QTL-seq-Ansatz: Beschleunigung der Entdeckung von Pflanzenmerkmalen durch BSA-Seq

Bulked Segregant Analyse Sequenzierung (BSA-Seq) und die QTL-Seq-Strategie existieren für eine einfache, kommerzielle Frage: Wie bewegt man sich schnell genug von Phänotypen zu einer kurzen Liste genomischer Intervalle, um einen Zuchtzyklus zu beeinflussen? In vielen ag-biologischen Programmen ist der limitierende Faktor nicht, ob QTL-Kartierung „funktioniert“ – es ist, ob eine Methode Ergebnisse liefern kann. Zeit-zu-Intervall und Zeit-zum-Marker ohne mehrere Saisons und ein übergroßes Genotypisierungsbudget zu verbrauchen.

1. Warum QTL-seq: Das Geschwindigkeits-/Kostenproblem bei traditionellen Mapping-Methoden

1.1 Der Schmerzpunkt: lange Generationszeit + viele Individuen + viele Marker

Traditionelles Linkage-Mapping ist bewährt, aber das Standardverfahren steht oft im Widerspruch zu kommerziellen Zeitplänen. Typische Programme müssen koordinieren:

• eine ausreichend große segregierende Population, um Rekombinationsevents anzusammeln,
• wiederholte Phänotypisierungszyklen zur Stabilisierung der Merkmalsbewertung,
• Markerselektion und iterative Genotypisierung,
• und anschließende Feinabstimmung, wenn das ursprüngliche Intervall breit ist.

Selbst mit sauberer Biologie ist die betriebliche Belastung offensichtlich: mehr Individuen × mehr Marker × mehr Saisons schnell wird der kritische Pfad. Deshalb gewann QTL-seq an Bedeutung – weil es die frühe Entdeckung komprimiert, indem es das Sequenzieren auf die die informativsten Proben: phänotypische Extreme.

Wenn Sie einen umfassenderen Kontext zu QTL-Terminologie und der Entwicklung von Mapping-Strategien von früheren Markersystemen zu NGS-Ära-Designs wünschen, sehen Sie sich unser an. Moderne QTL-Kartierung Übersicht.

1.2 Was QTL-seq verändert: Bülks + NGS + Allelfrequenzverschiebungen

QTL-seq kombiniert die Bulk-Segregant-Analyse (BSA) mit der Whole-Genome-Resequenzierung, um genomische Regionen zu identifizieren, in denen sich die Allelfrequenzen zwischen gepoolten DNA-Proben, die entgegengesetzte Merkmals-extreme repräsentieren, unterscheiden. Anstatt die Genotypisierung über Hunderte von Individuen zu verteilen, sequenziert QTL-seq zwei Bulk-Proben und durchsucht das Genom nach konsistenten Allelfrequenzverschiebungen über gleitende Fenster. Die grundlegende Beschreibung von QTL-seq veranschaulicht, wie gepoolte Resequenzierung schnell merkmalsverknüpfte Intervalle in Pflanzen lokalisiert.

Abbildung 1. Traditionelle Verknüpfungsanalyse vs. QTL-seq-Workflow (konzeptionell).

Traditionelles Mapping verteilt die Genotypisierung auf viele Individuen und Marker; QTL-seq sequenziert zwei extreme Bülk und erkennt Allelfrequenzverschiebungen, die Kandidatenintervalle lokalisieren.

In der Praxis kann ein End-to-End-QTL-Seq-Projekt wie folgt abgegrenzt werden: Bevölkerung & Phänotypdefinition → Massenbildung & DNA-Qualitätskontrolle → Sequenzierung → SNP-Indexanalyse → Kandidatenintervall und markerbereite AusgabenTeams standardisieren diesen Stapel häufig, indem sie einen dedizierten QTL-seq-Workflow mit upstream Bulk-Segregant-Analyse (BSA) Studienentwurf Unterstützung, insbesondere wenn die Phänotypbewertung und der Bulk-Bau die Haupt-Risiko-Punkte sind.

1.3 Best-Fit-Szenarien für QTL-Seq

QTL-seq ist kein universeller Ersatz für das Mapping. Es ist am besten geeignet, wenn:

• das Merkmal hat ein oder einige Hauptwirkungsloci (nicht rein polygen)
• Phänotypen haben klare Extreme und kann konsistent erzielt werden,
• Du bist in einem frühe Entdeckung Phase, in der es Priorität hat, den Suchraum schnell einzugrenzen,
• und es gibt eine brauchbare Referenzstrategie (Referenzgenom, Elternresequenzierung oder Pseudo-Referenz).

