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

Le papier présente PathogenSurveillance, un pipeline Nextflow open-source automatisé conçu pour l'analyse génomique de population et l'identification rapide de pathogènes à partir de données de séquençage d'ADN complet, facilitant ainsi la biosurveillance en temps réel.

L'essentiel

🕵️‍♂️ PathogenSurveillance : Le Détective Automatique des Microbes

Imaginez que le monde est une grande ville et que des "mauvais agents" (des bactéries, des champignons ou des virus invisibles) tentent de s'y infiltrer pour causer des maladies chez les humains, les animaux ou les plantes. Le problème ? Souvent, nous ne savons pas exactement qui ils sont, ni d'où ils viennent, avant qu'il ne soit trop tard.

C'est là qu'intervient PathogenSurveillance. Ce n'est pas un humain, mais un programme informatique très intelligent (un "pipeline") qui agit comme un détective ultra-rapide et automatisé.

1. Le Problème : Trop d'informations, pas assez de temps

Avant, pour identifier un microbe, il fallait un expert en laboratoire qui passait des jours à chercher des indices, comme un détective privé qui fouille des archives poussiéreuses. Si un nouveau danger arrivait, les experts pouvaient être débordés ou ne pas savoir quel outil utiliser. C'était lent et complexe.

2. La Solution : Un Robot qui fait tout le travail

PathogenSurveillance est comme un robot cuisinier qui peut préparer un repas complet à partir de n'importe quels ingrédients, sans que vous ayez besoin de savoir cuisiner.

• Il mange tout : Il peut analyser des données de séquençage (la "recette" génétique) provenant de n'importe quel type de machine, qu'elle soit rapide (courtes lectures) ou très détaillée (longues lectures).
• Il ne se trompe pas de catégorie : Il sait distinguer les bactéries (procaryotes) des champignons ou des plantes (eucaryotes) et adapte sa méthode en conséquence, comme un chef qui change de couteau selon qu'il coupe du poisson ou du bœuf.
• Il va chercher les indices lui-même : Au lieu de vous demander de fournir une liste de suspects, le robot va tout seul sur la plus grande bibliothèque du monde (la base de données NCBI) pour trouver les "photos" des microbes qui ressemblent le plus à votre échantillon.

3. Comment ça marche ? (L'analogie du Puzzle)

Voici les étapes que le robot suit, expliquées simplement :

1. Le Premier Coup d'Œil (Le Croquis) : Le robot regarde d'abord votre échantillon et fait un "croquis" rapide (une empreinte digitale génétique) pour deviner à quelle famille de microbes il appartient.
2. La Chasse aux Sosies (Recherche de Références) : Il va chercher dans la bibliothèque mondiale les microbes les plus proches de votre croquis. Il choisit les meilleurs "sosies" pour les comparer.
3. L'Assemblage du Puzzle : Il reconstruit le puzzle génétique de votre échantillon.
   • Si c'est une bactérie, il compare les pièces communes de tous les puzzles pour voir comment ils sont liés (comme un arbre généalogique).
   • Si c'est un champignon ou une plante, il utilise des pièces spécifiques (comme des pièces de monnaie universelles) pour faire la même chose.
4. Le Rapport Final : À la fin, le robot ne vous donne pas juste un tas de chiffres incompréhensibles. Il génère un rapport interactif et coloré (comme un tableau de bord de jeu vidéo) qui vous dit :
   • "C'est tel microbe, à 99% de certitude."
   • "Il est très proche de celui qui a causé l'épidémie de l'année dernière."
   • "Voici un arbre qui montre comment il s'est propagé."

4. Pourquoi c'est génial ?

• C'est pour tout le monde : Vous n'avez pas besoin d'être un expert en informatique. Il suffit de lancer une seule commande, comme allumer une machine à café.
• C'est rapide et robuste : Si le programme rencontre un petit problème (comme une coupure d'internet), il attend patiemment et réessaie tout seul. Il peut aussi reprendre le travail exactement là où il s'est arrêté si on l'arrête.
• Il gère les mélanges : Même si votre échantillon contient un mélange de plusieurs microbes (comme une salade composée), le robot peut souvent trier les ingrédients et identifier les principaux coupables.

5. Les Limites (Le petit bémol)

Comme tout outil, il n'est pas magique :

• Il ne peut pas encore bien analyser les virus (ils sont trop petits et trop différents, il faudrait un autre type de détective pour eux).
• Il a besoin d'une bonne connexion internet pour aller chercher les photos dans la bibliothèque mondiale.
• Il prend un peu de place sur votre disque dur (comme un gros dossier de preuves), mais il est très organisé.

En résumé

PathogenSurveillance est un outil de surveillance biologique qui démocratise la détection des maladies. Il transforme une tâche complexe, réservée à quelques experts, en un processus simple et automatique. C'est comme donner à chaque agriculteur, vétérinaire ou médecin un super-détective dans sa poche, capable de dire immédiatement : "Attention, voici l'ennemi, et voici comment il se déplace", permettant ainsi de réagir vite avant que l'épidémie ne se propage.

Résumé technique

1. Problématique

L'émergence rapide de pathogènes et de ravageurs invasifs, exacerbée par le commerce international, dépasse souvent les capacités des systèmes de biosurveillance traditionnels. Les méthodes de diagnostic classiques peuvent être lentes et nécessitent une connaissance a priori de l'agent pathogène. Bien que le séquençage du génome entier (WGS) offre une méthode robuste et agnostique pour la détection précoce, son adoption est freinée par deux obstacles majeurs :

• La nécessité d'une infrastructure informatique complexe.
• Le manque d'expertise en bioinformatique et en biologie des pathogènes chez les utilisateurs finaux (épidémiologistes, agronomes).

