New Statistical Methods for Estimating Recombination

Rekombination ist eine natürliche Neuanordnung von genetischem Material mütterlicher- und väterlicherseits, führt zu neu geschaffenen Haplotypen und dadurch zu einer Erhöhung von genetischer Variabilität in Populationen. Exakte Schätzungen von Rekombination verbessern die Schätzung von anderen natürlichen Prozessen wie etwa Selektion. Technische Verbesserungen führten zu einer erhöhten Auflösung bei der Sequenzierung von DNA, wodurch auch statistische Methoden für diese neue Art von Daten enorm an Bedeutung gewonnen haben. Erste Analysen von Sequenzdaten berechneten nur die Variabilität von Populationen. Mittlerweile werden statistische Methoden verwendet um natürliche Phänomene wie Demographie oder Regionen unter Selektion zu untersuchen, aber auch um Haplotypen von (nicht nur) menschlichen Populationen zu rekonstruieren. Auch im Bereich der Rekombinationsratenschätzung sind ungemeine Fortschritte zu beobachten. Erste Verfahren zur Schätzung der Rekombinationsraten von Populationen verwendeten Muster von „Linkage Disequilibrium“ (Kopplungsungleichgewicht von Allelen) um eine Untergrenze für die Anzahl an Rekombinationen festzulegen. Später wurden (Annäherungen) zu Maximum-Likelihood Methoden vorgestellt. Aufgrund des hohen rechnerischen Aufwands dieser Methoden wurden Hilfsverfahren wie Importance Sampling oder Markov chain Monte Carlo (MCMC) Methoden verwendet. Bekannte Software Pakete wie LDhat oder LDhelmet berechnen Rekombinationslandkarten basierend auf so genannten composite likelihoods und verwenden diese in einer Bayesianischen Umgebung. Diese Verfahren (und auch Erweiterungen wie LDpop, welche Demographie mitberücksichtigen) wurden verwendet um Rekombinationslandkarten des ganzen menschlichen Genoms zu schätzen. Allerdings benötigen diese Schätzungen eine extrem hohe Rechenleistung. ^Diese Dissertation stellt einen neuen Schätzer für Rekombinationsraten vor, welcher auf die korrekte Identifikation von Hotspots unter möglichst geringem Rechenaufwand abzielt. Daher stellen wir das Schätzverfahren LDJump mit den folgenden Schritten vor. Im ersten Schritt werden die Sequenzen in Segmente gleicher Länge unterteilt und eine Reihe von Maßzahlen je Segment berechnet. Im Vorhinein wurde ein Regressionsmodell unter Verwendung zahlreicher Maßzahlen basierend auf einer großen Anzahl von Simulationen geschätzt. In Schritt zwei wird dieses Regressionsmodell verwendet um konstante Rekombinationsraten pro Segment zu berechnen. Im dritten Schritt wird ein weiteres statistisches Verfahren angewandt um Bruchpunkte in der Rekombination unter Einhaltung des Fehlers erster Art zu schätzen. Mithilfe zahlreicher Simulationen wird gezeigt, dass die Rekombinationratenschätzung mit LDJump ähnlich in der Qualität jedoch wesentlich effizienter als mit existierenden Methoden ist. Mit LDJump können auch demographische Effekte berücksichtigt werden. Die Schätzungen von Rekombination an Teilen des menschlichen Genoms sind den Messungen von aktiver Rekombination sehr ähnlich Zusätzlich wird in dieser Dissertation der mögliche Zusammenhang von wiederholenden Mustern in DNA-Sequenzen, so genannten Mikrosatelliten, und Rekombination untersucht. Aus diesem Grund wird eine Maßzahl, poly-A Dichte, für eine mindestens sechs Mal wiederholte Aneinanderreihung des Nukleotids A vorgestellt. Bei der Berechnung dieser Maßzahl wird auch die unterschiedliche Länge der jeweiligen Region berücksichtigt. Existierende Landkarten gemessen mit aktiver Rekombination werden verwendet um eine Gruppierung in Hotspot Regionen und benachbarte Regionen vorzunehmen. Die poly-A Dichte wird in jeder dieser Regionen berechnet indem die Anzahl an poly-As durch die Länge der Region dividiert wird. Mithilfe eines Kruskal-Wallis Tests wird gezeigt, dass in Hotspot Regionen im Vergleich zu den benachbarten Regionen eine in etwa zweifache Erhöhung der poly-A Dichte gemessen wird. Die vorgestellten Methoden sind in den beiden R-Paketen LDJump und STRAH implementiert. Diese beiden Pakete sind auf Github sowie dem Comprehensive R Archive Network (CRAN) frei verfügbar.Recombination is a natural rearrangement of maternal and paternal genetic material leading to the formation of new haplotypes and an increase in genetic variability in populations. Precise estimates of recombination improve the estimation of other natural processes such as selection. Statistical estimation techniques have become increasingly important in the recent advent of sequencing methods that produce DNA sequences with high resolution. After first approaches which only computed the variability of populations, nowadays statistical methods are developed in order to infer natural phenomena such as demographic effects, regions under selection or to reconstruct haplotypes of (not only) human populations. Also estimation techniques identifying the variability of recombination rates have seen tremendous progress within the last couple of years. First approaches to estimate population recombination rates used patterns of linkage disequilibrium (LD) to create lower bounds on the number of recombination events. Subsequently (approximations to) maximum likelihood methods were introduced. The computational complexity to estimate these likelihoods lead to usage of either importance sampling or Markov chain Monte Carlo (MCMC) methods. The popular software packages LDhat or LDhelmet computed population recombination maps based on composite likelihoods within a Bayesian MCMC framework. These - and further extensions such as LDpop which takes demography into account - were used to compute recombination maps from e.g. human populations of the whole genome. However, these estimates are computed under very high computational costs. This dissertation introduces an estimator for fine-scale recombination rates with special focus to correctly identify recombination hotspots under low computational cost. The estimation procedure LDJump involves the following steps. First, we divide the sequence into segments of the same length and compute a set of summary statistics for these segments. We train a regression model using several summary statistics of a large set of simulations as predictors. This regression model is used to obtain constant recombination rate estimates per segment in step two. In the third step, we apply a statistical multiscale-criterion to estimate break points in recombination under type-I error control. We run extensive simulations and show that LDJump performs comparably in terms of accuracy but has shorter run times than existing methods. Furthermore, we extend the method to also include demographic effects. Real data applications on several human populations have been included to estimate both shared and population specific hotspot positions for all populations but also unique ones for single populations. Extensive comparisons with active recombination measures are performed and show a good overlap between estimated hotspots and measures of active recombination. Additionally, this dissertation investigates the possible correlation of repetitive patterns in DNA sequences, named microsatellites, with the frequency of recombination events. For this purpose, we introduce a measure named poly-A density (and density of A's) for repeats of the nucleotide A of minimum length 6. This measure is computed by dividing the frequency of poly-A's within a zone by the corresponding zone lengths in the human reference genome. Subsequently, we test for differences in the distribution of these densities when clustering them into active recombination hotspots zones and (five) adjacent surrounding regions. We detect an at least two-fold significant enrichment of poly-A densities in hotspot regions compared to flanking zones using Kruskal-Wallis test. The introduced methods are implemented in two R-packages named LDJump and STRAH. These two packages are available on Github and the Comprehensive R Archive Network (CRAN), respectively.Author Philipp Andreas Hermann, MScAbweichender Titel laut Übersetzung der Verfasserin/des VerfassersUniversität Linz, Dissertation, 2019OeBB(VLID)440689