- Le chromosome Y, resté incomplet jusqu’au bout en raison de longues structures palindromiques et de séquences répétées, est désormais achevé avec T2T-Y, comblant un grand vide du génome de référence humain
- L’ancien GRCh38-Y omettait plus de la moitié du chromosome Y ; la nouvelle séquence atteint 62 460 029 paires de bases (bp) et ajoute plus de 30 millions de bp
- La séquence complète révèle plus clairement la structure ampliconique des familles de gènes TSPY, DAZ, RBMY, ainsi que 41 gènes codant des protéines supplémentaires, majoritairement de la lignée TSPY
- Dans la région d’hétérochromatine Yq12, des blocs de satellite humain 1 et 3 alternent, ce qui permet d’analyser à l’échelle du chromosome la distribution des séquences répétées, de l’ADN satellite et des motifs d’ADN non-B
- T2T-Y, combiné à l’assemblage du génome CHM13, sert de ressource de séquence de référence complète pour les 24 chromosomes humains
Le dernier vide restant du chromosome Y
- Le chromosome Y humain était très difficile à séquencer et à assembler en raison de structures répétées complexes comprenant de longues structures palindromiques, des répétitions en tandem et des duplications segmentaires
- La séquence de référence GRCh38 laissait de côté plus de la moitié du chromosome Y, qui restait ainsi le dernier chromosome humain inachevé
- Le consortium T2T a achevé T2T-Y, la séquence complète de 62 460 029 bp du chromosome Y humain dérivée du génome HG002
- T2T-Y corrige plusieurs erreurs de GRCh38-Y et ajoute plus de 30 millions de bp à la séquence de référence
Nouveaux gènes et structures répétées révélés
- T2T-Y montre la structure ampliconique complète des familles de gènes TSPY, DAZ, RBMY
- La nouvelle séquence de référence inclut 41 gènes codant des protéines supplémentaires, majoritairement issus de la famille TSPY
- Dans la région d’hétérochromatine Yq12, un motif alterné de blocs de satellite humain 1 et 3 a été confirmé
- L’assemblage achevé a permis d’évaluer globalement les séquences répétées du chromosome Y et d’identifier des satellite arrays auparavant inconnus
- Le nouveau satellite array se trouvait principalement dans PAR1
- Des subunit repeats appartenant à une unité répétée composite de TSPY, RBMY ou DAZ ont également été identifiés
Difficultés structurelles révélées lors de l’assemblage
- L’assemblage des chromosomes X/Y de HG002 a été analysé à l’aide d’un assembly string graph fondé sur des reads HiFi
- Les structures enchevêtrées les plus complexes étaient limitées à la région satellite hétérochromatique du bras q du chromosome Y
- Le sous-graphe X/Y est connecté au niveau de PAR1 et PAR2
- Dans PAR1, une discontinuité du graphe liée à un biais de séquençage HiFi a été observée
- Parmi les 11 cassures observées, 9 se situaient dans PAR1 des deux chromosomes
- Sur le chromosome Y, 5 sur 5 se trouvaient dans PAR1
- Dans la région palindromique P1–P3, la structure répétée a été résolue par élagage manuel et intégration de reads ONT
- Trois structures en épingle à cheveux, sous forme de répétitions tandem inversées presque complètes incluant l’ensemble de P3 et deux palindromes de P2, ont été mises en évidence
- Les ambiguïtés restantes ont été résolues en évaluant l’alignement des reads ONT sur les reconstructions candidates
Validation par Strand-seq et analyse des variants
- La comparaison de 65 bibliothèques Strand-seq entre GRCh38-Y et T2T-Y a montré plusieurs pics de couverture en direction inversée dans GRCh38-Y
- Ces pics suggèrent des polymorphismes d’inversion avec HG002, potentiellement dus à des différences d’haplogroupe
- L’absence de ces mêmes pics dans T2T-X et T2T-Y confirme l’exactitude structurelle et orientationnelle de l’assemblage HG002
- Une inversion de 3 kb dans une séquence unique entre les bras palindromiques P5 a été identifiée comme une erreur de T2T-Y, mais comme elle a été confirmée comme polymorphisme de population, elle n’a pas été corrigée dans cette version de l’assemblage
