote schaal uit te voeren, bijvoorbeeld bij biobank-projecten met honderdduizenden tot miljoenen genomen. Ook spelen privacykwesties een rol: DNA-gegevens zijn onherleidbaar persoonlijk en vragen om zorgvuldige beveiliging. Steeds meer onderzoeksgroepen experimenteren daarnaast met machine learning om alignment in complexe of repetitieve DNA-regio's verder te verbeteren, al is dit nog een actief onderzoeksterrein en geen uitgekristalliseerde standaard.
Wie werken eraan?
Het Broad Institute (verbonden aan MIT en Harvard, Verenigde Staten) ontwikkelt met GATK een van de meest gebruikte softwarepakketten voor analyse na alignment. Het Wellcome Sanger Institute (Verenigd Koninkrijk) en EMBL-EBI (European Bioinformatics Institute, gevestigd in Cambridge) spelen een centrale rol in Europees genoomonderzoek en het beheer van openbare DNA-databanken.
In de Verenigde Staten financiert het National Human Genome Research Institute (NHGRI, onderdeel van de NIH) grote initiatieven zoals het Human Pangenome Reference Consortium. De University of California, Santa Cruz (UCSC) is nauw betrokken bij het T2T-consortium en beheert bekende genoombrowsers die door onderzoekers wereldwijd worden gebruikt.
Op het gebied van sequencing-hardware, die de ruwe data voor alignment aanlevert, zijn Illumina, Pacific Biosciences (PacBio) en Oxford Nanopore Technologies de belangrijkste commerciële spelers. In Azië is BGI Genomics (China) een grote aanbieder van sequencing- en analysediensten. Individuele onderzoekers zoals Heng Li, ontwikkelaar van veelgebruikte alignment-tools als BWA en minimap2, hebben daarnaast een grote invloed op het vakgebied via open-sourcesoftware die wereldwijd wordt toegepast.