Mapping Bias Overestimates Reference Allele Frequencies at the HLA Genes in the 1000 Genomes Project Phase I Data

Autor(es)

Brandt, Debora Y. C. ^[1] ; Aguiar, Vitor R. C. ^[1] ; Bitarello, Barbara D. ^[1] ; Nunes, Kelly ^[1] ; Goudet, Jerome ^[2] ; Meyer, Diogo ^[1]

Afiliação do(s) autor(es)

^[1] Univ Sao Paulo, Dept Genet & Evolutionary Biol, BR-05508090 Sao Paulo, SP - Brazil

^[2] Univ Lausanne, Dept Ecol & Evolut, Biophore, CH-1015 Lausanne - Switzerland

• Tipo de documento: Artigo Científico
• Fonte: G3-GENES, GENOMES, GENETICS; v. 5, n. 5, p. 931-941, MAY 1 2015.
• Citações Web of Science: 31

Resumo

Next-generation sequencing (NGS) technologies have become the standard for data generation in studies of population genomics, as the 1000 Genomes Project (1000G). However, these techniques are known to be problematic when applied to highly polymorphic genomic regions, such as the human leukocyte antigen (HLA) genes. Because accurate genotype calls and allele frequency estimations are crucial to population genomics analyses, it is important to assess the reliability of NGS data. Here, we evaluate the reliability of genotype calls and allele frequency estimates of the single-nucleotide polymorphisms (SNPs) reported by 1000G (phase I) at five HLA genes (HLA-A, -B, -C, -DRB1, and -DQB1). We take advantage of the availability of HLA Sanger sequencing of 930 of the 1092 1000G samples and use this as a gold standard to benchmark the 1000G data. We document that 18.6% of SNP genotype calls in HLA genes are incorrect and that allele frequencies are estimated with an error greater than +/-0.1 at approximately 25% of the SNPs in HLA genes. We found a bias toward overestimation of reference allele frequency for the 1000G data, indicating mapping bias is an important cause of error in frequency estimation in this dataset. We provide a list of sites that have poor allele frequency estimates and discuss the outcomes of including those sites in different kinds of analyses. Because the HLA region is the most polymorphic in the human genome, our results provide insights into the challenges of using of NGS data at other genomic regions of high diversity. (AU)

• Processo FAPESP: 12/18010-0 - Seleção balanceadora no genoma humano: detecção, causas e consequências
• Beneficiário: Diogo Meyer
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Processo FAPESP: 11/12500-2 - Má-adaptação como subproduto da adaptação: um estudo em escala genômica
• Beneficiário: Bárbara Domingues Bitarello
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Processo FAPESP: 13/12162-5 - Seleção balanceadora e diferenciação populacional em genes HLA
• Beneficiário: Débora Yoshihara Caldeira Brandt
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Mestrado
• Processo FAPESP: 14/12123-2 - Expressão e mapeamento de eQTLs em genes HLA: análises baseadas em ensaios de RNAseq de larga escala
• Beneficiário: Vitor Rezende da Costa Aguiar
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Processo FAPESP: 12/22796-9 - Diferenciação populacional em genes sob forte seleção balanceadora: um estudo de caso com genes HLA
• Beneficiário: Débora Yoshihara Caldeira Brandt
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Processo FAPESP: 12/09950-9 - Evolução de genes HLA: diferenciação populacional e sinais de seleção recente em populações nativas e miscigenadas do Brasil
• Beneficiário: Kelly Nunes
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado