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

Cet article présente DIPScan, une nouvelle méthode automatisée et évolutive capable de détecter les génomes viraux délétés (DelVGs) dans les données de séquençage et de corriger les consensus génomiques du virus influenza pour garantir la précision de la surveillance épidémique.

L'essentiel

🦠 Le Problème : Quand les "Virus Copieurs" trompent nos détectives

Imaginez que vous essayez de reconstituer le plan exact d'un château fort (le génome du virus) en analysant des milliers de photos prises par des drones (les séquences d'ADN).

En temps normal, c'est facile : vous prenez toutes les photos, vous regardez ce qui apparaît le plus souvent à chaque endroit, et vous dessinez le château parfait.

Mais il y a un piège !
Dans la nature, le virus ne produit pas seulement des copies parfaites. Il produit aussi des défauts de fabrication, appelés ici DelVG (Des génomes viraux avec des deletions).

• C'est comme si, au lieu de copier tout le plan du château, une machine à photocopier avait oublié un étage entier ou avait mélangé deux pages.
• Le pire ? Ces "mauvaises copies" sont souvent plus nombreuses que les bonnes copies dans l'échantillon.

Le danger :
Si votre logiciel de reconstruction est trop naïf, il va regarder les photos et dire : "Tiens, à l'étage 3, la plupart des photos montrent un mur rouge (alors que le vrai château a un mur bleu). Je vais donc dessiner un mur rouge."
Résultat : Vous obtenez un plan de château faux, qui ne correspond à aucun virus réel. Cela peut fausser la surveillance des épidémies et nous faire rater des mutations dangereuses.

---

🛠️ La Solution : DIPScan, le "Détective Anti-Fraude"

Les chercheurs du Pasteur ont créé un nouvel outil appelé DIPScan. C'est un logiciel intelligent conçu pour repérer ces "mauvaises copies" et corriger le tir avant de dessiner le plan final.

Voici comment il fonctionne, étape par étape, avec une analogie simple :

1. Le Tri des Photos (Détection)

DIPScan examine toutes les photos (les lectures de séquençage).

• Il repère les zones où il y a un trou : si le début et la fin du virus sont bien visibles, mais que le milieu est vide ou très clair, c'est le signe d'une "mauvaise copie" (un virus qui a perdu un morceau).
• Il agit comme un inspecteur de police qui repère les documents falsifiés en voyant qu'il manque des pages.

2. Le Calcul des Proportions (Qui est le patron ?)

Une fois les "mauvaises copies" identifiées, DIPScan se demande : "Est-ce qu'elles sont majoritaires ?"

• Si 90 % des photos viennent des virus défectueux, le logiciel sait qu'il ne doit pas se fier à elles pour reconstruire le centre du virus.
• Il calcule précisément le pourcentage de "vrais" virus vs "faux" virus.

3. La Correction du Plan (Le Remède)

C'est ici que la magie opère. DIPScan regarde les zones douteuses (le milieu du virus) et applique trois règles :

• Cas 1 : Le vrai virus est dominant. Il garde la mutation observée.
• Cas 2 : Le faux virus est dominant. Il se dit : "Ah, cette mutation vient du virus défectueux. Je ne vais pas l'inclure dans le plan final." Il remplace la lettre par un point d'interrogation (N) pour dire "on ne sait pas trop, mais ce n'est pas ça".
• Cas 3 : C'est un mélange complexe. Il utilise des mathématiques avancées pour deviner quelle lettre appartient au vrai virus et corrige le plan en conséquence.

---

🏆 Les Résultats : Pourquoi c'est une révolution ?

Les chercheurs ont testé DIPScan sur des données simulées (des virus inventés par ordinateur) et sur de 551 vrais patients atteints de la grippe.

• Précision chirurgicale : Là où d'autres outils se trompaient souvent ou criaient au loup pour rien, DIPScan a détecté les défauts avec une précision de 99 %.
• Sauvetage de données : Avant, pour éviter les erreurs, les laboratoires jetaient parfois des échantillons entiers s'ils semblaient "trop bizarres". Avec DIPScan, on peut sauver ces données, les nettoyer, et les utiliser pour la surveillance.
• Découverte de "Zones Chaudes" : L'outil a aussi permis de voir que les virus ne cassent pas au hasard. Ils ont des "zones de prédilection" pour se casser (comme des points de rupture sur un pont). Cela aide les scientifiques à mieux comprendre comment le virus évolue.