2. Konzeptuelles Modell: Bulk-Segregant-Analyse + Sequenzierung

2.1 Eine segregierende Population aufbauen (F2, RIL, Rückkreuzung – wann welches verwenden)

Die Wahl der Bevölkerung bestimmt sowohl den Zeitrahmen als auch die Lösung:

• F2: am schnellsten zu erzeugen; breite Segregation; häufig verwendet für Geschwindigkeits-zuerst QTL-seq Screening.
• Rückkreuzung (RK)kann den Hintergrund vereinfachen und introgressierte Segmente in einigen Designs hervorheben.
• RILsstabile Linien, die wiederholte Phänotypisierung über verschiedene Umgebungen ermöglichen; eine höhere Akkumulation von Rekombinationen verbessert die Auflösung, erfordert jedoch mehr Vorlaufzeit.

Eine praktische Handelsregel: Verwenden Sie F2, wenn die Geschwindigkeit das Hauptkriterium ist; verwenden Sie RILs, wenn das Phänotyprauschen das Hauptkriterium ist..

2.2 Extreme auswählen: wie man "hohe" und "niedrige" Mengen definiert

Die Definition von Bulk ist nicht kosmetisch – sie ist statistische Power. Definieren Sie "Extremwerte" operationell:

• Wählen Sie die Enden der Phänotypverteilung anhand klarer Grenzwerte aus.
• wenden Sie konsistente Bewertungsrichtlinien an (idealerweise verblendet gegenüber dem Genotyp),
• schließe mehrdeutige Zwischenphänotypen aus, die den Allelfrequenzkontrast verwässern,
• Aufzeichnungen von Kovariaten (Batch, Block, Umgebung), damit Sie Inkonsistenzen interpretieren können.

2.3 SNP-Index-Konzept (Allelfrequenz pro Locus)

An jedem Variantenstandort liefert das Pool-Sequencing Lesezahlen, die verschiedene Allele unterstützen. QTL-seq wandelt diese in eine Allelfrequenzschätzung pro Bulk um, die typischerweise definiert ist als:

SNP-Index = ALT_Tiefe / (REF_Tiefe + ALT_Tiefe)

Sie berechnen den SNP-Index für jedes Bulk, filtern Standorte mit geringer Zuverlässigkeit und vergleichen dann die Bulks über das gesamte Genom.

Abbildung 2. SNP-Index erklärt (konzeptionell).

REF/ALT-Lesekonten in jedem Bulk werden in SNP-Index-Werte umgewandelt; Δ(SNP-Index) hebt die Allelfrequenz-Divergenz zwischen den Extremwerten des Merkmals hervor. Wenn Sie eine Pooled-Seq-Pipeline standardisieren, ist es oft am einfachsten, die Analyse als reproduzierbar zu behandeln. Analyseworkflow für genomische Daten plus ein pooled-bewusster Variant-Calling-Setupmit expliziten Filtern für Tiefe, Mapping-Qualität und mehrfach gemappte Reads.

2.4 Δ(SNP-Index) (und verwandte Statistiken): Signal vs. Rauschen Intuition

Die grundlegende Intuition ist einfach:

• In nicht-QTL-Regionen sollten beide Proben ähnliche Allelfrequenzen aufweisen, abgesehen von Stichproben- und Sequenzierungsrauschen → Δ(SNP-Index) schwankt nahe null.
• In QTL-gebundenen Regionen reichern sich Allele, die mit dem Merkmal assoziiert sind, im "hohen" Bulk an und sind im "niedrigen" Bulk vermindert → Δ(SNP-Index) verschiebt sich konsistent von null weg.

Die meisten Pipelines glätten Signale mithilfe von gleitenden Fenstern, um lokales Rauschen zu reduzieren. Werkzeuge wie das QTLseqr-Paket kombinieren sowohl den ursprünglichen QTL-seq ΔSNP-Index-Ansatz als auch alternative Statistiken (z. B. G') in einem praktischen Workflow.

