ClairS: a deep-learning method for long-read tumor-normal pair somatic small variant calling.

Caller de variants somatiques par deep learning pour paires tumeur/normal en long-read, exploitant le phasing des reads longs

La détection de variants somatiques est essentielle en oncologie clinique, mais la plupart des outils sont conçus pour le short-read. Les auteurs présentent ClairS (Clair-Somatic), un caller de variants somatiques par deep learning dédié aux paires tumeur/normal en long-read. Entraîné sur des variants somatiques synthétiques à couvertures et fractions alléliques variées, il détecte un large éventail de variants : sur le jeu Nanopore HCC1395 à 50/25×, il atteint des F1 de 89,83 % (SNV) et 73,38 % (indels), portés à 96,19 % et 79,67 % avec un entraînement enrichi de lignées réelles. Le meilleur phasing permis par le long-read est clé pour les SNV à faible fraction allélique. ClairS est open source.

Synthèse rédigée par Geno'X. Pour l'abstract original complet, consulter la publication source.

Comble un manque réel : un caller somatique robuste et open source pensé pour le long-read, alors que l'écosystème restait dominé par le short-read. À l'heure où le long-read progresse en oncologie (SV, phasing), c'est une brique d'infrastructure utile, dont il faudra confirmer la performance sur tumeurs réelles au-delà des lignées.

Analyse par Dr Thibaut Benquey