- Dans chaque bibliothèque Strand-seq, T2T-Y présente une distribution aléatoire des changements d’état de brin, sans signe de misassembly ni de collapse
- L’analyse des Extended Data a confirmé que 5 personnes sur 15 portaient la variante inversée du palindrome P3 présente chez HG002
PAR, Yq12 et motifs d’ADN non-B
- Dans le sous-graphe PAR1, un écart de green edge et une couverture inégale des nœuds indiquent un biais de séquençage HiFi à l’échelle de PAR1
- PAR1 est riche en répétitions SINE et en motifs d’ADN non-B, ce qui pourrait expliquer les lacunes de séquençage
- L’analyse de la distribution des motifs d’ADN non-B sur l’ensemble de T2T-Y montre que HSat3 de Yq et les séquences satellites péricentromériques sont plus riches en A-phased repeat, direct repeat et STR
- HSat1B est plus riche en inverted repeat et en mirror repeat
- Un enrichissement en séquences d’ADN non-B a également été observé dans la région PAR
- Le gene array TSPY est riche en motifs G4 et Z-DNA
- Chaque copie de TSPY possède un pic G4 environ 500 bases en amont de TSPY
- Un score Quadron supérieur à 19 est considéré comme une structure G4 stable
Une ressource de séquence de référence pour les 24 chromosomes humains
- Les chercheurs ont combiné T2T-Y avec l’assemblage existant du génome CHM13 et y ont cartographié des données disponibles sur les variants de population, les variants cliniques et la génomique fonctionnelle afin de produire une séquence de référence complète pour les 24 chromosomes humains
- La liste complète des ressources peut être téléchargée depuis marbl/CHM13
- T2T-CHM13v2.0, T2T-CHM13+Y assembly
- reference analysis set
- gene annotation, repeat annotation, epigenetic profiles
- résultats de variant-calling 1KGP et SGDP
- jeux de données gnomAD, ClinVar, GWAS, dbSNP
- L’assembly est également disponible auprès du NCBI et de l’EBI, avec l’accession GenBank GCA_009914755.4
- Les annotations et ressources associées peuvent aussi être explorées via
hs1dans l’UCSC Genome Browser, T2T-CHM13v2.0 dans l’Ensembl Genome Browser et le data hub du NCBI - Les problèmes potentiels d’assembly peuvent être consultés et suivis dans marbl/CHM13-issues
Données d’analyse et code publiés
- Les alignements short-read et variant calls de 1KGP et SGDP sont disponibles dans l’espace de travail AnVIL
- Les données brutes du laboratoire Gerton sont accessibles via le Stowers Original Data Repository
- Les données de séquençage utilisées dans l’étude sont listées dans la Supplementary Table 1
- Le custom code développé pour l’analyse et la visualisation des données est publié sur GitHub et Zenodo
- Les logiciels utilisés et leurs paramètres sont détaillés dans les Supplementary Methods, avec des précisions supplémentaires
1 commentaires
Avis sur Hacker News
Pour ceux qui ne se souviennent pas de l’ancienne course au décodage du génome humain, les deux concurrents les plus avancés à l’époque étaient Celera Genomics et le Human Genome Project
Celera, dirigée par Craig Venter, avait annoncé avoir terminé le décodage, mais en réalité elle avait utilisé une méthode shotgun, consistant à prélever de petits échantillons çà et là et à assembler statistiquement un modèle du génome ; environ cinq ans plus tard, elle a reconnu qu’elle n’avait pas séquencé l’intégralité du génome
Référence : https://www.technologyreview.com/2007/09/04/223919/craig-ven...
À l’époque, on critiquait le séquençage shotgun comme un « raccourci », mais aujourd’hui le chromosome walking a disparu et le shotgun est devenu la norme
S’il devait être remplacé, ce serait par des technologies de lectures longues comme Oxford Nanopore, mais elles nécessitent encore un assemblage des données et ne permettent pas encore d’obtenir directement une séquence continue de bout en bout
Il y a 35 ans : https://www.nytimes.com/1987/12/13/magazine/the-genome-proje...
Il y a 33 ans : https://www.nytimes.com/1990/06/05/science/great-15-year-pro...
Il y a 29 ans, la compétition s’intensifie : https://www.nytimes.com/1994/02/22/science/scientist-at-work...
