Data Reduction in SARS-CoV-2 Amplicon Sequencing: Effects of Read Subsampling and Normalization on Consensus Quality, Lineage Assignment, and Computational Burden

لتتبع كيفية تغير الفيروسات وانتشارها، يعتمد العلماء على أداة قوية تسمى تسلسل الجيل التالي. تخيل أنك تلتقط صورة فوتوغرافية للشيفرة الوراثية الكاملة لفيروس ما، وهي عبارة عن سلسلة طويلة من التعليمات التي تخبر الفيروس بكيفية التصرف. ومن خلال قراءة هذه الشيفرات من العديد من المرضى المختلفين، يمكن للباحثين رصد المتغيرات الجديدة، وفهم كيفية تحرك الفيروس عبر المجتمع، ومراقبة الطفرات الخطيرة. ومع ذلك، فإن عملية التقاط هذه الصور الجينية ليست فعالة دائمًا؛ فالآلات المستخدمة لقراءة الشيفرة غالبًا ما تنتج بيانات أكثر بكثير مما هو ضروري حقًا، تمامًا مثل التقاط صورة فوتوغرافية بكاميرا تلتقط كل حبة رمل على الشاطئ بينما تحتاج أنت فقط لرؤية الأفق. هذا الفائض من البيانات يخلق عبئًا ثقيلاً على أجهزة الكمبيوتر، مما يبطئ عملية التحليل ويجعل من الصعب الحصول على إجابات في الوقت المناسب أثناء أزمة صحية عامة.

وضع فريق من الباحثين في يوتا هدفًا لحل مشكلة الفوضى الرقمية هذه. فقد ركزوا على نوع معين من التسلسل الجيني المستخدم لفيروس سارس-كوف-2 (SARS-CoV-2)، والذي يعتمد على طريقة تسمى "تسلسل الأمبليكون". تعمل هذه التقنية عن طريق نسخ قطع صغيرة ومحددة من الجينوم الفيروسي مرات عديدة حتى يمكن قراءتها بوضوح. ومن الآثار الجانبية المعروفة لعملية النسخ هذه هي أن بعض القطع تُنسخ أكثر بكوثير من غيرها، مما يخلق توزيعًا غير متكافئ للبيانات. ولضمان رؤية كل جزء من الفيروس، يقوم العلماء غالبًا بتسلسل العينات بما يتجاوز بكثير ما هو مطلوب، مما يولد ملفات ضخمة تستغرق وقتًا طويلاً لمعالجتها. أراد الباحثون معرفة ما إذا كان بإمكانهم التخلص بأمان من بعض هذه البيانات الزائدة لتسريع العملية دون فقدان القدرة على تحديد الفيروس أو اكتشاف المتغيرات الجديدة. وقد اختبروا طريقتين مختلفتين لتقليل البيانات: إحداهما تختار ببساطة قطعًا عشوائية للاحتفاظ بها، والأخرى تعمل بنشاط على موازنة البيانات لإصلاح عدم التساوي في النسخ.

تضمنت الدراسة تحليل البيانات الجينية من 220 عينة سريرية أُخذت من المرضى و12 عينة جُمعت من مياه الصرف الصحي، والتي تحتوي على مزيج من الفيروسات من أشخاص كثيرين في مجتمع ما. أخذ الباحثون مجموعات البيانات الأصلية الضخمة وقلصوها إلى أحجام أصغر مختلفة، واختبروا مدى قدرة الكمبيوتر على القيام بعمله. وقارنوا بين استراتيجيتين: الاستراتيجية الأولى، وهي "أخذ العينات الفرعية العشوائي"، كانت تشبه أخذ دلو من الكرات الملونة المختلطة وغرف حفنة أصغر منها بشكل أعمى؛ حيث حافظت هذه الطريقة على عدم التوازن الأصلي في البيانات ولكنها جعلت الكومة الإجمالية أصغر. أما الاستراتيجية الثانية، وهي "تطبيع عمق القراءة"، فكانت أشبه بفرز ذكي ينظر إلى الكومة، ويحدد الكرات الملونة الزائدة عن الحد، ويزيل الفائض منها لإنشاء حفنة متوازنة تمامًا.

