Accounting for Defective Viral Genomes in viral consensus genome reconstruction, application to influenza virus

Das Paper stellt DIPScan vor, eine neue Nextflow-basierte Methode zur zuverlässigen Erkennung von deletierten viralen Genomen in Influenza-Sequenzierungsdaten und zur Korrektur von Konsensus-Genomen, um deren Genauigkeit für die epidemiologische Überwachung zu gewährleisten.

Das Wesentliche

Das Problem: Der "Defekte" im Virus-Orchester

Stellen Sie sich vor, Sie versuchen, das perfekte Lied einer Band aufzunehmen. Sie haben Tausende von Mikrofonen (das sind die Sequenzierungsdaten), die das Spiel der Band aufzeichnen. Ihr Ziel ist es, daraus eine einzige, klare Aufnahme zu erstellen, die zeigt, wie die Band wirklich klingt (das ist das Konsensus-Genom).

Das Problem bei Influenzaviren ist jedoch, dass sie nicht nur die "echten" Bandmitglieder produzieren. Sie produzieren auch viele defekte Kopien (genannt DelVGs oder Defective Interfering Particles).

• Die echte Band: Hat alle Instrumente und spielt das ganze Lied.
• Die defekten Kopien: Das sind wie Musiker, die nur die ersten 10 Sekunden des Liedes spielen und dann abrupt aufhören, oder die das Lied in der Mitte abbrechen und sofort wieder von vorne anfangen. Sie haben oft sogar eigene, verrückte Noten (Mutationen), die die echte Band gar nicht spielt.

In einem infizierten Patienten können diese "defekten Kopien" die echten Musiker an Zahl übertreffen. Wenn Sie jetzt alle Mikrofon-Aufnahmen mischen, um das "perfekte Lied" zu erstellen, passiert ein Fehler: Die Software denkt, die verrückten Noten der defekten Kopien seien Teil des echten Liedes, weil sie so oft vorkommen. Das Ergebnis ist ein fälschliches Lied, das niemand so gespielt hat. Das ist gefährlich, weil Wissenschaftler dann denken, das Virus habe sich verändert, obwohl es nur ein "Fehler" in der Aufnahme war.

Die Lösung: Der neue Detektiv "DIPScan"

Die Autoren dieser Studie haben ein neues Werkzeug namens DIPScan entwickelt. Man kann sich DIPScan wie einen hochintelligenten Musik-Detektiv vorstellen, der in den Tausenden von Aufnahmen nachschaut, um die echten Musiker von den Betrügern zu trennen.

Wie funktioniert DIPScan? (In 3 einfachen Schritten)

1. Der Spürhund (Erkennung):
   DIPScan schaut sich an, wo die Aufnahmen "abgeschnitten" sind. Wenn die echte Band das ganze Lied spielt, ist die Lautstärke überall gleich. Aber bei den defekten Kopien ist die Lautstärke am Anfang und am Ende laut, aber in der Mitte (wo das Lied fehlt) leise. DIPScan erkennt diese "Löcher" im Klangbild sofort.

   • Analogie: Es ist wie ein Detektiv, der merkt: "Hey, hier fehlt ein ganzer Satz im Text, aber die Wörter davor und danach sind da. Das ist ein Riss!"

2. Die Zählung (Wie viel ist echt?):
   Der Detektiv zählt nicht nur die Lücken, sondern berechnet genau: "Wie viel Prozent der Aufnahmen sind echte Bandmitglieder und wie viel sind nur die defekten Kopien?"

   • Analogie: Wenn 90 % der Leute im Raum nur den ersten Vers singen und nur 10 % das ganze Lied, weiß DIPScan: "Achtung, wir müssen uns auf die 10 % konzentrieren, um das echte Lied zu hören."

3. Die Korrektur (Das Lied reparieren):
   Jetzt kommt der wichtigste Teil. DIPScan schaut auf die "verrückten Noten", die nur die defekten Kopien singen.

   • Wenn die defekten Kopien die Mehrheit haben, sagt DIPScan: "Das ist nicht das echte Lied!" und löscht diese Noten oder setzt ein Fragezeichen (ein "N") an die Stelle.
   • Es versucht, die wahre Note der echten Band wiederherzustellen.
   • Analogie: Stellen Sie sich vor, Sie haben ein Foto, auf dem 80 % der Leute eine rote Brille tragen (weil die defekten Kopien eine rote Brille haben) und nur 20 % eine blaue. DIPScan erkennt: "Die rote Brille ist nur ein Fehler der Masse!" und retuschiert das Foto so, dass die blaue Brille (die echte Note) wieder sichtbar wird.

Warum ist das wichtig?

