Distinct sequencing success at non-B-DNA motifs
Notice bibliographique
Résumé
Abstract Modern sequencing technologies are not error-free, and might have elevated error rates at some locations of the genome. A potential cause for such elevated error rates is the formation of alternative DNA structures (non-B DNA), such as G-quadruplexes (G4s), Z-DNA, or cruciform structures, during sequencing. Approximately 13% of the human genome has the potential to form such structures, which have been previously shown to affect the activity of DNA polymerases and helicases. Here we tested whether motifs with the potential to form non-B DNA (non-B motifs) influence the sequencing success of three major sequencing technologies—Illumina, Pacific Biosciences (PacBio) HiFi, and Oxford Nanopore Technologies (ONT). We estimated sequencing success by computing the rates of single-nucleotide, insertion, and deletion errors, as well as by evaluating mean read depth and mean base quality. Overall, all technologies exhibited altered sequencing success for most non-B motif types. Single-nucleotide error rates were generally increased for G-quadruplexes (G4s) and Z-DNA motifs in all three technologies. Illumina and PacBio HiFi deletion error rates were also increased for all non-B types except for Z-DNA motifs, while in ONT they were increased substantially only for G4 motifs. Insertion error rates for non-B motifs were highly elevated in Illumina, moderately elevated in PacBio HiFi, and only slightly elevated in ONT. Using Poisson regression modeling, we evaluated how non-B DNA motifs and other factors influence sequencing error profiles. Using the error rates at non-B motifs, we developed a probabilistic approach to determine the number of false-positive single-nucleotide variants (SNVs) in different sample size and variant frequency cutoff scenarios, as well as in previously generated sequencing data sets (1000Genomes, Simons Genome Diversity Project, and gnomAD). Overall, the effect of non-B DNA on sequencing should be considered in downstream analyses, particularly in studies with limited read depth—e.g., single-cell and ancient DNA sequencing, as well as sequencing of pooled population samples—and when scoring variants with low frequency (e.g., singletons). Because each sequencing technology analyzed has a unique error profile at non-B motifs, a combination of different technologies should be considered in future sequencing studies of such motifs, to maximize accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».