Il y a 24 ans, la compétition est en cours : https://www.nytimes.com/1999/03/23/science/who-ll-sequence-h...
Il y a 23 ans, le brouillon est achevé : https://archive.nytimes.com/www.nytimes.com/library/national...
Il y a 20 ans : https://www.nytimes.com/2003/04/15/science/once-again-scient...
Il y a 2 ans : https://archive.nytimes.com/www.nytimes.com/library/national...
L’approche shotgun de Celera était délicate, car l’assemblage des fragments nécessitait une puissance de calcul considérable et des algorithmes sophistiqués ; le calcul d’assemblage final, dont les algorithmes et les données exigeaient 64 Go de mémoire partagée, a été exécuté sur un AlphaServer GS160 de Compaq
Le GS160 était alors une énorme machine UNIX, et pouvait être étroitement clusterisé grâce à des entrées/sorties et un système de fichiers intégrés entre plusieurs machines
L’auteur principal de l’assemblage shotgun était Gene Myers, qui avait auparavant créé BLAST et conçu les suffix arrays avec Udi Manber
Le projet public avait lui aussi ses problèmes, avec de nombreuses équipes qui s’accrochaient à des approches manuelles et académiques ; Eric Lander a ensuite transformé cela en processus industriel, avant de poursuivre avec la direction du Broad Institute, un institut de recherche privé MIT/Harvard à Boston
Aujourd’hui, des pétaoctets de données de séquençage sont produits chaque jour et stockés dans le cloud, et le génome est devenu un outil de base de la recherche sur l’humain, mais son potentiel pour comprendre les phénotypes complexes n’a pas encore été pleinement révélé
Ce qu’a fait Celera avait de la valeur et, du moins d’après mon impression, ils n’ont pas caché ce qu’ils avaient fait
Il vaudrait mieux parler d’innovation que de « bidouille statistique »
Comme la composition génétique varie d’un humain à l’autre, je me demande ce que signifie exactement le fait d’avoir entièrement déchiffré le génome humain.
La séquence des bases de l’ADN/ARN n’est-elle pas différente pour chaque personne ?
https://www.nytimes.com/2002/04/27/us/scientist-reveals-secr...
À ma connaissance, les projets récents ont utilisé des groupes d’individus plus larges.
Certains projets mélangent plusieurs individus et les séquencent ensemble, d’autres séquencent chaque individu séparément.
La structure à grande échelle est très similaire entre humains, et comme on dispose désormais de méthodes sophistiquées pour modéliser les variations individuelles, ce n’est pas un gros problème.
Les structures en graphe qui représentent des alternatives dans la séquence de référence sont décrites sur https://www.biomedcentral.com/collections/graphgenomes ; elles peuvent inclure non seulement des différences d’une seule base, mais aussi des variations plus complexes comme de grandes délétions, des réarrangements ou des inversions.
Le génome de référence sert un peu de pierre de Rosette de la génomique : c’est la base à laquelle on aligne les séquences d’ADN/ARN d’autres individus pour les comprendre et les comparer.
Il n’est pas parfait : il peut manquer des régions dans la référence, ou y avoir des régions d’ADN très variables.
L’objectif du Human Pangenome Reference Consortium (HPRC) https://humanpangenome.org/ est de résoudre ce problème en séquençant des individus issus de populations diverses, et de nouveaux modèles de calcul sont également en cours de développement pour analyser les données à l’échelle d’une population entière.
Une approche similaire a été appliquée aux autres chromosomes.
Si un génome correspond à des mégaoctets de nombreuses séquences [ATCG]+, je me demande ce que le fait de posséder cette séquence nous apprend.
Est-ce qu’on se contente de la regarder en disant : « Ah, ...ATGCTACGACTACGACTAGCG... intéressant » ?
Il y a eu des articles remarqués, notamment celui de Guarracino et Garrison dans Nature au début de l’année.
Un pangénome est généralement un modèle de graphe complexe reliant des centaines, voire davantage, de génomes/haplotypes d’une espèce ; conceptuellement, cela peut s’étendre au-delà des espèces, ou aux cellules à l’intérieur d’un individu, par exemple à un pangénome du cancer.
