tRNAscan-SE has been widely used for transfer RNA (tRNA) gene prediction for over twenty years, developed just as the first genomes were decoded. With the massive increase in quantity and phylogenetic diversity of genomes, the accurate detection and functional prediction of tRNAs has become more challenging. Utilizing a vastly larger training set, we created nearly one hundred specialized isotype- and clade-specific models, greatly improving tRNAscan-SE's ability to identify and classify both typical and atypical tRNAs. We employ a new comparative multi-model strategy where predicted tRNAs are scored against a full set of isotype-specific covariance models, allowing functional prediction based on both the anticodon and the highest-scoring isotype model. Comparative model scoring has also enhanced the program's ability to detect tRNA-derived SINEs and other likely pseudogenes. For the first time, tRNAscan-SE also includes fast and highly accurate detection of mitochondrial tRNAs using newly developed models. Overall, tRNA detection sensitivity and specificity is improved for all isotypes, particularly those utilizing specialized models for selenocysteine and the three subtypes of tRNA genes encoding a CAU anticodon. These enhancements will provide researchers with more accurate and detailed tRNA annotation for a wider variety of tRNAs, and may direct attention to tRNAs with novel traits.

Abstract Detecting somatic mutations is a cornerstone of cancer genomics and clinical genotyping; however, there has been little systematic evaluation of the utility of RNA sequencing (RNA-seq) for somatic variant detection and driver mutation analysis. Variants found in RNA-Seq are also expressed, reducing the identification of passenger mutations and would not suffer from annotation bias observed in whole-exome sequencing (WES). We developed RNA-VACAY, a containerized pipeline that automates somatic variant calling from tumor RNA-seq data, alone, and evaluated its performance on simulated data and 1,349 RNA-seq samples with matched whole-genome sequencing (WGS). RNA-VACAY was able to detect at least 1 putative driver gene in 15 out of 16 cancer types and identified known driver mutations in 5’ and 3’ UTRs. The computational cost and time to generate and analyze RNA-seq data is lower than WGS or WES, which decreases the resources necessary for somatic variant detection. This study demonstrates the utility of RNA-seq to detect cancer drivers.

tRNAscan-SE has been widely used for whole-genome transfer RNA gene prediction for nearly two decades. With the increased availability of new genomes, a vastly larger training set has enabled creation of nearly one hundred specialized isotype-specific models, greatly improving tRNAscan-SE's ability to identify and classify both typical and atypical tRNAs. We employ a new multi-model annotation strategy where predicted tRNAs are scored against a full set of isotype-specific covariance models. A post-filtering feature also better identifies tRNA-derived SINEs that are abundant in many eukaryotic genomes, and provides a "high confidence" tRNA gene set which improves upon prior pseudogene prediction. These new enhancements of tRNAscan-SE will provide researchers more accurate detection and more comprehensive annotation for tRNA genes.