Deep sequencing artificially inflates estimates of microbial diversity

Pour comprendre le monde invisible qui vit sur notre peau, dans notre sol ou au sein de notre intestin, les scientifiques ont souvent recours à une technique qui agit comme un recensement génétique. Ils prélèvent un échantillon, isolent l'ADN des minuscules organismes présents et utilisent des machines pour lire le code génétique de gènes spécifiques qui servent d'identifiants uniques pour chaque espèce. En comptant combien de versions différentes de ces gènes apparaissent dans un échantillon, les chercheurs peuvent estimer combien de types différents de microbes y vivent. Cette méthode a révolutionné notre vision du monde microbien, révélant des communautés complexes qui étaient auparavant invisibles. Cependant, pour que ces décomptes soient significatifs, les données doivent refléter la réalité, et non les caprices de la machine qui effectue le comptage. Si la technologie elle-même crée l'illusion d'une nouvelle vie là où il n'en existe aucune, l'image entière de la diversité microbienne est déformée, amenant les scientifiques à croire qu'une communauté est bien plus variée qu'elle ne l'est réellement.

Une étude récente s'attaque à un schéma troublant où le simple fait de regarder plus profondément dans un échantillon semble créer plus de vie qu'il n'en existe réellement. Les chercheurs ont commencé par tester un scénario simple et contrôlé : ils ont pris des échantillons qui ne contenaient qu'un seul type de séquence génétique, ce qui signifie qu'il y avait zéro diversité au départ. Ces échantillons « sans diversité » ont été créés en utilisant des gènes hôtes qui varient peu ou en utilisant des brins d'ADN synthétiques ajoutés au mélange. Lorsque ces échantillons uniformes ont été séquencés, les résultats ont été stupéfiants. Au lieu de voir un seul type de séquence, les machines ont rapporté des centaines de variantes différentes. Le problème s'est aggravé à mesure que les chercheurs augmentaient le nombre de lectures, ou le volume total de données collectées. Une fois que le séquençage a dépassé les cent mille lectures, le nombre de variantes artificielles a explosé de manière exponentielle. Il semblait que la machine inventait de nouvelles espèces à partir de rien, simplement parce qu'elle regardait si intensément et si longtemps.

Cette inflation artificielle ne se limitait pas aux tubes à essai contrôlés. Lorsque les chercheurs ont appliqué la même analyse à de véritables échantillons microbiens, tels que ceux contenant des bactéries ou des champignons, ils ont constaté le même schéma. À mesure que le nombre de lectures augmentait, la diversité calculée de la communauté augmentait, même lorsque la composition biologique réelle de l'échantillon restait inchangée. L'étude a montré que cette erreur affectait non seulement le compte total d'espèces, mais aussi la variété perçue au sein de groupes spécifiques d'organismes. Les chercheurs ont découvert que ce problème était constant à travers les différents types de marqueurs génétiques utilisés pour identifier les microbes, suggérant un défi fondamental dans la manière dont les technologies de séquençage actuelles gèrent de grands volumes de données.

L'équipe a cherché à savoir si des ajustements spécifiques pouvaient résoudre le problème. Ils ont testé le raccourcissement de la longueur des séquences génétiques lues par la machine et ont essayé d'utiliser une plateforme de séquençage différente, connue sous le nom d'AVITI Element. Bien que ces changements aient aidé à réduire le nombre de fausses variantes, ils n'ont pas éliminé le problème entièrement. L'inflation artificielle persistait, bien que sous une forme réduite. Les auteurs concluent que la solution la plus pratique pour l'instant est d'être extrêmement prudent lors de la comparaison d'échantillons qui ont été séquencés à des profondeurs très différentes. Si un échantillon a été lu un million de fois et un autre seulement mille fois, le premier paraîtra presque certainement plus diversifié, non pas parce qu'il l'est, mais parce que la machine a eu plus d'opportunités de générer des erreurs. L'étude suggère que l'utilisation de ces échantillons contrôlés, à diversité nulle, comme référence peut aider les scientifiques à ajuster leurs méthodes pour se rapprocher de la vérité, garantissant que les cartes du monde microbien qu'ils dessinent sont basées sur ce qui est réellement présent, plutôt que sur ce que la machine imagine.