Onko-Gene

Veille critique en oncologie moléculaire des tumeurs solides

FREN

Bioinfo & IA

SomatiX: accurate and efficient somatic SNV detection from matched tumor-normal long-read DNA sequencing

Résumé

SomatiX est un nouvel outil d’apprentissage profond développé pour l’identification précise de variants somatiques mononucléotidiques (SNV) à partir de séquençage long-read apparié tumeur-normal (ONT et PacBio). Il s’appuie sur une représentation compacte d’alignement (pileup) sensible aux allèles, permettant de surmonter les limitations induites par le bruit de séquençage et la faible pureté tumorale. Lors d’évaluations comparatives sur lignées cellulaires cancéreuses, SomatiX a surpassé DeepSomatic et ClairS sur les données Oxford Nanopore tout en montrant des performances compétitives sur PacBio, avec des scores F1 moyens de 0,986 et 0,988 sur le chromosome 1 de test (pour une VAF ≥ 0,05). L’algorithme se distingue particulièrement par sa robustesse pour les variants à faible fraction allélique ainsi que par une rapidité d’exécution supérieure.

Analyse critique

SomatiX introduit une architecture de deep learning compacte reposant sur une représentation matricielle de type pileup sensible aux allèles, spécialement conçue pour discriminer le bruit de fond des technologies long-read des véritables mutations somatiques. L’algorithme a été confronté aux références DeepSomatic et ClairS sur divers jeux de données de lignées cellulaires, démontrant une supériorité sur les données Oxford Nanopore (F1 moyen de 0,986) et une excellente compétitivité sur Pacific Biosciences (F1 moyen de 0,988). Le code source, les scripts de benchmark et les modèles pré-entraînés sont intégralement accessibles en open source sur GitHub et Zenodo, assurant une parfaite reproductibilité. Sur le plan du déploiement opérationnel, sa rapidité d’exécution et sa sensibilité pour les faibles fractions alléliques en font une solution de choix pour accélérer l’intégration du séquençage long-read dans les pipelines d’oncologie génomique.

Le résumé et l’analyse ont été rédigés par un modèle de langage à partir du titre et du résumé de l’article original. L’article a été sélectionné automatiquement par un modèle, sans relecture humaine. Méthodologie