Phylogeny-aided detection of contamination in nearly 5 million SARS-CoV-2 genomes
تقدم الدراسة PhyCD، وهي أداة حوسبية مدعومة بعلم الوراثة العرقي قامت بتحليل ما يقرب من 5 ملايين جينوم لفيروس SARS-CoV-2 لتحديد أكثر من 10,000 حالة تلوث وحجب ما يقرب من 65,000 استبدال خاطئ، مما يعزز موثوقية التحليلات اللاحقة لتطور المسببات المرضية وانتقالها.
المؤلفون الأصليون:Anoufa, O., Ly-Trong, N., Goldman, N., De Maio, N.
تخيل أنك محقق تحاول حل لغز من خلال قراءة مذكرات مثالية واحدة تركها مشتبه به. في عالم العلوم، هذه المذكرات هي الجينوم، وهو دليل تعليمات ضخم مكتوب بشفرة مكونة من أربعة أحرف (A وC وG وT) تخبر الكائن الحي كيف يبني نفسه. عندما يدرس العلماء فيروسات مثل SARS-CoV-2، فإنهم يقومون بتسلسل ملايين من هذه "المذكرات" لتتبع كيفية تغير الفيروس وانتشاره وتطوره بمرور الوقت. يشبه هذا الأمر قراءة ملايين النسخ من نفس الكتاب لرصد الأخطاء المطبعية الصغيرة التي تكشف عن فصل جديد في قصة الجائحة.
ومع ذلك، هناك مشكلة مخادعة: أحياناً، يتم خلط مذكرتين مختلفتين بالخطأ في دفتر ملاحظات واحد. يُسمى هذا التلوث. إذا كان العالم يقرأ مذكرات الشخص (أ)، ولكن بعض الصفحات من مذكرات الشخص (ب) ملتصقة بالداخل، فإن القصة الناتجة تصبح مزيجاً مربكاً. قد يبدو الأمر وكأن الفيروس قد اخترع فجأة قوة خارقة جديدة أو انتقل إلى فرع جديد في شجرة العائلة، بينما في الواقع، لم يكن الأمر سوى خلطة فوضوية. هناك تعقيد آخر وهو سقوط الأمبليكون (amplicon dropout). تخيل أنك تحاول تصوير كتاب باستخدام آلة تصوير، لكن الغراء على كعب الكتاب لزج، مما يجعل الآلة تتخطى فصلاً كاملاً. إذا تم تخطي "فصل" الفيروس الرئيسي، ولكن تم نسخ جزء صغير من "فصل" الملوث بدلاً منه، فإن القصة النهائية ستبدو خاطئة تماماً. يحتاج العلماء إلى طريقة لرصد هذه الخلطات الفوضوية وإصلاح القصة قبل أن يحاولوا التنبؤ بمستقبل الفيروس.
هنا يأتي دور أداة جديدة تسمى PhyCD (الكشف عن التلوث بمساعدة علم الوراثة العرقي)، والتي طورها فريق من الباحثين لتنظيف ما يقرب من 5 ملايين جينوم لفيروس SARS-CoV-2. فكر في شجرة عائلة الفيروس كخريطة مدينة واسعة ومنتشرة حيث كل مبنى هو عينة فيروس. عادةً، تندمج عينة الفيروس بدقة في حي معين. ولكن إذا كانت العينة ملوثة، فستبدو كمبنى تم لصقه عشوائياً في شارع مختلف، بعيداً عن المكان الذي تنتمي إليه. استخدم الباحثون PhyCD لمسح ما يقرب من 5 ملايين جينوم، بحثاً عن هذه المباني "الملصقة". وجدوا أن حوالي 10,942 عينة كانت مشبوهة. ومن خلال الحجب (أو الإخفاء) للأجزاء الفوضوية من الجينوم حيث حدث التلوث على الأرجح، تمكنوا من إعادة العينة إلى مكانها الصحيح في شجرة العائلة.