Dans un graphe idéalisé du pangénome humain, chaque personne est représentée par deux brins sur chacun des autosomes, ainsi que par des brins traversant les chromosomes X et Y et le génome mitochondrial.
Si je comprends bien, la raison pour laquelle le séquençage des gènes est difficile tient au fait que la plupart des méthodes commencent par découper aléatoirement une longue séquence génétique en fragments, puis séquencent chaque fragment séparément.
Il faut ensuite remettre ces fragments dans le bon ordre pour reconstituer le génome entier ; c’est possible grâce aux chevauchements entre fragments, mais lorsqu’il y a des régions répétées, il devient difficile de les raccorder correctement en se fondant uniquement sur ces chevauchements.
Il existe aussi une nouvelle technique appelée Nanopore, qui consiste à faire passer physiquement l’ADN à travers un minuscule pore, les propriétés électriques changeant selon les paires de bases présentes dans le pore.
Cela dit, elle a tendance à produire des erreurs déterministes selon la séquence ; comme je n’ai pas accès à l’article complet, je ne sais pas exactement ce qu’ils ont fait ici, mais j’ai déjà entendu dire qu’on combinait les deux approches.
Ensuite, ils ont utilisé le séquençage Nanopore pour relier les contigs HiFi et couvrir les régions vraiment délicates du chromosome.
Si j’ai bien compris, le séquençage moderne à grande échelle est entièrement du séquençage shotgun.
On fragmente l’ADN au hasard, on séquence chaque fragment, puis les lectures, c’est-à-dire les fragments individuels, sont assemblées par un assembleur de génome.
J’ai toujours eu une « question bête » à propos des enregistrements du génome humain.
Comme nous avons tous un ADN différent, je me demande si le « génome humain » est une sorte d’ADN moyen, l’ADN d’une personne prise comme échantillon, ou bien un aperçu de ce qui nous est commun à tous.
Les différences entre personnes sont relativement faibles, de l’ordre de quelques millions de bases sur 3 milliards.
Historiquement, le génome de référence était plutôt une moyenne/mosaïque de plusieurs individus ; ses limites sont évidentes, mais il suffisait à placer les lectures globalement au bon endroit et à appeler les variants, c’est-à-dire les différences qui rendent unique le génome étudié.
La référence T2T end-to-end la plus récente est entièrement basée sur l’individu de l’Utah HG002, grâce aux nouvelles informations fournies par les technologies de lectures longues.
Si l’on veut un modèle populationnel du génome, il faut un pangénome.
Voir « pangenome graph », « variation graph » et le human pangenome project.
Cette nouvelle devrait dater non pas d’aujourd’hui, mais de décembre dernier.
L’équipe T2T a publié une prépublication [1] en décembre dernier et rendu les données [2] publiques en mars, mais l’article ne paraît officiellement dans Nature que maintenant à cause du processus d’évaluation par les pairs.
Le calendrier de publication peut être vraiment lent, et comme les scientifiques intéressés étaient déjà au courant et travaillent déjà avec cet assemblage, on peut se demander quel est l’intérêt d’une publication formelle dans ce genre de cas.
[1] https://www.biorxiv.org/content/10.1101/2022.12.01.518724v1....
[2] https://github.com/marbl/CHM13
Est-ce que c’est plutôt « on a un pilote de clavier qui fonctionne », ou plutôt « on a identifié les 104 touches d’un clavier US QWERTY standard à 104 touches » ?
On comprend certaines commandes CNC, mais on n’a pas encore une bonne compréhension des mécanismes de contrôle ni de leur ordre.
Un jour, on identifiera les touches, mais on est encore très loin du pilote, et surtout on est encore loin de savoir ce que fait chaque touche.
En revanche, on a compris que modifier certains bits précis des données brutes casse le clavier de manière intéressante.
C’est un événement assez important.
Cela signifie que les 24 chromosomes ont désormais été entièrement déchiffrés, et comme indiqué dans le résumé, le chromosome Y était jusqu’ici difficile à déchiffrer en raison de ses caractéristiques.
Ensuite, il s’est terminé en 2022, et maintenant on dit qu’il est encore terminé.
Je me demande s’il reste d’autres jalons à venir vers un « terminé à nouveau ».