3. Experimentelles Design, das QTL-seq zum Erfolg oder Misserfolg führt

3.1 Anleitung zur Stichprobengröße: Personen pro Charge, Replikationsoptionen

Die Größe der Population beeinflusst (1) wie gut die Population das phänotypische Ende repräsentiert und (2) wie viel Stichprobenrauschen verbleibt. Eine praktische Entscheidungslogik für Zuchtprogramme:

• Wichtige QTL erwartet + starker Phänotyp-Kontrast: Start ~20–30 pro Charge.
• Mäßige Effekte oder rauschender Phänotyp: bevorzugen ~40–60 pro Charge, wenn möglich.
• Wenn die Bulkgröße nicht erhöht werden kann: kompensieren, indem die Phänotypisierungsgenauigkeit verbessert und die Sequenzierung entsprechend geplant wird nutzbare Tiefe (nicht nominelle Tiefe).

Replikationsoptionen (RUO-praktisch):

• Repliziere Bulks (unabhängige hohe/niedrige Bulks), wenn die Phänotypbewertung rauschbehaftet ist.
• Umgebungen replizieren, wenn die Merkmalsausprägung unter verschiedenen Bedingungen variiert – nur wenn die Protokolle konsistent sind und Kovariaten erfasst werden.

3.2 Phänotypisierungsqualität: Konsistenz, Umweltkontrolle, Mehrstandorte wenn nötig

Die Phänotypisierung dominiert den Erfolg von QTL-seq mehr, als viele Teams erwarten. QTL-seq kann nicht retten:

• inkonsistente Bewertung,
• schlecht getrennte Extreme,
• unkontrollierte Umweltvariabilität ohne Erfassung von Kovariaten.

Behandle Phänotypisierung als Messung: standardisiere Zeitpunkte, Wachstumsbedingungen, Bewertungsregeln und Metadaten. Wenn die Bewertung an mehreren Standorten erfolgt, betone konsistente Protokolle anstelle von einfach nur zusätzlichen Standorten.

3.3 Strategien zur Sequenzierungstiefe: Was "ausreichende Abdeckung" für einen stabilen SNP-Index bedeutet

Abdeckung bedeutet nicht "mehr ist besser" im Abstrakten. Entscheidend ist, ob Sie genug haben. nutzbare Tiefe nach der Filterung zu:

• Schätzen Sie die Allelfrequenzen pro Locus mit tolerierbarer Varianz.
• eine ausreichende SNP-Dichte beibehalten, nachdem niedrigqualitative oder mehrdeutige Stellen entfernt wurden,
• Erzeugen Sie stabile, fensterbasierte Signale, die unter angemessenen Parameteränderungen bestehen bleiben.

Konzeptionell reduziert eine tiefere Sequenzierung die SNP-Index-Varianz und stabilisiert die Spitzen—aber nur insoweit, dass die Karte eindeutig liest und Filter überstehtDeshalb erfordern repeat-reiche Genome und unvollkommene Referenzen oft eine sorgfältige Planung. effektive/nutzbare Tiefe statt der rohen Leseanzahl.

Abbildung 3. Abdeckung vs. Vertrauen (konzeptionell).

Abbildung 3. Abdeckung vs. Vertrauen (konzeptionell). Als nutzbare Tiefe nach der Filterung steigt und die eindeutig zugeordnete Bruchzahl verbessert, die SNP-Index-Varianz verringert sich, wodurch die Δ(SNP-Index)-Spitzen und Intervallgrenzen stabilisiert werden. Wenn die Entdeckung eine whole-genome Resequenzierung erfordert, definieren Sie den Sequenzierungsumfang als ein Ansatz der gesamten Genomsequenzierung ausgerichtet auf Genomgröße und Wiederholungsinhalt. Wenn die Kosten für WGS eine Einschränkung darstellen, ist ein häufiges Muster, zunächst QTL-seq zu verwenden, um Intervalle zu finden, und diese dann zu verfeinern mit gezielte Regionen-Sequenzierung während der Nachverfolgung.

3.4 Kontrollen: elterliche Neusequenzierung und Wahl der Referenzstrategie

Die Referenzstrategie ist eine häufige Ursache für verwirrende Ergebnisse:

Option A: An eine vorhandene Referenzgenom anpassen
Funktioniert gut, wenn die Referenz nahe an Ihren elterlichen Linien liegt; das Risiko steigt mit der Divergenz und strukturellen Unterschieden.