اكتشف الفريق أنه بينما كانت أحداث التلوث هذه نادرة — حيث تحدث في حوالي 0.1% فقط من العينات التي فحصوها — فإن العدد الهائل من الفيروسات التي يتم تسلسلها يعني أن آلاف الجينومات كانت تقدم قصة خاطئة محتملة. وعندما طبقوا طريقة التنظيف الخاصة بهم، وجدوا أنها نجحت في إزالة أكثر من 64,000 "خطأ مطبعي" (استبدال) كان سيؤدي إلى استنتاجات غير صحيحة حول كيفية تطور الفيروس. ومن المثير للاهتمام أن الباحثين وجدوا أيضاً أن طريقتهم قد تصنف أحياناً عينات ليست ملوثة بالفعل (حوالي نصف العينات التي تم رصدها كانت "إنذارات كاذبة")، لكنهم قرروا أنه من الأفضل أن يكون المرء حذراً من باب الاحتياط؛ فمن الأفضل إخفاء بعض الصفحات الحقيقية من المذكرات لضمان دقة بقية القصة، بدلاً من ترك مزيج فوضوي يربك التحقيق بأكمله.
تشير الورقة البحثية إلى أن هذا النهج يعد وسيلة قوية للحفاظ على نظافة المراقبة الجينومية، خاصة عند التعامل مع الحجم الهائل للبيانات الناتية خلال الجائحة. ومع ذلك، يوضح المؤلفون بحذر أنهم لم "يحلوا" مشكلة التلوث إلى الأبد؛ بل قاموا ببناء مرشح فعال للغاية يشير إلى العينات التي تحتاج إلى نظرة ثانية. كما أشاروا إلى أن طريقتهم تعتمد على وجود شجرة عائلة ضخمة وموثوقة للمقارنة بها، وهو أمر يعمل بشكل رائع مع SARS-CoV-2 ولكنه قد يكون أصعب في الاستخدام مع الفيروسات الأخرى التي لا تتوفر لها بيانات كثيرة بعد. في نهاية المطاف، يعمل PhyCD مثل محرر يقظ، يضمن أن تكون ملايين القصص الفيروسية التي نقرأها حقيقية قدر الإمكان، مما يمنعنا من استخلاص استنتاجات خاطئة حول الخطوة التالية للفيروس.
ملخص تقني: التقييم المعتمد على علم الوراثة العرقي للكشف عن التلوث في ما يقرب من 5 ملايين جينوم لفيروس SARS-CoV-2
بيان المشكلة أدى الحجم الهائل لتسلسل جينوم SARS-CoV-2، الذي تجاوز 17 مليون تسلسل في المستودعات العامة، إلى فرض تحديات كبيرة في جودة البيانات. ويعد تلوث العينات مصدراً رئيسياً للخطأ، حيث يتم خلط جينومات متعددة من مضيفين مختلفين عن طريق الخطأ أثناء عملية التسلسل. وبينما يمكن اكتشاف الملوثات ذات الوفرة العالية غالباً، فإن التلوث منخفض الوفرة المقترن بـ "فقدان الأمبليكون" (amplicon dropout) يمثل مشكلة محددة وصعبة الاكتشاف. ففي التسلسل القائم على الأمبليكون (وهو المعيار المستخدم لـ SARS-CoV-2)، يمكن أن تؤدي الطفرات في مواقع ارتباط البادئ (primer binding sites) إلى منع تضخيم الجينوم الرئيسي في عينة ملوثة. ونتيجة لذلك، قد تهيمن قراءات الجينوم الملوث (الأقل وفرة) على مناطق معينة، مما يؤدي إلى تكوين تسلسل إجماعي هجين يبدو زائفاً كأنه إعادة تشكيل جيني (recombination) أو يُدخل طفرات خاطئة. يمكن لهذه المصنوعات (artifacts) أن تعطل التحليلات اللاحقة، بما في ذلك تحديد السلالات، وتتبع الانتقال، والاستدلال التطوري. وغالباً ما تفشل الطرق الحسابية الحالية في مراعاة التفاعل المحدد بين التلوث منخفض المستوى وفقدان الأمبليكون.