Le chromosome Y était-il vraiment considéré comme une exception jusqu’ici ?
À côté du sujet, mais je recommande vivement Y - The Descent of Man de Steve Jones, un livre très intéressant et instructif.
C’est enthousiasmant de voir davantage de chromosomes cartographiés et déchiffrés.
Avec mes connaissances de biologie de niveau lycée, je me demande si, pour les gènes, l’expression génétique et leurs interactions, nous sommes allés au-delà des corrélations jusqu’à une compréhension déterministe.
Si l’on prend l’exemple des « yeux bleus » [1], on sait que OCA2 intervient dans la couleur brune/bleue des yeux, mais peut-on être sûr que les 20 000 autres gènes ne sont pas du tout impliqués ou nécessaires ?
En raisonnant comme un profane, j’imagine que pour obtenir des yeux bleus, plusieurs gènes doivent être activés, actifs ou présents ; cela ressemble davantage à une recette qu’à un simple interrupteur on/off à un emplacement unique.
[0] https://www.goodreads.com/work/editions/436071-y-the-descent...
[1] https://www.nature.com/articles/s41433-021-01749-x
Le problème commence déjà par la définition de ce que sont des yeux bleus.
Il ne s’agit pas d’un seul phénotype, mais de plusieurs nuances d’yeux bleus, et ces différences correspondent à des variations assez fines entre les personnes.
L’article [1] que vous avez cité est très bon, mais il faut pas mal de temps pour le comprendre pleinement.
Après tout, pour avoir les yeux bleus, il faut avoir des yeux, et pour en vérifier la couleur, il faut aussi tout un ensemble de dispositifs permettant d’ouvrir les yeux.
Par exemple, ce n’est que relativement récemment que l’épigénétique a beaucoup progressé ; au sens large, elle étudie comment le comportement des cellules peut changer sans que l’ADN lui-même soit modifié [1].
Cela oblige à reformuler de manière plus fine la vieille question de l’influence de l’environnement et de celle de l’hérédité.
On n’est pas absolument certain du nombre de chromosomes impliqués dans la détermination de la couleur des yeux, mais on dispose de bonnes estimations.
Une estimation récente tourne autour de 16, OCA2 et HERC2 ayant l’effet le plus important, tandis que de nombreux autres gènes ont aussi de petits effets [2].
L’article cité est excellent, mais il traite aussi de sujets comme la régulation génétique, les introns et les exons, qui relèvent davantage d’un cours d’introduction universitaire ou d’AP Biology que de la biologie standard du lycée.
Plus généralement, je pense qu’il sera difficile d’atteindre bientôt un stade où l’on pourra affirmer quelque chose en génétique de manière totalement certaine à 100 %.
La génétique et la biologie dans leur ensemble ont énormément progressé, mais il ne faut pas sous-estimer par défaut la complexité du génome humain.
Il y a clairement des choses que nous ne comprenons pas encore, et ce sera le cas pendant un certain temps.
En pratique, même un phénotype simple comme la couleur des yeux peut être influencé par d’autres gènes, mais quelques gènes suffisent généralement à faire une estimation assez précise.
Par exemple, une étude a prédit la couleur des yeux avec environ 75 % de précision en utilisant seulement six gènes [3].
Ce qui est encore plus intéressant, c’est que les gènes qui influencent un phénotype ne stockent pas toujours directement l’information génétique qui détermine ce caractère.
Autrement dit, ce gène ne détermine pas directement le caractère : il influence d’autres gènes, qui sont eux-mêmes plus directement impliqués dans l’expression du caractère.
Plusieurs gènes s’influencent mutuellement, en influencent encore d’autres, et il faut en plus tenir compte dans les études des biais environnementaux et démographiques : on voit à quel point la génétique se complexifie rapidement.
[1] https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2791696/
[2] https://www.nature.com/articles/jhg2010126
[3] https://doi.org/10.1016/j.cub.2009.01.027
C’est une nouvelle enthousiasmante.
Si vous voulez connaître les applications de ce travail, regardez cette keynote ACM SIGPLAN : https://youtu.be/JTU3JYp3JYc?si=jOZz611ATQar3Gec
Elle m’a plus aidé à comprendre l’ADN que tout mon cours de biologie du lycée.