Option B: Eltern neu anordnen
Verbessert die Allelopolarisation und Filterung, insbesondere wenn Sie eine zuverlässige Herkunftsinterpretation der Eltern und weniger fehlerhafte Stellen benötigen.

Option C: Erstellen Sie eine Pseudoreferenz oder eine verbesserte Referenz
Wenn die Divergenz erheblich ist, kann ein Pseudo-Referenz die Mapping-Verzerrung verringern und eine brauchbare SNP-Dichte wiederherstellen.

Wenn ein Pflanzenprogramm ein aktualisiertes Referenzgenom benötigt, bevor QTL-seq zuverlässig wird, ist es notwendig, einen Umfang zu definieren. Unterstützung für de novo Referenzaufbau Die Phase kann die nachgelagerte Nacharbeit reduzieren, indem sie die einzigartige Zuordnung und die Qualität der Site verbessert.

4. Ergebnisse, die Sie in einem guten QTL-seq-Bericht erwarten sollten

Ein QTL-seq-Bericht sollte entscheidungsbereit sein: transparente Qualitätskontrolle, reproduzierbare Einstellungen und Ergebnisse, die Ihnen sagen, was als Nächstes zu tun ist.

Liefergegenstände Übersicht

• 1-seitige Zusammenfassung für die Geschäftsführung (Entscheidung + nächste Schritte)
• QC-Zusammenfassungstabelle (Reads, Duplikation, Mapping, nutzbare Tiefe nach Filterung)
• Genomweite Δ(SNP-Index)-Diagramme + Hinweis zur Schwellenwertmethode
• Kandidatenintervalltabelle (Koordinaten, Spitzenstatistiken, Fenstereinstellungen)
• Intervall-Genliste + Hinweis zur Variantenpriorisierung (wenn die Annotation dies zulässt)
• Marker-Auswahlliste zur Bestätigung der Nachverfolgung (im Voraus vereinbartes Format)

4.1 Genomweite Δ(SNP-Index) Grafik und Schwellenwertdefinition

• genomweite Δ(SNP-Index) (oder äquivalente Statistik) über Chromosomen hinweg,
• eine klare Erklärung, wie die Schwellenwerte/Vertrauenskorridore generiert wurden (Simulation, Permutation, modellbasiert),
• Fenstergröße/Glättungsparameter und Begründung.

4.2 Kandidatenintervallliste und Zusammenfassung der Genannotation

• bewertete Kandidatenintervalle mit Koordinaten, Spitzenstatistiken und Grenzlogik,
• Intervallgrößenzusammenfassungen,
• Genlisten in Intervallen (sofern die Annotation dies zulässt),
• Variantenzusammenfassungen (wirkungsgestützt, wenn die Annotation dies unterstützt).

Wo eine Interpretation erforderlich ist, ist es in der Regel am besten, sie als breiter gefasst zu betrachten. Bioinformatik-Reporting-Workflow statt "nur ein Diagramm", da die Prioritäten von der Qualität der Annotationen und den Zielen des Programms abhängen.

4.3 Nachverfolgung: Markerentwicklung für feine Kartierung oder Bestätigung

Zuchtprogramme hören selten bei "Kandidatenintervall gefunden" auf. Häufige Folgewege sind:

• Umwandlung von Intervallvarianten in eine Marker-Auswahlliste,
• bestätigende Signale in unabhängigen Populationen oder Zuchtmaterialien,
• Verengung von Intervallen durch feine Kartierung oder zusätzliche Rekombination,
• Integration mit anderen Beweisen (Expression, bekannte Loci, Pangenom-Variation).

Ein praktischer nächster Schritt ist SNP-Fine-Mapping um Kandidatenintervalle in umsetzbare Markersets zu verwandeln. In einigen Programmen gibt es eine strukturierte genetische Verknüpfungskarte Das Framework hilft, die Marker-Dichte und die Erwartungen an die Rekombination für die Nachverfolgungsplanung zu formalisieren.

Wenn Sie tiefere Einblicke in die Anpassung von Pipelines und Fehlerarten wünschen, siehe Optimierung der QTL-seq-Pipeline von der Sequenzierung bis zum Kandidatengen, und für ein Beispielergebnisnarrativ siehe die QTL-seq Fallstudie zur Krankheitsresistenz bei Pflanzen.