🚀 En Résumé

DIPScan, c'est comme un filtre à café ultra-performant pour la surveillance des virus.

• Sans lui : Vous buvez un café avec des grains de sable (les erreurs dues aux virus défectueux).
• Avec lui : Vous obtenez un café pur, clair et précis, qui reflète la vraie nature du virus en circulation.

Cet outil est maintenant utilisé quotidiennement au Centre National de Référence des Virus Respiratoires à l'Institut Pasteur pour s'assurer que les cartes génétiques que nous utilisons pour suivre les épidémies (comme la grippe) sont vraies et fiables.

Résumé technique

Titre : Prise en compte des génomes viraux défectueux dans la reconstruction du génome consensus viral : application au virus de la grippe

Auteurs : K´evin Da Silva, Nadia Naffakh, Marie-Anne Rameix-Welti, Fr´ed´eric Lemoine (Institut Pasteur).

---

1. Le Problème : L'impact des génomes viraux défectueux (DelVGs) sur la surveillance épidémiologique

La surveillance des épidémies virales repose de plus en plus sur le séquençage à haut débit (NGS) pour reconstruire des génomes consensus précis. Ces génomes sont essentiels pour suivre l'émergence de mutations d'intérêt, évaluer la diversité génomique et prédire les souches prédominantes.

Cependant, un défi majeur est souvent négligé : la présence de génomes viraux contenant des délétions (DelVGs).

• Nature du problème : Les DelVGs sont des génomes tronqués ou réarrangés qui ne peuvent pas se répliquer seuls mais interfèrent avec la réplication du virus complet (particules interférentes défectueuses ou DIPs).
• Conséquence sur le consensus : Dans de nombreux échantillons cliniques, les DelVGs peuvent être plus abondants que le génome complet. Lors de la reconstruction d'un consensus standard (où la base majoritaire à chaque position est retenue), les mutations spécifiques aux DelVGs sont erroneusement incorporées dans le génome consensus final.
• Risque : Cela conduit à la génération de séquences "chimériques" fausses, contenant des mutations qui n'existent pas dans le virus fonctionnel (par exemple, des codons stop prématurés ou des décalages de cadre), faussant ainsi les analyses de surveillance et les bases de données publiques.

2. Méthodologie : Le workflow DIPScan

Les auteurs ont développé DIPScan, un workflow bioinformatique automatisé (implémenté sous Nextflow) conçu pour détecter les DelVGs et corriger les séquences consensus. Le pipeline se déroule en sept étapes principales :

1. Cartographie des lectures (Mapping) :

   • Utilisation d'une approche en deux temps pour gérer les lectures "split" (divisées par une grande délétion).
   • Étape 1 : Alignement avec BWA-MEM2 pour les lectures alignées parfaitement ou avec de petites variations.
   • Étape 2 : Extraction des lectures non alignées ou avec des extrémités "clippées" (clipped), suivie d'un alignement avec STAR (initialement conçu pour l'épissage de l'ARN, mais efficace pour les grandes délétions) afin de capturer les lectures traversant les zones de délétion.

2. Extraction des frontières de délétion :

   • Identification des lectures contenant des régions "sautées" (notation 'N' dans la chaîne CIGAR) de plus de 150 nucléotides pour définir les coordonnées de début et de fin des délétions.

3. Calcul des métriques :

   • Calcul de plusieurs indicateurs pour chaque paire de frontières : nombre de lectures supportant la délétion, fréquence de fractionnement, fréquence totale par rapport au dataset, et ratios de couverture locale autour des points de rupture (breakpoints).

4. Sélection des points de rupture (Breakpoints) :

   • Application de filtres pour éliminer le bruit de fond (ex: >100 lectures supportantes, fréquence totale supérieure au seuil attendu, ratios de couverture cohérents).

5. Estimation de la proportion des DelVGs :

   • Modélisation mathématique (système d'équations linéaires résolu par Moindres Carrés Non Négatifs - NNLS) pour estimer les proportions relatives des différents DelVGs et du génome complet en fonction des couvertures observées dans les régions délimitées par les breakpoints.
   • Un échantillon est flagué comme contenant des DelVGs pertinents si la somme des proportions de DelVGs dépasse 50 %.

