PathogenSurveillance: an automated pipeline for population genomic analyses and pathogen identification

Das Paper stellt PathogenSurveillance vor, eine quelloffene, automatisierte Nextflow-Pipeline, die Whole-Genome-Sequenzierungsdaten für die populationsgenomische Analyse und die Identifizierung von Pathogenen auf Art- und Unterartniveau verarbeitet und dabei sowohl kurze als auch lange Leselängen sowie gemischte Proben unterstützt.

Das Wesentliche

Stellen Sie sich vor, die Welt der Krankheitserreger (wie Bakterien oder Pilze) ist ein riesiges, chaotisches Lagerfeuer, bei dem ständig neue, unbekannte Gäste auftauchen. Früher mussten Experten wie Detektive jeden einzelnen Gast einzeln untersuchen, um zu wissen, wer er ist und woher er kommt. Das war langsam, teuer und erforderte viel Fachwissen.

Dieses Papier stellt nun einen neuen, automatisierten digitalen Sicherheitsdienst vor, der „PathogenSurveillance" heißt. Hier ist eine einfache Erklärung, wie er funktioniert, mit ein paar bildhaften Vergleichen:

1. Der Alleskönner-Roboter (Die Pipeline)

Stellen Sie sich PathogenSurveillance als einen hochintelligenten Roboter vor, der in einer Küche arbeitet.

• Das Problem: Früher musste ein Koch (der Wissenschaftler) wissen, welche Zutaten (Daten) er hat, welche Töpfe (Software) er braucht und wie er sie kombiniert. Das war kompliziert.
• Die Lösung: Dieser Roboter nimmt einfach die rohen Zutaten (die genetischen Daten aus einer Probe) entgegen. Egal, ob es sich um ein kleines Bakterium oder einen großen Pilz handelt, ob die Daten von einem alten oder neuen Gerät stammen – der Roboter kümmert sich um alles. Er schält, schneidet, kocht und serviert das fertige Gericht. Der Benutzer muss nur den „Start"-Knopf drücken.

2. Der schnelle Vorschmack (K-mer-Skizzen)

Bevor der Roboter das ganze Gericht zubereitet, macht er einen schnellen „Vorschmack".

• Die Analogie: Stellen Sie sich vor, Sie riechen an einem unbekannten Essen. Sie müssen nicht das ganze Rezept kennen, um zu sagen: „Das riecht nach italienischer Küche!"
• Im Detail: Der Roboter schaut sich nur kleine Schnipsel der DNA an (wie Geruchsmoleküle) und vergleicht sie sofort mit einer riesigen Bibliothek von bekannten Gerichten (der NCBI-Datenbank). So weiß er sofort grob, ob er es mit einem Bakterium oder einem Pilz zu tun hat.

3. Der intelligente Bibliothekar (Automatische Referenzwahl)

Das ist vielleicht das Genialste an dem System.

• Das Problem: Um einen unbekannten Gast genau zu identifizieren, braucht man einen Vergleich. Aber welcher Vergleich ist der richtige? Ein Experte müsste stundenlang in Büchern suchen.
• Die Lösung: Der Roboter hat einen eigenen, super-intelligenten Bibliothekar. Wenn er sieht, dass er es mit einem „Bienen-Bakterium" zu tun hat, holt er sich automatisch die besten Vergleichs-Bücher aus der Bibliothek. Er sucht nicht nur irgendein Buch, sondern die perfekten Exemplare, um den Gast genau einzuordnen. Er entscheidet sogar selbst, welche Bücher er braucht, damit er die Verwandtschaftsverhältnisse (wer ist der Cousin, wer der Onkel?) korrekt darstellen kann.

4. Der Familienbaum und das Stammbaum-Netzwerk

Am Ende des Tages möchte man wissen: „Wer ist wer und wie sind sie miteinander verwandt?"

• Die Visualisierung: Der Roboter erstellt keine langweiligen Tabellen, sondern interaktive Bilder.
  • Ein Stammbaum zeigt, wie die verschiedenen Proben miteinander verwandt sind (wie ein Familienbaum).
  • Ein Netzwerk zeigt, wie eng sie miteinander verbunden sind (wie ein U-Bahn-Netz, das zeigt, welche Stationen direkt verbunden sind).
• Der Bericht: Alles wird in einem schönen, interaktiven Bericht zusammengefasst, den man im Browser öffnen kann. Man kann mit der Maus über die Bilder fahren und sofort sehen, was sie bedeuten. Es ist so einfach wie das Bedienen einer Smartphone-App.