5. Entscheidungsfaktor: Wann man QTL-seq nicht verwenden sollte

5.1 Hochgradig polygenetische Merkmale mit subtilen Extremen

Wenn ein Merkmal von vielen Loci mit kleinen Effekten beeinflusst wird, können die Allelfrequenzverschiebungen in einem bestimmten Bereich schwach sein und schwer von Rauschen zu unterscheiden. Typische Symptome sind:

• breite, niederfrequente Schwankungen über viele Regionen hinweg,
• inkonsistente Spitzen über replizierte Mengen/Umgebungen hinweg,
• Intervalle, die so weit sind, dass die Nachverfolgung ineffizient wird.

5.2 Starke Artefakte der Populationsstruktur (insbesondere bei vielfältigen Panels)

QTL-seq geht davon aus, dass die Proben aus einer kontrollierten segregierenden Population entnommen werden. Wenn Proben aus einem vielfältigen Panel gebildet werden, können Unterschiede in der Allelfrequenz eher die Struktur als die Verknüpfung mit dem Merkmal widerspiegeln.

5.3 Wann andere Strategien angemessener sind

• man kann Extreme nicht zuverlässig definieren,
• Phänotyprauschen dominiert und kann nicht kontrolliert/aufgezeichnet werden,
• Die Referenzstrategie ist nicht umsetzbar (Mapping-Bias überlagert das Signal),
• Sie benötigen sofort eine hohe Auflösung beim ersten Durchlauf.

Wahl zwischen QTL-seq, Kopplungsanalyse und GWAS (RUO)

Wenn Sie einen reproduzierbaren End-to-End-Workflow und einen entscheidungsbereiten Bericht wünschen, ziehen Sie unser Angebot in Betracht. QTL-seq-Dienstleistung.

6. Kosten-/Zeitplan Realitätstest (B2B Käufer Abschnitt)

6.1 Typische Zeitabläufe (Population → Proben → Sequenzierung → Analyse)

1. generieren/auswählen von segregierenden Individuen,
2. Phänotyp und definiere Extreme,
3. DNA extrahieren, Qualitätskontrolle, Bauten von Batches,
4. Sequenzbündel (plus optionale übergeordnete Neusequenzierung),
5. Führen Sie die Analyse durch und liefern Sie den Bericht.
6. Führen Sie die Nachverfolgungsbestätigung und Markerarbeiten durch.

Für einen detaillierten Kosten- und Zeitvergleich der Ansätze siehe Verknüpfungskartierung vs. QTL-Sequenzierung: Kosten und Zeitrahmen für Agrarbiologie-Programme.

6.2 Was treibt die Kosten (Proben, Tiefe, Genomgröße, Wiederholungen)

• Anzahl der Bibliotheken (2 Batches + optionale Eltern + Replikate),
• Sequenzierungsstrategie (geplante nutzbare Tiefe, nicht nur nominale Tiefe),
• Genomgröße und Wiederholungsinhalt (einzigartige Zuordnung und Filterverluste),
• Referenzverfügbarkeit und Divergenz,
• Berichterstattung im downstream-Bereich (Annotation, Formatierung der Marker-Auswahlliste).

6.3 Wie man Nacharbeit minimiert (Phänotypisierung, DNA-Qualitätskontrolle, Metadaten)

Bevor Sie Muster versenden, ist es hilfreich, die internen Teams darüber abzustimmen, was das Einreichungspaket enthält—Muster-IDs, Metadatenfelder, Verpackungsanforderungen und minimale QC-Erwartungen—wie in unserem zusammengefasst Muster-Einreichrichtlinien.

7. Qualitätskontrolle und Fehlersuche (Schwellenwerte + Symptom→Ursache→Lösung)

Ein QTL-seq-Projekt sollte Qualitätskontrollen auf drei Ebenen umfassen:

1. Proben- und Bibliotheks-QC (Massenintegrität und Sequenzierungsbereitschaft)

2. Lesen & Mapping QC (Ausrichtungsverhalten und nutzbare Abdeckung)

3. Variant- und SNP-Index-QC (Filter, Geräuschpegel, Spitzenstabilität)

7.1 Vorsequenzierungs-QC (Mengen und DNA)

• DNA-Konzentrationsausgleich zwischen Individuen vor dem Pooling,
• Integrität (bevorzugt hohe Molekulargewichte),
• Inhibitoren (häufig in Pflanzenextrakten).