أظهرت النتائج أن كلتا الطريقتين نجحتا في تقليل الوقت وقوة الكمبيوتر اللازمين لتحليل العينات، لكنهما عملتا بشكل أفضل لأهداف مختلفة. بالنسبة لعينات المرضى، حيث كان الهدف هو ببساطة تحديد نسخة الفيروس الموجودة، كانت طريقة "الغرف العشوائي" تعمل بشكل جيد طالما بقيت كمية كافية من البيانات. ومع ذلك، كانت طريقة "الفرز الذكي" هي الأفضل في إنشاء صورة كاملة ودقيقة للشيفرة الوراثية للفيروس؛ فقد سمحت للباحثين بالحصول على نتائج عالية الجودة باستخدام بيانات أقل بكثير مما تتطلبه الطريقة العشوائية. وتحديدًا، أنتجت طريقة الفرز الذكي خرائط جينية موثوقة عند عمق بيانات يبلغ 200 مرة من التغطية، بينما احتاجت الطريقة العشوائية إلى أكثر من 500 مرة من التغطية لتحقيق نفس المستوى من الاكتمال. وهذا يعني أنه بالنسبة لاختبار المرضى الروتيني، يمكن لاستخدام طريقة الفرز الذكي أن يوفر الكثير من وقت الحوسبة مع الاستمرار في تقديم الإجابات الواضحة التي يحتاجها الأطباء ومسؤولو الصحة العامة.

لكن القصة تغيرت عندما نظر الباحثون إلى عينات مياه الصرف الصحي. هذه العينات هي مخاليط معقدة تحتوي على سلالات فيروسية مختلفة في آن واحد، والهدف هو معرفة مقدار وجود كل سلالة بالضبط. في هذا السيناريو، وجد الباحثون أن التخلص من البيانات أمر خطير. فعندما قللوا كمية البيانات كثيرًا، واجه الكمبيوتر صعوبة في التمييز بين السلالات المختلفة. كما أن طريقة الفرز الذكي، رغم جودتها في موازنة البيانات، تسببت أحيانًا في خلق إشارات كاذبة عندما كانت البيانات شحيحة للغاية، مما جعل الأمر يبدو وكأن هناك سلالات مختلفة أكثر مما هو موجود بالفعل. أما الطريقة العشوائية فقد صمدت بشكل أفضل قليلاً عند مستويات البيانات المنخفضة جدًا، لكنها لا تزال تفشل في تقديم صورة موثوقة للمزيج الفيروسي في المجتمع. وخلصت الدراسة إلى أنه بينما يعد تقليل البيانات أداة قوية لتسريع التحليل الروتيني، يجب استخدامه بحذر شديد للمراقبة البيئية. فبالنسبة لمياه الصرف الصحي، يعد الاحتفاظ بحجم كبير من البيانات أمرًا ضروريًا لفك تشابك المزيج المعقد من الفيروسات المنتشرة في السكان.

في النهاية، يقدم هذا العمل دليلاً واضحًا لكيفية التعامل مع فيضان البيانات الجينية المتولدة أثناء مراقبة الفيروسات. فهو يوضح أنه لا توجد طريقة واحدة مثلى لتقليل البيانات؛ بل إن الخيار الصحيح يعتمد كليًا على السؤال المطروح. فإذا كان الهدف هو تحديد الفيروس بسرعة لدى المريض، فإن النهج الخفيف الذي يقلص البيانات يكون فعالاً وناجعاً. وإذا كان الهدف هو بناء أكثر خريطة جينية تفصيلًا ممكنة، فإن الطريقة التي تصحح انحيازات النسخ هي المسار الأفضل. ولكن عندما يتعلق الأمر بفهم المجموعات المعقدة والمختلطة الموجودة في البيئة، وجد الباحثون أن "البيانات الأقل ليست هي الأفضل". في تلك الحالات، يكون الحجم الكامل للمعلومات ضروريًا لتجنب تفويت التفاصيل الدقيقة التي تروي القصة الحقيقية لكيفية انتشار الفيروس. ومن خلال مطابقة استراتيجية تقليل البيانات مع المهمة المحددة، يمكن لمختبرات الصحة العامة جعل أنظمتها أسرع وأكثر استدامة دون التضحية بالدقة اللازمة لحماية المجتمعات.