Targeted next-generation sequencing based biomarker detection methods have become essential for biomedical diagnostics. In addition to their sensitivity and high-throughput capacity, absolute molecule counting based on unique molecular identifier (UMI) has high potential to increase biomarker detection accuracy even further through the reduction of systematic technical biases. Here, we present TAC-seq, a simple and cost-effective targeted allele counting by sequencing method that uses UMIs to estimate the original molecule counts of different biomarker types like mRNAs, microRNAs and cell-free DNA. We applied TAC-seq in three different applications and compared the results with standard sequencing technologies. RNA samples extracted from human endometrial biopsies were analyzed using previously described 57 mRNA-based receptivity biomarkers and 49 selected microRNAs at different expression levels. Cell-free DNA aneuploidy testing was based on cell line (47,XX,+21) genomic DNA. TAC-seq mRNA biomarker profiling showed identical clustering results to full transcriptome RNA sequencing, and microRNA detection demonstrated significant reduction in amplification bias, allowing to determine minor expression changes between different samples that remained undetermined by standard sequencing. The mimicking experiment for cell-free DNA fetal aneuploidy analysis showed that TAC-seq can be applied to count highly fragmented DNA, detecting significant (p=4.8×10-11) excess of molecules in case of trisomy 21. Based on three proof-of-principle applications we show that TAC-seq is a highly accurate and universal method for targeted nucleic acid biomarker profiling.

Abstract Cell-free DNA (cfDNA) is a rich source of biomarkers for various (patho)physiological conditions. Recent developments have used Machine Learning on large cfDNA data sets to enhance the detection of cancers and immunological diseases. Preanalytical variables, such as the library preparation protocol or sequencing platform, are major confounders that influence such data sets and lead to domain shifts (i.e., shifts in data distribution as those confounders vary across time or space). Here, we present a domain adaptation method that builds on the concept of optimal transport, and explicitly corrects for the effect of such preanalytical variables. Our approach can be used to merge cohorts representative of the same population but separated by technical biases. Moreover, we also demonstrate that it improves cancer detection via Machine Learning by alleviating the sources of variation that are not of biological origin. Our method also improves over the widely used GC-content bias correction, both in terms of bias removal and cancer signal isolation. These results open perspectives for the downstream analysis of larger data sets through the integration of cohorts produced by different sequencing pipelines or collected in different centers. Notably, the approach is rather general with the potential for application to many other genomic data analysis problems.

Abstract Whole-genome (WG) abnormalities, such as uniparental diploidy and triploidy, cause fetal death. Occasionally, they coexist with biparental diploid cells in live births. Understanding the origin and early development of WG abnormal blastomeres is crucial for explaining the formation of androgenotes, gynogenotes, triploidy, chimerism, and mixoploidy. By haplotyping 118 bovine blastomeres from first cleavages, we identified various mechanisms of heterogoneic divisions leading to WG abnormal blastomeres or their coexistence with normal blastomeres in both multipolar and bipolar cleaving zygotes. After culturing the totipotent blastomeres to three preimplantation stages and performing transcriptome profiling on over 600 cells, we discovered that stress responses contribute to developmental impairment in WG abnormal cells, resulting in either cell arrest or blastocyst formation. However, first-cleavage-derived WG abnormal blastomeres can survive early development and progress to blastocysts. Their potential dominance in preimplantation embryos represents an overlooked cause of abnormal development. Haplotype based screening could further increase pregnancy rates.