Long-read sequencing of Mycobacterial tuberculosis is comparable to short-read sequencing for antimicrobial resistance prediction and epidemiological studies.

Eine umfassende Studie mit 508 Proben zeigt, dass die Oxford-Nanopore-Long-Read-Sequenzierung in Bezug auf die Vorhersage der antimikrobiellen Resistenz und die epidemiologische Analyse von Mycobacterium tuberculosis mit dem etablierten Illumina-Kurzread-Standard vergleichbar ist und somit eine Aggregation von Daten beider Plattformen für groß angelegte Public-Health-Analysen ermöglicht.

Das Wesentliche

Stellen Sie sich vor, Sie sind Detektiv und versuchen, die Spur eines sehr schlauen Diebes zu verfolgen: dem Tuberkulose-Bakterium (Mycobacterium tuberculosis). Um diesen Dieb zu fassen, müssen Sie seine „DNA-Akten" lesen. Das ist wie ein riesiges, verschlüsseltes Buch, das verrät, ob das Bakterium gegen Medikamente immun ist (resistent) und woher es kommt.

Bis vor kurzem gab es nur ein einziges Werkzeug, um diese Akten zu lesen: den „Illumina-Scanner". Er ist wie ein hochpräziser, aber langsamer und schwerer Bürotisch-Drucker. Er ist sehr genau, aber man kann ihn kaum mitnehmen und er braucht viel Zeit.

In dieser Studie haben die Forscher nun ein neues, revolutionäres Werkzeug getestet: den „Nanopore-Scanner" (von Oxford Nanopore). Stellen Sie sich diesen wie einen kleinen, tragbaren Smartphone-Scanner vor. Er ist schnell, leicht und kann überall eingesetzt werden – sogar direkt im Feld. Die große Frage war: Ist dieser neue, schnelle Scanner genauso gut wie der alte, bewährte Bürotisch-Drucker, wenn es um die Sicherheit der Patienten geht?

Hier ist, was die Forscher herausgefunden haben, einfach erklärt:

1. Der große Vergleich (Der Testlauf)

Die Wissenschaftler haben 508 Proben aus Südafrika und Vietnam genommen. Sie haben jede einzelne Probe zweimal gescannt: einmal mit dem alten „Illumina"-Scanner und einmal mit dem neuen „Nanopore"-Scanner.

• Das Ergebnis: Von den 508 Proben waren 425 gut genug, um sie direkt zu vergleichen.
• Die Ähnlichkeit: Bei fast allen Proben (95,8 %) sagten beide Scanner exakt dasselbe über die Herkunft des Bakteriums. Wenn sie sich unterschieden, lag es meist daran, dass eine Probe eine Mischung aus verschiedenen Bakterienstämmen war – wie ein Buch, das zwei verschiedene Geschichten gleichzeitig erzählt.

2. Die Medikamenten-Prüfung (Die wichtigste Frage)

Das Wichtigste für Ärzte ist zu wissen: Welche Medikamente wirken noch?
Stellen Sie sich vor, das Bakterium ist ein Schloss und die Medikamente sind Schlüssel. Der Scanner muss sagen, welche Schlüssel das Schloss öffnen können.

• Die Fehlerquote: Der neue Nanopore-Scanner machte nur sehr wenige Fehler.
  • Er verpasste nur in 1 % der Fälle einen wichtigen Schlüssel (das wäre gefährlich, weil man denkt, das Medikament wirkt, aber es tut es nicht).
  • Er riet in 1,7 % der Fälle falsch (meistens harmlos, da es oft nur um eine leichte Unsicherheit geht).
• Der Vergleich: Diese Fehlerquoten liegen weit unter den strengen Grenzen, die Gesundheitsbehörden (wie die CLSI) für sicher halten. Der neue Scanner ist also genauso zuverlässig wie der alte Goldstandard.

3. Die DNA-Genauigkeit (Das Puzzle)

Um zu sehen, ob Bakterien aus derselben Ausbruchskette stammen, vergleichen Forscher ihre DNA wie ein riesiges Puzzle.

