Discovering Gene Variants From Low Error Sequencing Reads

Određivanje varijanti gena u populaciji više jedinki iz podataka dobivenih sekvenciranjem, s malom greškom. Aleli su varijante gena koje se pojavljuju na homolognim parovima kromosoma na istom mjestu. Parovi alela definiraju izražaj nekog fenotipskog obilježja. MHC je gen odgovoran za niz funkcija imunološkog sustava, a u populacijama se pojavljuje mnogo različitih alela ovog gena sa slabom zastupljenosti koje stoga nije jednostavno detektirati. Cilj ovog rada je rekreirati metodu identifikacije alela gena MHC koju je koristila Sommer 2013. te primijeniti tu metodu za prepoznavanje različitih alela u uzorku sekvenciranih gena MHC medvjeda na dva različita lokusa. Metoda je implementirana u programskom jeziku Java koristeći biblioteku BioJava za parsiranje i zapisivanje očitanja uzoraka gena dobivenih Illumina NGS sekvenciranjem u datoteke FASTQ formata. U radu su opisani koraci algoritma te analizirani i uspoređeni rezultati dobiveni iz tri različite analize nad svakim lokusom. Metoda uspješno detektira najzastupljenije alele u uzorcima te ilustrira probleme pri detekciji alela niske frekvencije uslijed prisutnosti povećanog broja potencijalno nevažećih očitanja u uzorku.Detecting gene variants in a population of individuals using data from low error-rate sequencing. Alleles are gene variants present in homologous chromosome pairs at the same place. A pair of alleles defines the expression of a particular phenotype trait. The MHC gene is responsible for a series of immune system functions and its alleles are present in populations in low frequencies, therefore, making it difficult to detect. This paper aims to recreate the method of identification of MHC gene alleles used by Sommer in 2013. and utilize that method for identification of different alleles in a sample of sequenced MHC genes of a bear on two different loci. The method is implemented in Java programming language using the BioJava library for parsing and writing sample gene reads from Illumina NGS sequencing to a FASTQ file. The paper contains the description of the algorithm's steps and result comparisons of three different analyses of each locus. The method successfully identifies most frequent alleles in the samples and illustrates the detection problems of low frequency putative alleles in the presence of an increased number of potentially invalid reads