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

Para rastrear cómo cambian y se propagan los virus, los científicos confían en una herramienta poderosa llamada secuenciación de nueva generación. Imagine tomar una fotografía del código genético completo de un virus, una larga cadena de instrucciones que le dice al virus cómo comportarse. Al leer estos códigos de muchos pacientes diferentes, los investigadores pueden detectar nuevas variantes, comprender cómo el virus se mueve a través de una comunidad y vigilar la aparición de mutaciones peligrosas. Sin embargo, el proceso de tomar estas fotografías genéticas no siempre es eficiente. Las máquinas utilizadas para leer el código a menudo producen mucha más información de la que es estrictamente necesaria, de forma muy similar a tomar una fotografía con una cámara que captura cada grano de arena en una playa cuando solo se necesita ver el horizonte. Este exceso de datos crea una pesada carga para las computadoras, ralentizando el análisis y dificultando la obtención de respuestas oportunas durante una crisis de salud pública.

Un equipo de investigadores en Utah se propuso resolver este problema del desorden digital. Se centraron en un tipo específico de secuenciación genética utilizado para el SARS-CoV-2, que se basa en un método llamado secuenciación por amplicones. Esta técnica funciona copiando pequeños fragmentos específicos del genoma viral muchas veces para que puedan leerse con claridad. Un efecto secundario conocido de este proceso de copiado es que algunos fragmentos se copian mucho más que otros, creando una distribución desigual de los datos. Para asegurar que cada parte del virus sea vista, los científicos suelen secuenciar las muestras mucho más allá de lo necesario, generando archivos masivos que tardan mucho tiempo en procesarse. Los investigadores querían saber si podían desechar de forma segura parte de estos datos adicionales para acelerar las cosas sin perder la capacidad de identificar el virus o detectar nuevas variantes. Probaron dos formas diferentes de reducir los datos: una que simplemente elegía piezas al azar para conservar, y otra que equilibraba activamente los datos para corregir el copiado desigual.

El estudio consistió en analizar datos genéticos de 220 muestras clínicas tomadas de pacientes y 12 muestras recolectadas de aguas residuales, que contienen una mezcla de virus de muchas personas de una comunidad. Los investigadores tomaron los conjuntos de datos originales, masivos, y los redujeron a varios tamaños menores, probando qué tan bien podía la computadora realizar su trabajo. Compararon los resultados de dos estrategias. La primera estrategia, el submuestreo aleatorio, era como tomar un cubo de canicas mezcladas y sacar a ciegas un puñado más pequeño. Este método mantenía la desigualdad original de los datos pero hacía que el montón total fuera más pequeño. La segunda estrategia, la normalización de la profundidad de lectura, era más parecida a un clasificador inteligente que observaba el montón, identificaba las canicas que eran demasiado numerosas y eliminaba los excesos para crear un puñado perfectamente equilibrado.

Los resultados mostraron que ambos métodos redujeron con éxito el tiempo y la potencia de cómputo necesarios para analizar las muestras, pero funcionaron mejor para objetivos distintos. Para las muestras de pacientes, donde el objetivo era simplemente identificar qué versión del virus estaba presente, el método de la selección aleatoria funcionó bien siempre que quedaran suficientes datos. Sin embargo, el método de clasificación inteligente fue superior para crear una imagen completa y precisa del código genético del virus. Permitió a los investigadores obtener resultados de alta calidad con significativamente menos datos de los que requería el método aleatorio. Específicamente, el método de clasificación inteligente produjo mapas genéticos fiables con una profundidad de datos de 200 veces la cobertura, mientras que el método aleatorio necesitaba más de 500 veces la cobertura para lograr el mismo nivel de completitud. Esto significa que, para las pruebas rutinarias de pacientes, el uso del método de clasificación inteligente podría ahorrar una gran cantidad de tiempo de computación proporcionando al mismo tiempo las respuestas claras que los médicos y los funcionarios de salud pública necesitan.

La historia cambió, sin embargo, cuando los investigadores analizaron las muestras de aguas residuales. Estas muestras son mezclas complejas que contienen muchas cepas virales diferentes a la vez, y el objetivo es determinar exactamente cuánta de cada cepa está presente. En este escenario, los investigadores descubrieron que desechar datos era peligroso. Cuando reducían la cantidad de datos demasiado, la computadora tenía dificultades para distinguir las diferentes cepas. La precisión para identificar qué cepas estaban presentes cayó drástamente una vez que los datos descendieron de cierto nivel. El método de clasificación inteligente, aunque bueno para equilibrar los datos, a veces creaba señales falsas cuando los datos eran demasiado escasos, haciendo que pareciera que existían más cepas de las que realmente había. El método aleatorio resistió ligeramente mejor en niveles de datos muy bajos, pero aun así falló al intentar ofrecer una imagen fiable de la mezcla viral de la comunidad. El estudio concluyó que, si bien la reducción de datos es una herramienta poderosa para acelerar el análisis rutinario, debe utilizarse con extrema precaución para el monitoreo ambiental. Para las aguas residuales, mantener un alto volumen de datos es esencial para desenredar con precisión la compleja mezcla de virus que circula en una población.

En última instancia, este trabajo proporciona una guía clara sobre cómo manejar la inundación de datos genéticos generados durante la vigilancia viral. Demuestra que no existe una única mejor manera de reducir los datos; la elección correcta depende enteramente de la pregunta que se esté formulando. Si el objetivo es identificar rápidamente un virus en un paciente, un enfoque ligero que recorte los datos es eficiente y efectivo. Si el objetivo es construir el mapa genético más detallado posible, un método que corrija los sesgos de copiado es el mejor camino. Pero al intentar comprender las poblaciones complejas y mixtas que se encuentran en el medio ambiente, los investigadores descubrieron que menos datos no es mejor. En esos casos, el volumen total de información es necesario para evitar perder los detalles sutiles que cuentan la verdadera historia de cómo se propaga un virus. Al ajustar la estrategia de reducción de datos a la tarea específica, los laboratorios de salud pública pueden hacer que sus sistemas sean más rápidos y sostenibles sin sacrificar la precisión necesaria para proteger a las comunidades.