Bisher haben viele Labore diese defekten Kopien ignoriert oder manuell (mit der Hand) gesucht, was sehr langsam ist und leicht Fehler macht.

• Ohne DIPScan: Man könnte denken, das Virus sei mutiert und gefährlicher geworden, obwohl es nur ein "defektes Fragment" war. Das führt zu falschen Alarmen in der Überwachung von Pandemien.
• Mit DIPScan: Die Wissenschaftler erhalten ein sauberes, korrektes Bild des Virus. Das ist entscheidend, um zu wissen, gegen welche Impfstoffe wir uns schützen müssen.

Das Ergebnis

Die Autoren haben DIPScan getestet:

• Am Computer (Simulation): Es hat fast perfekt funktioniert und war viel genauer als andere existierende Werkzeuge.
• Im echten Leben (Patientenproben): Sie haben es auf hunderte echte Influenza-Proben angewendet. Es hat sich herausgestellt, dass in etwa 30 % der Proben diese defekten Kopien vorhanden waren! Ohne DIPScan wären viele dieser Proben falsch analysiert worden.

Zusammenfassend:
DIPScan ist wie ein smarter Filter für die Genom-Daten. Es reinigt das "Rauschen" der defekten Virus-Kopien, damit wir das echte Virus klar und deutlich sehen können. Es ist jetzt bereits im Einsatz, um die Überwachung von Grippeviren sicherer und genauer zu machen.

Technische Zusammenfassung

Titel:

Berücksichtigung defekter viraler Genome bei der Rekonstruktion von viralen Konsensusgenomen, angewendet auf Influenzaviren.

1. Problemstellung

In der viralen Überwachung ist die Generierung präziser Konsensusgenome aus Sequenzierungsdaten (NGS) entscheidend, um Mutationen von Interesse zu verfolgen und die genomische Vielfalt zu bewerten. Ein häufig übersehenes, aber kritisches Problem ist jedoch das Vorhandensein von Defekten Viralen Genomen mit Deletionen (DelVGs).

• Hintergrund: DelVGs entstehen durch große Deletionen im viralen Genom (oft in den Polymerase-Segmenten PB1, PB2, PA bei Influenza). Sie können als „Defekte Interferierende Partikel" (DIPs) fungieren und die Replikation des vollen Wildtyp-Virus behindern.
• Das Dilemma: In klinischen Proben können DelVGs die vollständigen Genome in der Abdeckung (Coverage) überwiegen. Da Standard-Konsensus-Algorithmen die häufigste Base an jeder Position wählen, führen dominante DelVGs dazu, dass:
  1. Mutationen, die spezifisch für die defekten Genome sind, fälschlicherweise in das finale Konsensusgenom integriert werden.
  2. Das resultierende Konsensusgenom eine chimäre Sequenz darstellt, die das tatsächliche Viruspopulation nicht korrekt widerspiegelt.
  3. Dies zu schwerwiegenden Fehlern wie vorzeitigen Stop-Codons oder Frameshifts führen kann.
• Lücken in bestehenden Tools: Bisherige Tools (z. B. ViReMa, DG-Seq, VODKA2) sind oft nicht für den automatisierten, großskaligen Einsatz in Routine-Laboren geeignet, liefern inkonsistente Ergebnisse bei der Detektion von Deletionsgrenzen oder korrigieren das Konsensusgenom nicht.

2. Methodik: DIPScan

Die Autoren stellen DIPScan vor, einen neuen, auf Nextflow basierenden Bioinformatik-Workflow, der speziell für Illumina-Daten entwickelt wurde, um DelVGs zu detektieren und das Konsensusgenom zu korrigieren.

Der Workflow umfasst sieben Hauptschritte:

1. Mapping (Read Mapping):
   • Ein zweistufiger Ansatz: Zuerst Mapping mit BWA-MEM2 für perfekt oder kurz abweichende Reads.
   • Unmapped Reads und Reads mit großen „Clips" (mindestens 8 Nukleotide) werden extrahiert und mit STAR (einem Spliced-Transcript-Mapper) neu gemappt, um Reads zu identifizieren, die große Deletionen überbrücken (Split-Reads).
2. Extraktion von Deletionsgrenzen: Identifikation von „skipped regions" (N im CIGAR-String) > 150 Nukleotiden.
3. Berechnung von Metriken: Für jede Deletionsgrenze werden Metriken wie unterstützende Reads, Split-Frequenz, Gesamtfrequenz und Coverage-Ratios (Start/Ende der Deletion) berechnet.
4. Auswahl von Breakpoints: Filterung basierend auf Mindestanzahl an Reads (>100) und Coverage-Verhältnissen, um Rauschen zu eliminieren.
5. Schätzung des DelVG-Anteils:
   • Das Genom wird durch die Breakpoints in Regionen unterteilt.
   • Ein lineares Gleichungssystem wird gelöst (mittels Non-Negative Least Squares, NNLS), um die relativen Häufigkeiten der verschiedenen DelVGs und des vollen Genoms basierend auf den Coverage-Daten und Split-Read-Zählungen zu schätzen.
   • Ein Sample wird als DelVG-positiv markiert, wenn der Anteil der DelVGs > 50 % beträgt.
6. Konsensus-Korrektur:
   • Identifikation von Regionen, die potenziell von DelVG-spezifischen Mutationen betroffen sind (Start- und Endregionen des Genoms).
   • Analyse von Varianten (SNPs/Indels) mittels iVar.
   • Entscheidungslogik: Basierend auf dem geschätzten Anteil des vollen Genoms ($p_{fl}$) und der Mutationsfrequenz wird entschieden:
     • Ist das volle Genom dominant und die Mutation spezifisch für DelVGs? -> Ersetzen durch die wahrscheinliche Base des vollen Genoms.
     • Ist die Zuordnung unsicher (z. B. bei ~50/50-Verhältnis)? -> Maskierung mit 'N'.
     • Ist die Mutation wahrscheinlich vom vollen Genom? -> Beibehalten.
7. Ausgabe: Ein bereinigtes Konsensusgenom und ein Report über die Detektion und den Anteil der DelVGs.

3. Wichtige Beiträge

• Entwicklung von DIPScan: Ein automatisierter, skalierbarer Workflow zur Detektion und Quantifizierung von DelVGs sowie zur Korrektur von Konsensusgenomen.
• Integration in die Routine: Der Workflow ist als Nextflow-Pipeline implementiert, nutzt Container für Reproduzierbarkeit und wird bereits routinemäßig am National Reference Center (NRC) für Atemwegsviren am Institut Pasteur eingesetzt.
• Korrekturstrategie: Im Gegensatz zu reinen Detektions-Tools bietet DIPScan eine aktive Korrektur des Konsensusgenoms, um Fehler in öffentlichen Datenbanken zu vermeiden.

4. Ergebnisse

Die Methode wurde an zwei Datensätzen evaluiert:

• Simulierte Daten (110 Datensätze):
  • Breakpoint-Detektion: DIPScan erreichte eine Präzision von 100 % (keine False Positives) und einen F1-Score von 96,9 %. Im Vergleich dazu zeigten Tools wie ViReMa, DG-Seq und VODKA2 viele False Positives (z. B. DG-Seq hatte 83 % False Discovery Rate).
  • Anteilsschätzung: Hohe Korrelation (Pearson $r = 0,99$) zwischen geschätztem und wahrem DelVG-Anteil.
  • Konsensus-Korrektur: 97,2 % der DelVG-spezifischen Mutationen wurden korrekt behandelt (entweder korrigiert oder maskiert).
• Reale Daten (551 Influenza-Proben aus dem Institut Pasteur):
  • Vorkommen: Etwa 30 % der Proben enthielten Defekte Segmente (hauptsächlich PB1, PB2, PA).
  • Vergleich mit manueller Kuratierung: DIPScan zeigte eine Übereinstimmung von 92,8 % mit der manuellen Überprüfung. Bei hohen DelVG-Anteilen (>50 %) stieg die Sensitivität auf 99 % und die Genauigkeit auf 98,9 %. Viele Diskrepanzen resultierten aus menschlichen Fehlern bei der visuellen Inspektion.
  • Hotspots: Die Analyse bestätigte bekannte Hotspots für Deletions-Breakpoints nahe den 5'- und 3'-Enden der Polymerase-Segmente, mit subtypspezifischen Variationen.

5. Bedeutung und Ausblick

• Qualitätssicherung: DIPScan verhindert, dass fehlerhafte Konsensusgenome (verfälscht durch DelVG-Mutationen) in öffentliche Datenbanken (wie GISAID) gelangen, was für die Überwachung von Mutationen von Interesse (z. B. Resistenzmutationen) essenziell ist.
• Skalierbarkeit: Die Automatisierung ermöglicht die Verarbeitung großer Datenmengen in Echtzeit, was für die aktuelle pandemische Überwachung unerlässlich ist.
• Zukünftige Entwicklungen: Die Autoren planen, DIPScan auf andere Viren (RSV, SARS-CoV-2) zu erweitern und die Detektion komplexerer Defekt-Typen (Copy-Back, Rearrangements) zu verbessern.

Fazit: DIPScan ist ein entscheidendes Werkzeug, um die Genauigkeit der viralen Genomüberwachung zu erhöhen, indem es systematisch die Verzerrungen durch defekte virale Genome in NGS-Daten erkennt und korrigiert.