SVkhor: a unified framework for structural variant integration across long-read, short-read, and optical genome mapping data

Normalisation tenant compte des spécificités de chaque caller, fusion intra-technologie puis intégration inter-technologies des appels de variants structuraux issus du short-read, du long-read et de la cartographie optique du génome, avec annotation de la source.

La détection des variants structuraux par plusieurs technologies se heurte à l'hétérogénéité des résolutions de points de cassure, des représentations d'allèles, des annotations et des structures de fichiers VCF entre callers et entre plateformes. Les auteurs présentent SVkhor, un cadre logiciel qui fusionne les sorties de plusieurs callers au sein de chaque technologie puis intègre les jeux d'appels issus du short-read, du long-read et de la cartographie optique du génome. Le principe repose sur une normalisation tenant compte des spécificités de chaque caller, une fusion intra-technologie et une intégration inter-technologies, produisant des catalogues de variants structuraux compacts et annotés par source, exploitables pour le benchmarking et l'interprétation en aval. L'évaluation porte sur l'échantillon de référence HG002 et sur l'analyse d'un trio clinique : SVkhor réduit la redondance liée aux callers tout en conservant les éléments de preuve propres à chaque technologie, permettant de passer de jeux d'appels hétérogènes à des catalogues interprétables au niveau de l'échantillon et de la famille.

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

Le problème traité est celui de tout laboratoire ayant empilé short-read, long-read et cartographie optique : trois vérités partielles et aucun catalogue unique sur lequel un biologiste puisse rendre. SVkhor répond à un besoin d'organisation réel, mais la validation reste mince, HG002 et un seul trio, sans métriques de sensibilité et de spécificité par classe de variant structural ni comparaison aux outils de fusion existants, ce qui empêche pour l'instant de juger ce que l'on gagne et ce que l'on perd en fusionnant. À tester sur ses propres données avant toute intégration en production, d'autant qu'il s'agit d'un preprint.

Analyse par Dr Thibaut Benquey