SV-MeCa: un enfoque de meta-llamada basado en XGBoost para llamadas de variantes estructurales desde datos de lectura...

Área de la Ciencia:

• La genómica
• La bioinformática
• Biología computacional

Sus antecedentes:

• La llamada precisa de variantes estructurales (SV) a partir de datos de lectura corta del genoma entero es un desafío debido a las limitaciones de las herramientas existentes.
• Los enfoques de meta llamadas, que combinan múltiples llamadas SV, se utilizan ampliamente para mejorar la precisión y la robustez.
• Los meta-llamadores actuales a menudo dependen del número de herramientas de soporte en lugar de las métricas de calidad específicas de la variante.

Objetivo del estudio:

• Introducir SV-MeCa, el primer meta-llamador de variante estructural que incorpora métricas de calidad específicas de la variante.
• Desarrollar un sistema de puntuación para clasificar las llamadas de SV de consenso en función de su probabilidad de ser verdaderos positivos.
• Mejorar la precisión y la robustez de la detección de variantes estructurales a partir de datos de secuenciación del genoma completo.

Principales métodos:

• SV-MeCa utiliza siete llamadas SV independientes y fusiona los resultados utilizando SURVIVOR.
• Las métricas de calidad específicas de la persona que llama se extraen de los archivos VCF individuales para las llamadas SV de consenso.
• Los clasificadores de árboles de decisión de XGBoost, entrenados en datos de referencia, predicen la probabilidad de que las llamadas de SV de consenso sean verdaderas positivas.

Principales resultados:

• SV-MeCa demostró un rendimiento superior en comparación con otros cuatro enfoques de meta-caller basados en puntuaciones F para deleciones (0.58) e inserciones (0.42).
• Mientras que ConsensuSV mostró una mayor precisión, SV-MeCa logró una precisión competitiva (0,64 para las deleciones, 0,53 para las inserciones).
• SV-MeCa exhibió un fuerte recuerdo, superado solo por Meta-SV para deleciones (0,55 frente a 0,53).

Conclusiones:

• SV-MeCa supera a los enfoques de meta-llamada de SV existentes al aprovechar las medidas de calidad específicas de la variante.
• Las probabilidades de predicción XGBoost proporcionan un mecanismo de puntuación flexible, que permite a los usuarios ajustar la sensibilidad y la precisión.
• SV-MeCa está disponible al público, ofreciendo una herramienta mejorada para la detección de variantes estructurales.