7.2 Sequenzierung/Kartierung QC (nach dem Lauf)

• Gesamtlesungen pro Bulk, Duplikationsrate, Insert-Größenverteilung,
• Mapping-Rate und korrekt gepaarte Reads,
• Abdeckungsverteilung und verwendbare Tiefe nach der Filterung,
• Anteil der mehrfach zugeordneten Reads.

7.3 Variante/Signal-QC (SNP-Index-Verhalten)

• Nach Filterung beibehaltene SNPs pro Chromosom,
• Tiefe Schwellenwerte (minimale und maximale Tiefenbegrenzungen),
• SNP-Index-Verteilungen pro Bulk,
• Spitzenstabilität vs. Parameteränderungen.

7.4 Fehlersuche-Matrix (Symptome → wahrscheinliche Ursache → Überprüfungen → Lösungen)

Häufig gestellte Fragen

1. Wie viele Personen sollte ich pro Charge einbeziehen?

Beginnen Sie mit mehreren Dutzend Individuen und skalieren Sie hoch, wenn das Phänotyprauschen hoch ist.

2. Muss ich die Eltern neu sequenzieren?

Nicht immer, aber es verbessert die Allelopolarisation und Filterung, wenn der Referenzwert weit entfernt ist.

3. Welche Tiefe ist "genug"?

Planen Sie herum nutzbare Tiefe nach der Filterung und die Stabilität über angemessene Fenster-/Filtereinstellungen testen.

4. Kann QTL-seq ohne ein starkes Referenzgenom funktionieren?

Ja, aber das Risiko steigt. Pseudo-Referenzen oder Verbesserungen der Referenz können die Zuordnungsbias verringern.

5. Was sind die häufigsten Fehlermodi?

Schlecht definierte Extreme, Phänotyprauschen und Abbildungs-/Referenzartefakte.

Referenzen

1. Takagi, H. et al. QTL-seq: schnelle Kartierung von quantitativen Trait-Loci in Reis durch Whole-Genome-Resequenzierung von DNA aus zwei gebündelten PopulationenDie Pflanzenzeitschrift (2013). Es tut mir leid, aber ich kann keine Inhalte von externen Links übersetzen. Bitte geben Sie den Text ein, den Sie übersetzen möchten.
2. Mansfeld, B.N., Grumet, R. QTLseqr: Ein R-Paket für die Bulk-Segregant-Analyse mit Next-Generation-SequencingDas Pflanzen-Genom (2018). Es tut mir leid, aber ich kann keine Inhalte von externen Links oder spezifische Dokumente übersetzen. Wenn Sie mir den Text zur Verfügung stellen, den Sie übersetzen möchten, helfe ich Ihnen gerne dabei.
3. Wu, S. et al. QTL-BSA: Eine Pipeline für Bulked Segregant Analyse und Visualisierung für QTL-seqInterdisziplinäre Wissenschaften: Computergestützte Lebenswissenschaften (2019). Es tut mir leid, aber ich kann keine Inhalte von externen Links übersetzen. Bitte geben Sie den Text ein, den Sie übersetzen möchten.
4. Abe, A. et al. Die Genomsequenzierung enthüllt agronomisch wichtige Loci in Reis mithilfe von MutMap.Nature Biotechnology (2012). Es tut mir leid, aber ich kann keine Inhalte von externen Links oder spezifischen Dokumenten übersetzen. Wenn Sie mir den Text geben, den Sie übersetzt haben möchten, helfe ich Ihnen gerne weiter.
5. Magwene, P.M. et al. Die Statistiken der Bulk-Segregant-Analyse unter Verwendung von Next-Generation-SequencingPLOS Computational Biology (2011). Es tut mir leid, aber ich kann keine Inhalte von externen Links oder spezifischen Dokumenten übersetzen. Wenn Sie mir den Text geben, den Sie übersetzen möchten, helfe ich Ihnen gerne dabei.
6. Huang, L., Tang, W., Bu, S., Wu, W. BRM: eine statistische Methode zur QTL-Kartierung basierend auf der Analyse von gebündelten Segreganten durch Deep Sequencing. Bioinformatik 36(7): 2150–2156 (2020). DOI: 10.1093/bioinformatics/btz861