6. Correction du consensus :

   • Identification des positions mutées dans les régions à risque (début et fin du segment, là où les DelVGs sont présents).
   • Logique de décision :
     • Si le génome complet est dominant (>98 %), les mutations suspectes sont conservées si elles sont cohérentes.
     • Si les proportions sont ambiguës ou si les mutations correspondent aux DelVGs, la position est soit masquée par un caractère ambigu 'N', soit corrigée avec la nucléotide probable du génome complet (déduit par résolution de problèmes de type "Somme de sous-ensembles multiples").
     • Vérification de la profondeur de lecture pour exclure les erreurs d'alignement.

7. Sortie : Génération d'un rapport d'analyse et d'une séquence consensus corrigée.

3. Contributions Clés

• Détection automatisée et précise : DIPScan est capable de détecter les DelVGs à grande échelle, là où les méthodes manuelles sont fastidieuses et sujettes à l'erreur.
• Correction du consensus : Contrairement aux outils existants (ViReMa, DG-Seq, VODKA2) qui se concentrent sur la détection des délétions, DIPScan intègre une étape de correction active de la séquence consensus pour éliminer les artefacts causés par les DelVGs.
• Workflow reproductible et scalable : L'implémentation en Nextflow avec conteneurs logiciels assure la reproductibilité et la facilité de déploiement dans des environnements de production (comme le Centre National de Référence - CNR).
• Benchmarking rigoureux : Validation sur des données simulées (avec vérité terrain connue) et sur un vaste ensemble de données cliniques réelles (551 échantillons de grippe).

4. Résultats

A. Données simulées (110 datasets) :

• Détection des breakpoints : DIPScan a atteint une précision de 100 % (aucun faux positif) et un score F1 de 96,9 %, surpassant nettement ViReMa, DG-Seq et VODKA2 qui présentaient de nombreux faux positifs.
• Estimation des proportions : Corrélation de 0,99 entre les proportions réelles et estimées.
• Correction : 97,2 % des mutations spécifiques aux DelVGs ont été correctement gérées (soit masquées, soit corrigées vers la séquence complète).

B. Données réelles (551 échantillons de grippe du CNR) :

• Prévalence : Environ 30 % des échantillons de haute qualité contenaient des segments défectueux, principalement sur les segments PB1, PB2 et PA (segments de la polymérase).
• Accord avec l'analyse manuelle : Accord global de 92,8 %. Lorsque l'on se concentre sur les DelVGs dominants (>50 %), la sensibilité de DIPScan atteint 99 % et la précision 88 %. Les désaccords étaient souvent dus à des erreurs d'analyse manuelle (sous-estimation visuelle des proportions).
• Validation de la correction : Sur un sous-ensemble de 25 positions de vérité terrain, 96 % des positions ont été correctement traitées (changées, conservées ou masquées).
• Hotspots de délétion : L'analyse a confirmé l'existence de "hotspots" de breakpoints près des extrémités des segments PB1, PB2 et PA, avec des variations spécifiques selon les sous-types viraux (H1N1, H3N2, B/Victoria).

5. Signification et Perspectives

• Impact immédiat : DIPScan est désormais intégré dans le pipeline de séquençage routinier du Centre National de Référence (CNR) pour les virus respiratoires à l'Institut Pasteur. Il permet de garantir l'intégrité des génomes consensus soumis aux bases de données internationales.
• Amélioration de la surveillance : En éliminant les artefacts de séquençage dus aux DelVGs, l'outil améliore la fiabilité du suivi des mutations d'intérêt (résistance aux antiviraux, évasion immunitaire).
• Futur développement : Les auteurs prévoient d'étendre l'outil à d'autres pathogènes (RSV, SARS-CoV-2) et d'améliorer la détection d'autres types de génomes défectueux (réarrangements, copies inverses) en exploitant davantage les capacités de détection des lectures chimériques des aligneurs modernes.

En conclusion, DIPScan comble une lacune critique dans les pipelines de bioinformatique virologique, transformant la gestion des génomes défectueux d'un problème manuel et négligé en un processus automatisé, robuste et essentiel pour la précision de la surveillance épidémiologique.