المنهجية: مسار عمل PhyCD يقدم المؤلفون PhyCD (الكشف عن التلوث المعتمد على علم الوراثة العرقي)، وهو مسار عمل حسابي مصمم لتحديد وحجب أخطاء التسلسل الإجماعي الناتجة عن الجمع بين التلوث وفقدان الأمبليكون. يعمل المسار عبر الخطوات التالية:
المعالجة المسبقة للبيانات واختيار المرجع:
يستخدم البحث مجموعة بيانات مكونة من 4,952,451 جينوم لـ SARS-CoV-2 تم تجميعها باستخدام Viridian، والذي يعالج بالفعل تحيزات المرجع ويحجب المواقع ذات التغطية المنخفضة أو غير المتجانسة للغاية.
تم اختيار "مجموعة مرجعية" مكونة من 785,011 عينة بناءً على معايير صارمة: يجب أن تكون خالية من أي مواقع تقل تغطيتها عن حد معين، وأن تحتوي على عدد قليل جداً من المواقع غير المتجانسة (heterozygous sites). ويُفترض أن هذه العينات خالية من أخطاء الإجماع المرتبطة بالتلوث.
تم استنتاج شجرة وراثية ذرية (phylogenetic tree) واسعة النطاق من هذه المجموعة المرجعية باستخدام MAPLE (الإصدار 0.7.5).
حجب فقدان الأمبليكون (Dropout Masking):
بالنسبة لعينات "الاختبار" المتبقية، يحدد المسار المناطق التي تنخفض فيها تغطية التسلسل بشكل كبير مقارنة بمتوسط تغطية العينة.
يتم تطبيق عتبة ρ (تم اختبارها عند 5%، 10%، 15%، 20%)، حيث يتم حجب المواقع التي تقل تغطيتها عن max(50,ρ×Ms) (حيث Ms هو متوسط التغطية). يستهدف هذا المناطق التي قد يكون قد حدث فيها فقدان لقراءات الجينوم الرئيسي، تاركةً فقط قراءات الملوث.
لكل عينة، يتم إنشاء ثلاثة أنواع من التسلسلات الإجماعية:
المحجوب بفقدان الأمبليكون (Dropout masked): مناطق محجوبة بناءً على انخفاض التغطية.
المحجوب عشوائياً (Randomly masked): ضابط يتم فيه حجب نفس عدد المواقع عشوائياً للتمييز بين الإشارة الحقيقية والضجيج.
الوضع الوراثي وكشف الإشارة:
يتم وضع الأنواع الثلاثة من التسلسلات وراثياً على الشجرة المرجعية باستخدام MAPLE.
يعتمد المنطق الجوهري على افتراض أن الأخطاء الناجمة عن التلوث تخلق استبدالات اصطناعية تزيد من المسافة الوراثية (طول الفرع) عن السلالة التطورية الحقيقية.
إذا وُضع التسلسل المحجوب بفقدان الأمبليكون في مكان أقرب بكثير إلى الشجرة المرجعية (طول فرع أقصر) من التسلسل غير المحجوب بفقدان الأمبليكون، فهذا يشير إلى أن المناطق المحجوبة احتوت على استبدالات خاطئة ناتجة عن التلوث.
يتم تحديد العينات التي يكون فيها التسلسل المحجوب بفقدان الأمبليكون أقرب إلى الشجرة بمقدار استبدالين على الأقل من التسلسل غير المحجوب كعينات "يُشتبه في تلوثها".
البحث عن الملوث (اختياري):
يحاول المسار تحديد "الملوثات المحتملة" بين العينات المرجعية من خلال التحقق من التشابه في المناطق المحجوبة والمواقع غير المتجانسة. ومع ذلك، أشار المؤلفون إلى أن النماذج القائمة على الاحتمالية ودرجات التشابه لم تحقق قدرة تمييز كافية لتصفية الإيجابيات الكاذبة بفعالية في هذه المجموعة المحددة من البيانات.
النتائج الرئيسية
نطاق الكشف: عند تطبيقه على ما يقرب من 5 ملايين جينوم، حدد PhyCD 10,942 عينة يُشتبه في تلوثها باستخدام معايير محافظة (ρ=5%).