5. Warum ist das so wichtig?

Stellen Sie sich vor, ein neuer, gefährlicher Virus taucht in einem Dorf auf.

• Ohne Roboter: Man braucht Tage oder Wochen, bis man weiß, was es ist, und dann noch länger, bis man die Verwandtschaftsbeziehungen versteht. In der Zwischenzeit kann sich die Krankheit ausbreiten.
• Mit PathogenSurveillance: Der Roboter arbeitet über Nacht. Am nächsten Morgen hat der Bürgermeister (oder der Arzt) einen klaren Bericht: „Es ist ein neuer Typ von Bakterium X, er ist verwandt mit dem Ausbruch von 2020, und hier ist der genaue Stammbaum."

Zusammenfassung in einem Satz

PathogenSurveillance ist wie ein automatisierter, schlauer Koch, der aus rohen genetischen Daten sofort ein fertiges, verständliches Gericht serviert, damit wir neue Krankheitserreger blitzschnell erkennen und bekämpfen können, ohne dass wir selbst Biochemie-Studium abgeschlossen haben müssen.

Es macht die komplexe Welt der Genetik für jeden zugänglich, der schnell handeln muss, um unsere Gesundheit und unsere Nahrungsmittel zu schützen.

Technische Zusammenfassung

Problemstellung

Die globale Bedrohung durch neu auftretende invasive Krankheitserreger und Schädlinge nimmt aufgrund anthropogener Faktoren wie des intensivierten internationalen Handels zu. Herkömmliche Biosurveillance-Systeme können mit der Geschwindigkeit und Unvorhersehbarkeit dieser Ausbrüche oft nicht mithalten, was zu verzögerten Reaktionen führt.
Das Hauptproblem liegt in der Anwendung von Whole Genome Sequencing (WGS) als diagnostisches Werkzeug. Obwohl WGS eine umfassende, organismenagnostische Methode zur Früherkennung bietet, stehen der breiten Nutzung erhebliche Hürden im Wege:

• Mangelnde Infrastruktur und fehlende Expertise in Bioinformatik und Pathogenbiologie bei den Anwendern.
• Komplexität bestehender Pipelines, die oft manuelle Eingriffe bei der Auswahl von Referenzgenomen erfordern.
• Schwierigkeiten bei der Analyse gemischter Proben (Prokaryoten und Eukaryoten) oder unbekannter Organismen ohne a priori-Wissen.

Methodik: PathogenSurveillance

Als Antwort wurde PathogenSurveillance entwickelt, eine Open-Source-Pipeline, die auf dem Workflow-Management-System Nextflow und dem Community-Framework nf-core basiert. Sie ist als automatisierter Workflow für populationsgenomische Analysen konzipiert.

Kernmerkmale der Architektur:

1. Plattformunabhängigkeit: Läuft auf jedem Linux-System (Desktop, HPC-Cluster, Cloud) und nutzt Container-Technologien (Docker, Apptainer, Conda) für reproduzierbare Abhängigkeiten.
2. Eingabe und Flexibilität:
   • Akzeptiert kurze (Illumina) und lange Reads (PacBio, Oxford Nanopore).
   • Unterstützt gemischte Proben (Prokaryoten und/oder Eukaryoten).
   • Eingabe erfolgt über eine einfache TSV-Datei (Tab-getrennte Werte) mit Pfaden zu lokalen Dateien, URLs oder NCBI-Accession-Nummern (SRA/Biosample).
3. Automatisierter Workflow:
   • Referenzidentifikation: Nutzt bbmap sendsketch und sourmash für K-Mer-Analysen, um taxonomische Zugehörigkeiten vorläufig zu bestimmen und passende Referenzgenome aus der NCBI Assembly-Datenbank automatisch herunterzuladen.
   • Intelligente Referenzselektion: Ein regelbasiertes System wählt Referenzen basierend auf Taxonomie, Assembly-Qualität (z. B. Typ-Stämme, RefSeq-Status) und Average Nucleotide Identity (ANI) aus. Es unterscheidet zwischen „kontextuellen Referenzen" (für Phylogenie) und „Mapping-Referenzen" (für SNP-Analysen).
   • Prozessierung:
     • Prokaryoten: Genom-Annotation, Ortholog-Clustering, Kern-Gen-Phylogenie und SNP-basierte Phylogenie (mittels pangenome graph methods) sowie Minimum Spanning Networks.
     • Eukaryoten: Phylogenie basierend auf BUSCO-Genen (da automatisierte Annotation oft unpraktisch ist).
   • Qualitätskontrolle (QC): Integriert Tools wie FastQC, NanoPlot, fastp, Quast und BUSCO, zusammengefasst durch MultiQC.
4. Ausgabe: Generiert interaktive HTML-Berichte mit visualisierten Daten (Phylogenetische Bäume, Sunburst-Diagramme, Heatmaps für ANI/POCP) sowie strukturierte Ordner für Downstream-Analysen.