• Das Ergebnis: Wenn man die Puzzleteile beider Scanner verglich, fehlten bei fast allen Proben (98,4 %) höchstens ein einziges Puzzleteil (eine Mutation). Das ist so, als ob zwei Fotografen dasselbe Bild machen und sich nur ein einziges Pixel unterscheidet.
• Die Konsequenz: Da die Bilder fast identisch sind, können die Daten beider Scanner problemlos zusammengeführt werden.

Was bedeutet das für uns? (Das Fazit)

Stellen Sie sich vor, die Weltgesundheitsorganisation hat bisher nur Fotos von Dieben aus einem einzigen, großen Archiv (dem Illumina-Scanner). Jetzt haben sie bewiesen, dass sie auch Fotos aus vielen kleinen, mobilen Kameras (dem Nanopore-Scanner) nehmen können, ohne dass die Qualität leidet.

Warum ist das ein Durchbruch?

1. Geschwindigkeit & Mobilität: Man kann den Scanner jetzt direkt in abgelegenen Kliniken oder bei Ausbrüchen einsetzen, statt Wochen auf Ergebnisse zu warten.
2. Globale Zusammenarbeit: Da die Daten so ähnlich sind, können Länder ihre Daten jetzt in einer riesigen, gemeinsamen Datenbank sammeln. Das hilft, weltweite Ausbrüche viel schneller zu erkennen und zu stoppen.

Zusammengefasst: Der neue, schnelle Scanner ist kein „Billig-Imitat", sondern ein vollwertiger Partner. Wir können jetzt die Geschwindigkeit und Flexibilität der neuen Technologie nutzen, ohne auf die Sicherheit und Genauigkeit der alten Technologie verzichten zu müssen. Es ist, als ob wir endlich gelernt hätten, mit einem Sportwagen zu fahren, der genauso sicher ist wie ein schwerer Panzer.

Technische Zusammenfassung

Technische Zusammenfassung: Vergleich von Long-Read- und Short-Read-Sequenzierung bei Mycobacterium tuberculosis

1. Problemstellung und Hintergrund

Die Sequenzierung des Mycobacterium tuberculosis-Komplexes (MTBC) mittels Short-Read-Technologien (hauptsächlich Illumina) hat sich in den letzten zehn Jahren zum De-facto-Goldstandard für die Analyse von Ausbrüchen und die genomische Arzneimittelresistenztestung (gDST) etabliert. Long-Read-Technologien, insbesondere von Oxford Nanopore Technologies (ONT), bieten zwar Vorteile wie Geschwindigkeit, Einfachheit und Portabilität, doch fehlte bisher ein umfassender Vergleich, der ihre Zuverlässigkeit für klinische und epidemiologische Anwendungen im großen Maßstab validiert. Die Studie zielte darauf ab, zu untersuchen, ob ONT-Daten eine gleichwertige Alternative zu Illumina-Daten darstellen, um eine Aggregation von Daten aus beiden Plattformen für globale Gesundheitsbehörden zu ermöglichen.

2. Methodik

Die Studie stellt die bisher größte direkte Vergleichsstudie zwischen Illumina und ONT für MTBC-Proben dar.

• Probenkollektiv: Insgesamt 508 Proben aus Südafrika und Vietnam wurden auf beiden Plattformen sequenziert. Das Kollektiv war gezielt auf Arzneimittelresistenz überrepräsentiert und umfasste lokale Ausbrüche sowie eine Vielzahl von Linien (Lineages).
• Sequenzierungstechnologie:
  • Referenz: Illumina (bereits bestehende Daten).
  • Testplattform: ONT unter Verwendung der neuesten R10.4-Flowcells, aktualisierter Basecalling-Modelle und Deep-Learning-Varianten-Calling-Algorithmen.
  • Geräte: GridION oder PromethION.
• Bioinformatik: Die Datenverarbeitung erfolgte über eine modifizierte Cloud-Plattform. Dies umfasste:
  • Referenzbasiertes Variant-Calling.
  • Katalogbasierte gDST (Vorhersage der Arzneimittelresistenz).
  • Identifizierung verwandter Proben via SNP-Zählung (Single Nucleotide Polymorphism) zur Ausbruchserkennung.
• Kriterien: Nur Proben mit einer Illumina-Tiefe von ≥50x wurden für den ONT-Vergleich herangezogen. Illumina diente als Referenzmethode.

