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

Pour suivre l'évolution et la propagation des virus, les scientifiques s'appuient sur un outil puissant appelé séquençage de nouvelle génération. Imaginez que l'on prenne une photographie du code génétique entier d'un virus, une longue chaîne d'instructions qui dicte au virus comment se comporter. En lisant ces codes à partir de nombreux patients différents, les chercheurs peuvent repérer de nouveaux variants, comprendre comment le virus circule dans une communauté et surveiller l'apparition de mutations dangereuses. Cependant, le processus de prise de ces photographies génétiques n'est pas toujours efficace. Les machines utilisées pour lire le code produisent souvent beaucoup plus de données que ce qui est strictement nécessaire, un peu comme si l'on prenait une photo avec un appareil capable de capturer chaque grain de sable sur une plage alors que l'on veut seulement voir l'horizon. Cet excès de données crée un fardeau pesant pour les ordinateurs, ralentissant l'analyse et rendant plus difficile l'obtention de réponses rapides lors d'une crise de santé publique.

Une équipe de chercheurs de l'Utah s'est donné pour mission de résoudre ce problème d'encombrement numérique. Ils se sont concentrés sur un type spécifique de séquençage génétique utilisé pour le SARS-CoV-2, qui repose sur une méthode appelée séquençage par amplicons. Cette technique consiste à copier de nombreux exemplaires de petits fragments spécifiques du génome viral afin qu'ils puissent être lus clairement. Un effet secondaire connu de ce processus de copie est que certains fragments sont copiés beaucoup plus que d'autres, créant une distribution inégale des données. Pour s'assurer que chaque partie du virus est visible, les scientifiques séquencent souvent les échantillons bien au-delà de ce qui est nécessaire, générant des fichiers massifs qui prennent beaucoup de temps à traiter. Les chercheurs voulaient savoir s'ils pouvaient éliminer en toute sécurité une partie de ces données excédentaires pour accélérer les choses sans perdre la capacité d'identifier le virus ou de détecter de nouveaux variants. Ils ont testé deux manières différentes de réduire les données : une qui consistait simplement à choisir des morceaux au hasard pour les conserver, et une autre qui équilibrait activement les données pour corriger l'inégalité de la copie.

L'étude a consisté à analyser des données génétiques provenant de 220 échantillons cliniques prélevés sur des patients et de 12 échantillons collectés dans les eaux usées, lesquelles contiennent un mélange de virus provenant de nombreuses personnes d'une communauté. Les chercheurs ont pris les ensembles de données originaux, massifs, et les ont réduits à diverses tailles plus petites, testant la capacité de l'ordinateur à accomplir sa tâche. Ils ont comparé les résultats de deux stratégies. La première stratégie, le sous-échantillonnage aléatoire, revenait à prendre un seau de billes mélangées et à en puiser une plus petite poignée à l'aveugle. Cette méthode conservait l'irrégularité initiale des données tout en rendant le tas total plus petit. La seconde stratégie, la normalisation de la profondeur de lecture, ressemblait davantage à un trieur intelligent qui examinait le tas, identifiait les billes trop nombreuses et retirait les suppléments pour créer une poignée parfaitement équilibrée.

Les résultats ont montré que les deux méthodes ont réussi à réduire le temps et la puissance de calcul nécessaires pour analyser les échantillons, mais qu'elles fonctionnaient mieux selon des objectifs différents. Pour les échantillons de patients, où l'objectif était simplement d'identifier quelle version du virus était présente, la méthode du prélèvement aléatoire fonctionnait bien tant qu'il restait suffisamment de données. Cependant, la méthode du tri intelligent était supérieure pour créer une image complète et précise du code génétique du virus. Elle permettait aux chercheurs d'obtenir des résultats de haute qualité avec nettement moins de données que la méthode aléatoire. Plus précisément, la méthode du tri intelligent produisait des cartes génétiques fiables à une profondeur de couverture de 200 fois, tandis que la méthode aléatoire nécessitait plus de 500 fois la couverture pour atteindre le même niveau de complétude. Cela signifie que pour les tests de routine sur les patients, l'utilisation de la méthode de tri intelligent pourrait économiser un temps de calcul considérable tout en fournissant les réponses claires dont les médecins et les responsables de la santé publique ont besoin.

L'histoire change cependant lorsque les chercheurs examinent les échantillons d'eaux usées. Ces échantillons sont des mélanges complexes contenant de nombreuses souches virales différentes à la fois, et l'objectif est de déterminer exactement quelle quantité de chaque souche est présente. Dans ce scénario, les chercheurs ont découvert que jeter des données était dangereux. Lorsqu'ils réduisaient trop la quantité de données, l'ordinateur peinait à distinguer les différentes souches. La précision de l'identification des souches présentes chutait brutalement dès que les données tombaient en dessous d'un certain seuil. La méthode de tri intelligent, bien qu'efficace pour équilibrer les données, créait parfois de faux signaux lorsque les données étaient trop rares, laissant croire qu'il y avait plus de souches différentes qu'il n'en existait réellement. La méthode aléatoire tenait un peu mieux la route à des niveaux de données très bas, mais échouait tout de même à donner une image fiable du mélange viral de la communauté. L'étude a conclu que, bien que la réduction de données soit un outil puissant pour accélérer l'analyse de routine, elle doit être utilisée avec une extrême prudence pour la surveillance environnementale. Pour les eaux usées, conserver un volume élevé de données est essentiel pour démêler avec précision le mélange complexe de virus qui circulent dans une population.

En fin de compte, ce travail fournit un guide clair sur la manière de gérer le flux de données génétiques généré lors de la surveillance virale. Il montre qu'il n'existe pas de meilleure façon unique de réduire les données ; le bon choix dépend entièrement de la question posée. Si l'objectif est d'identifier rapidement un virus chez un patient, une approche légère qui réduit les données est efficace et performante. Si l'objectif est de construire la carte génétique la plus détaillée possible, une méthode qui corrige les biais de copie est la meilleure voie. Mais lorsqu'il s'agit de comprendre les populations complexes et mixtes présentes dans l'environnement, les chercheurs ont constaté que moins de données n'est pas synonyme de mieux. Dans ces cas-là, le volume total d'informations est nécessaire pour éviter de manquer les détails subtils qui racontent la véritable histoire de la propagation d'un virus. En adaptant la stratégie de réduction de données à la tâche spécifique, les laboratoires de santé publique peuvent rendre leurs systèmes plus rapides et plus durables sans sacrifier la précision nécessaire pour protéger les communautés.