Hauptbeiträge

• Vollautomatisierung: Der Workflow führt alle Schritte von der Rohdatenverarbeitung bis zur phylogenetischen Analyse und Berichterstattung mit einem einzigen Befehl durch.
• Kontextbewusste Referenzselektion: Ein neuartiges, regelbasiertes System wählt Referenzgenome dynamisch aus, um sowohl die Genauigkeit der Identifizierung als auch die Kohärenz populationsgenomischer Analysen zu gewährleisten, ohne dass der Nutzer Referenzen manuell auswählen muss.
• Unterstützung gemischter Proben: Die Pipeline kann Proben, die sowohl prokaryotische als auch eukaryotische Organismen enthalten, parallel verarbeiten.
• Benutzerfreundlichkeit: Minimiert die Notwendigkeit fortgeschrittener bioinformatischer Kenntnisse durch Containerisierung, Fehlerwiederholungsmechanismen (Error Recovery) und Caching von Zwischenergebnissen.
• Open Source & FAIR-Prinzipien: Der Code ist unter der MIT-Lizenz auf GitHub verfügbar und folgt den FAIR-Prinzipien (Findable, Accessible, Interoperable, Reusable).

Ergebnisse und Validierung

Die Pipeline wurde mit verschiedenen Datensätzen validiert:

1. Serratia-Datensatz (Prokaryoten): Eine Analyse von 302 Serratia-Genomen zeigte, dass die von PathogenSurveillance generierte Phylogenie topologisch mit zuvor veröffentlichten Kern-Gen-Bäumen übereinstimmte. Die Art- und Linienzuteilungen waren hochkorreliert.
2. Honeybee-Mikrobiom (Automatisierte Referenzwahl): Bei der Analyse von Gilliamella apicola-Stämmen aus Honigbienen-Darmproben (Oxford Nanopore) wählte die Pipeline erfolgreich spezifische Referenzgenome aus, die die taxonomische Vielfalt abbildeten. Sie konnte auch bei simulierter Sequenzdivergenz (bis zu 10 %) robuste Referenzen auswählen.
3. Skalierbarkeit und Performance:
   • Tests mit Klebsiella pneumoniae zeigten einen linearen Anstieg der Laufzeit und RAM-Nutzung mit der Probenanzahl (bis zu 200 Proben).
   • Prokaryotische Genome (< 6 Mb) wurden in unter einer Stunde verarbeitet.
   • Eukaryotische Genome (bis zu 225 Mb) benötigten bis zu 13,6 Stunden, wobei der RAM-Verbrauch bis zu 70 GB betrug.
   • Die Pipeline läuft erfolgreich auf Standard-Linux-Desktops sowie HPC-Clustern.

Bedeutung und Ausblick

PathogenSurveillance stellt einen wichtigen Fortschritt in der Biosurveillance dar, indem es die Barriere für die Anwendung von WGS-Daten senkt.

• Schnelle Reaktion: Ermöglicht die schnelle Erkennung und Überwachung neuartiger Varianten und Erreger, was für die Eindämmung von Epidemien entscheidend ist.
• One Health: Durch die Fähigkeit, menschliche, tierische und Umwelt-Pfade gemeinsam zu analysieren, unterstützt es das One-Health-Konzept.
• Zugänglichkeit: Ermöglicht Forschern und Diagnostikern ohne tiefgehende Bioinformatik-Kenntnisse, komplexe populationsgenomische Analysen durchzuführen.

Einschränkungen: Die Pipeline unterstützt derzeit keine Viren (erfordern spezielle Metagenom-Ansätze), ist auf kultivierte Organismen optimiert (weniger geeignet für komplexe Umwelt-Metagenome) und kann bei großen Eukaryot-Genomen ressourcenintensiv sein. Dennoch bietet das Caching-System Flexibilität für iterative Analysen und Parameteranpassungen.

Zusammenfassend erweitert PathogenSurveillance das Werkzeugset für die globale Überwachung von Pathogenen und Schädlingen erheblich und fördert eine schnellere, datengestützte Reaktion auf biologische Bedrohungen.