3. Schlüsselergebnisse

Von den 508 Proben waren 425 (83,7 %) für einen direkten Vergleich geeignet (ausreichende Lesetiefe).

• Linien-Zuordnung (Lineages):

  • In 407 von 425 Fällen (95,8 %) stimmten die zugewiesenen Linien überein.
  • Diskrepanzen resultierten ausschließlich aus der Identifizierung gemischter Linien durch eine der Technologien.
  • Bei neun Proben wurden Hinweise auf Subpopulationen nicht-tuberkulöser Mykobakterien (NTM) gefunden.

• Vorhersage der Arzneimittelresistenz (gDST):

  • Unter Verwendung von Illumina als Referenz lag die "Very Major Error" (VME)-Rate (falsch-negative Resistenzvorhersage) für alle 15 getesteten Medikamente bei 1,0 % (95 %-KI: 0,6–1,5 %).
  • Die "Major Error" (ME)-Rate (falsch-positive Resistenzvorhersage) betrug 1,7 % (95 %-KI: 1,3–2,2 %).
  • Die Rate der nicht klassifizierbaren Ergebnisse lag bei 6,9 %.
  • Diese Fehlerquoten liegen unter den von der CLSI (Clinical and Laboratory Standards Institute) festgelegten Schwellenwerten. Bei Betrachtung der einzelnen Medikamente lagen VME und ME in 29 von 30 Fällen bei ≤3 % und in 25 von 30 Fällen bei ≤1,5 %.

• Genomische Ähnlichkeit und SNP-Distanz:

  • Nach Ausschluss von Mischproben (382 Isolate) und Anwendung von Maskierungsverfahren für das Referenzgenom betrug die mittlere SNP-Distanz zwischen den beiden Plattformen für dieselbe Probe 0,13 (Median 0).
  • Bei 376 von 382 Proben (98,4 %) betrug die Differenz ≤1 SNP.
  • Diese hohe Kongruenz führte zu kaum messbaren Unterschieden bei der Identifizierung von 43 potenziellen Clustern unter 172 isolierten Proben.

4. Bedeutung und Schlussfolgerung

Die Studie kommt zu dem Ergebnis, dass die Unterschiede zwischen Long-Read- (ONT) und Short-Read- (Illumina) Sequenzierung für die wichtigsten klinischen Endpunkte (Linienbestimmung, Resistenzprofil, Ausbruchserkennung) so gering sind, dass sie innerhalb der von Regulierungsbehörden festgelegten Toleranzen liegen.

• Aggregation von Daten: Es wurde eine Schwelle erreicht, die es erlaubt, Sequenzdaten aus beiden Plattformen zu aggregieren. Dies ermöglicht groß angelegte Analysen durch nationale und internationale öffentliche Gesundheitsbehörden.
• Klinische Relevanz: Die MTBC-Community kann nun die Vorteile der Portabilität und Geschwindigkeit von Long-Read-Sequenzierung nutzen, ohne auf die Genauigkeit und Vergleichbarkeit von Short-Read-Daten verzichten zu müssen.
• Qualitätsvoraussetzung: Die hohe Übereinstimmung setzt jedoch voraus, dass die Sequenzierung von ausreichender Qualität ist.

Die Studie unterstreicht somit den Reifegrad der ONT-Technologie für die routinemäßige genomische Überwachung von Tuberkulose und die Vorhersage von Arzneimittelresistenzen.