OTTER:异种移植多组学工作流的预印本摘要

我们的预印本 OTTER: Orchestrated Transcriptomic, Tumor-xenograft (PDX/CDX), and Epigenomic Reporting Workflow 已于 2026 年 10 月 27 日在 bioRxiv 公开。这里存一份摘要,中英各一,便于日后引用与检索。

摘要(原文)

Summary. Tumor xenograft sequencing libraries inevitably contain infiltrating murine host reads, but conventional deconvolution tools fail on bisulfite sequencing (BS-seq) because chemical C-to-T deamination collapses sequence entropy and destroys graft recall (< 0.015%). We present OTTER, an automated, compiled multi-omics workflow framework that decouples execution into static domain operators, an immutable reference registry, and a native strand-aware edit-distance engine, restoring bisulfite deconvolution (52%–54% recall across a 0%–99% compositional gradient) while preserving complete decision parity on transcriptomics.

Availability and implementation. OTTER is implemented in Go and Rust, runs on x86_64 Linux (including CentOS 7 with glibc 2.17), and is freely available open-source under the MIT License at github.com/otterlab-bio/otter test and validation data are provided at huggingface.co/datasets/fallingstar10/otter-data.

摘要(中译)

摘要. 肿瘤异种移植的测序文库不可避免地混入小鼠宿主 reads,而常规的去卷积工具在亚硫酸氢盐测序(BS-seq)上失效:化学性的 C 到 T 脱氨基压缩了序列熵,使移植物 reads 的召回率降到 0.015% 以下。我们提出 OTTER,一个自动化、编译式的多组学工作流框架,把执行过程拆解为静态领域算子、不可变的参考基因组注册表与原生链感知编辑距离引擎,从而恢复亚硫酸氢盐数据的去卷积能力(在 0%–99% 的组分梯度上召回率 52%–54%),同时在转录组数据上保持完整的判定一致性。

为什么要重写

异种移植(PDX/CDX,合称 XDX)是把人的肿瘤组织或细胞系种到免疫缺陷小鼠体内,能保住细胞异质性与药物反应性,代价是测序文库成了人鼠嵌合体——按瘤种、传代次数与血管化程度不同,小鼠来源的 reads 常占 10% 到 70% 以上。不去掉它们,就会得到假阳性突变、失真的表达计数和走样的甲基化谱。

已有的 Xenome、Disambiguate、XenofilteR、Xengsort 各自解决了 RNA 层面的问题,但都绕不开两件事:

  1. 对 BS-seq 根本不适用。亚硫酸氢盐把未甲基化的胞嘧啶变成尿嘧啶(扩增后读作胸腺嘧啶),四字母的基因组字母表收缩成不对称的三字母码,常规比对器与编辑距离判别器会把真实的转换当成错配。
  2. 都是碎片化的单点工具 —— 以脚本形式运行,缺少质控、调度与断点恢复。

OTTER 的起点是早期的 xdxtools(R + Snakemake)原型。它在生产集群上暴露出三个系统性瓶颈:Conda 依赖图频繁触发 SAT 求解僵局、CentOS 7 / glibc 2.17 上的动态链接符号错误、以及 Snakemake 在 Lustre/NFS 上的锁竞争与误判中止。于是整个架构推倒重来。

图 1 OTTER 的解耦架构:Go 控制平面与不可变参考注册表驱动 craftmake 编排器,派发静态编译的领域算子与 bamdriver 原语库,enva 只隔离重型比对器。原图 CC BY 4.0,取自预印本 Fig. 1。

架构上的三个决定

关键数字

指标结果
BS-seq 去卷积召回率51.61%–54.03%(0%–99% 组分梯度,43 个评估格)
宿主特异性约 99.92%
未打补丁的基线低于 0.015%
相对 xdxtools 原型的增益+0.63% 到 +0.70%;60% 人源混合时每百万 reads 多救回约 4000 条真实人源片段
转录组判定一致性100%(32.1M 片段 RNA-PDX,以及 0%–99% RNA 梯度)
methx vs methrix2.41 倍加速(1 m 32 s vs 3 m 41 s),峰值内存 18.62 GiB → 6.42 GiB
craftmake vs Snakemake 调度延迟2.7–4.2 s vs 9.5–19.8 s

那层 52%–54% 的“天花板”并非算法失灵,而是被主比对阶段的 C 到 T 熵收缩(𝜂align=54.01%)锁死的;在已比对的人源片段上,xenofilx 的去卷积保留率是 99.23%,1–10× 深度下基因组覆盖保真度超过 99.0%。四因素三水平参数审计(36 次运行)把错配阈值 𝑡=7 定为推荐操作界:召回 52.22%、F1 68.59%、特异性 99.92%。

验证环境

两套生产集群:杭州的机构超算(CentOS 7 / glibc 2.17,正是最难伺候的那一类)与 Paracloud 超算(Slurm + Lustre)。数据集覆盖 RRBS、RNA-seq、RNA-PDX 与 BS-PDX,包括一个 32.1M 片段的 RNA-PDX 与一个 45.2M 片段的 BS-PDX 公共 SRA 队列。

引用

Zheng Y, Liu X, Yi Y, Sun X, Liu F, Yan X, Man C-H, Gu H, Wang X, Zhang F. OTTER: Orchestrated Transcriptomic, Tumor-xenograft (PDX/CDX), and Epigenomic Reporting Workflow. bioRxiv 2026. DOI: 10.64898/2026.10.24.761506

预印本未经同行评议。文中数字均为 v1 版本结果,若后续有修订,以 bioRxiv 上的最新版本为准。