Il existe un besoin critique d'outils automatisés capables de traiter des données WGS (courtes et longues lectures) pour des échantillons mixtes (procaryotes et eucaryotes) sans nécessiter une expertise technique pointue, tout en permettant une identification rapide au niveau de l'espèce et de la souche.

2. Méthodologie

PathogenSurveillance est un pipeline automatisé open-source développé dans le cadre de nf-core, utilisant le gestionnaire de flux de travail Nextflow. Il est conçu pour fonctionner sur n'importe quel système Linux (bureautique, HPC, cloud) et utilise des conteneurs (Docker, Apptainer, Conda) pour garantir la reproductibilité.

Fonctionnement du pipeline :

• Entrée : Un fichier TSV contenant les identifiants d'échantillons (fichiers locaux, URLs, accès NCBI SRA/Biosample). Il accepte les données Illumina, PacBio et Oxford Nanopore.
• Sélection automatique des références : C'est le cœur de l'innovation. Le pipeline utilise une approche en deux étapes :
  1. Identification préliminaire : Génération de "sketches" de k-mers (via bbmap sendsketch) des lectures brutes pour les comparer à la base de données NCBI RefSeq.
  2. Raffinement : Récupération automatique des métadonnées des assemblages pertinents. Le pipeline sélectionne des références contextuelles (pour l'analyse phylogénétique) et des références de cartographie (pour l'appel de variants) en se basant sur des critères stricts (niveau d'assemblage, présence de souches types, absence de contaminants, etc.).
• Analyse différenciée Procaryotes/Eucaryotes :
  • Procaryotes : Annotation du génome, clustering des orthologues, construction d'arbres phylogénétiques du génome central (core genome), et appel de SNPs (Single Nucleotide Polymorphisms) via des graphes de pan-génome pour les échantillons liés.
  • Eucaryotes : Génération d'arbres phylogénétiques basés sur les gènes orthologues uniques universels (BUSCO), car l'annotation automatique est jugée trop complexe sans ensembles de données spécifiques.
• Gestion des populations : Le pipeline regroupe automatiquement les échantillons liés et partitionne les jeux de données si le nombre d'homologues partagés est insuffisant pour une inférence robuste.
• Contrôle de qualité (QC) : Intégration de FastQC, NanoPlot, fastp, Quast et BUSCO, synthétisés dans un rapport MultiQC.

3. Contributions Clés

• Automatisation complète : Réduction de l'intervention humaine de la sélection des références à la génération des rapports.
• Flexibilité taxonomique : Capacité à analyser simultanément des mélanges de procaryotes et d'eucaryotes, ainsi que des échantillons de populations variées.
• Approche multi-niveaux : Combinaison de méthodes basées sur les k-mers, la phylogénie multigénique et les variants (SNPs) pour offrir différentes résolutions taxonomiques.
• Interface utilisateur et rapports : Génération de rapports HTML interactifs contenant des arbres phylogénétiques, des réseaux de plus courts chemins (minimum spanning networks), des heatmaps d'identité nucléotidique moyenne (ANI) et des visualisations taxonomiques (sunburst).
• Gestion des données : Organisation hiérarchique et nommage cohérent des fichiers de sortie pour faciliter les analyses en aval. Utilisation d'un système de cache pour permettre la reprise des tâches et les réanalyses rapides.
• Accessibilité : Conçu pour être utilisé par des non-spécialistes en bioinformatique, tout en restant puissant pour les experts.

4. Résultats de Validation

Les auteurs ont validé le pipeline sur plusieurs jeux de données :

• Données Serratia : Sur un sous-ensemble de 302 échantillons, le pipeline a généré une topologie d'arbre phylogénétique concordante avec des études antérieures, confirmant la précision de l'inférence taxonomique et de la détection des lignées clonales.
• Sélection de références (Gilliamella apicola) : Sur des données de microbiote d'abeilles (Nanopore), le pipeline a correctement identifié et téléchargé les références appropriées parmi des milliers de candidates, en distinguant les souches spécifiques et en évitant les références non discriminantes. La robustesse a été confirmée même avec des divergences de séquence simulées jusqu'à 10 %.
• Performance et Évolutivité :
  • Le temps d'exécution et l'utilisation de la RAM augmentent linéairement avec le nombre d'échantillons (ex: 200 échantillons de Klebsiella en ~11,7 heures).
  • Les données procaryotes sont traitées rapidement (< 1 heure), tandis que les eucaryotes (génomes plus grands) nécessitent plus de temps (jusqu'à 13,6 heures pour le plus grand génome testé) et de mémoire (jusqu'à 70 Go).
  • Le pipeline fonctionne efficacement sur un ordinateur de bureau standard (Ryzen 9 16 cœurs).

5. Signification et Impact

PathogenSurveillance représente une avancée majeure pour la biosurveillance mondiale en :

• Démocratisant l'accès à la génomique des populations pour les laboratoires de terrain et les diagnostics au point de service.
• Accélérant la réponse aux menaces émergentes en permettant une identification rapide d'agents pathogènes inconnus ou de nouveaux variants.
• Intégrant le concept "One Health" en permettant la surveillance transversale des pathogènes affectant les humains, les animaux et l'environnement.
• Offrant une alternative robuste aux outils existants (comme GATK PathSeq ou Pathogenwatch) qui sont soit limités à des groupes spécifiques, soit dépendants d'une expertise manuelle importante pour la sélection des références.

Bien que le pipeline présente certaines limites (non-prise en charge des virus, dépendance à la qualité des bases de données NCBI, et besoins en stockage pour les fichiers intermédiaires), sa capacité à automatiser des analyses complexes avec un seul commande en fait un outil essentiel pour la surveillance épidémiologique moderne.