تقدير الإيجابيات الكاذبة: من خلال المقارنة مع ضابط الحجب العشوائي، حدد المؤلفون 5,457 عينة تم وضع علامة عليها بواسطة عملية الحجب العشوائي. وهذا يشير إلى أن حوالي 50% من العينات التي تم وضع علامة عليها قد تكون إيجابيات كاذبة (أي طفرات حقيقية تم حجبها بسبب انخفاض التغطية).
التأثير على البيانات: عبر الجينومات التي تم وضع علامة عليها، حدد PhyCD وسمح بحجب 64,753 استبدالاً كان من الممكن أن تسبب أخطاء في التحليلات اللاحقة.
حساسية المعلمات: أدت زيادة عتبة التغطية ρ إلى زيادة عدد العينات التي تم وضع علامة عليها ولكنها أدت إلى تدهور نسبة الإشارة إلى الضجيج (من 2.0 عند ρ=5% إلى ~1.6 عند ρ=20%). أدت العتبات الأعلى إلى فقدان مفرط للمعلومات الجينية الحقيقية.
دراسة حالة: أظهر تحليل لعينة محددة (SRB24221569) أن حجب مناطق انخفاض التغطية قلل من طول فرع الوضع الوراثي من 2.1 إلى 0، مما وضع العينة مباشرة على عينة مرجعية موجودة وزاد من ثقة الوضع من 0.32 إلى 0.94. وأكد تصور عمق القراءة وجود انخفاض في التغطية وعدم تجانس يتوافق مع فرضية التلوث.
الأهمية والادعاءات يدعي البحث أن PhyCD يوفر طريقة قابلة للتوسع ومعتمدة على علم الوراثة العرقي للكشف عن مصنوعات التلوث التي لا يمكن رؤيتها بواسطة فلاتر التجانس التقليدية بسبب فقدان الأمبليكون.
إدارة المقايضة: يؤكد المؤلفون على وجود مقايضة متأصلة بين الحساسية والدقة. وبينما قد تبدو نسبة 50% من الإيجابيات الكاذبة مرتفعة، إلا أن المؤلفين يجادلون بأنه في سياق المراقبة العالمية، من المفيد حجب أو استبعاد حوالي 5,000 عينة يحتمل تلوثها (0.1% من إجمالي مجموعة البيانات) لمنع انتشار المصنوعات في استدلال إعادة التشكيل الجيني وتحديد السلالات.
القابلية للتوسع: نجح النهج في التعامل مع بيانات على نطاق الجائحة (ملايين الجينومات) من خلال الاستفادة من أدوات الوضع الوراثي الفعالة مثل MAPLE.
القابلية للتعميم: رغم تطويره لـ SARS-CoV-2، يشير المؤلفون إلى إمكانية توسيع نطاق هذه الطريقة لتشمل مسببات الأمراض الأخرى التي تعتمد على تسلسل الأمبليكون، بشرض وجود شجرة وراثية مرجعية كثيفة بما يكفي.
القيود: يقر المؤلفون بتواضع بوجود نقص في مجموعة بيانات "المعيار الذهبي" (gold-standard) التي تم التحقق منها تجريبياً لتثبيت معدلات الإيجابيات الحقيقية. كما أشاروا إلى أن المسار الحالي يعتمد على خطوات تصفية متتالية بدلاً من نموذج احتمالي موحد، مما قد يوفر نظرياً قوة أعلى ولكنه يطرح تحديات حسابية بهذا الحجم.
في الختام، توضح الدراسة أن الوضع الوراثي يمكن أن يعمل كإشارة موثوقة للكشف عن التلوث على نطاق الجائحة، مما يكشف أنه بينما يكون التلوث الذي يؤثر على التسلسلات الإجماعية نادراً نسبياً (~0.1%)، فإن العدد المطلق للجينومات المتأثرة كبير بما يكفي لاستدعاء أدوات التنظيم الآلي مثل PhyCD.