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

वायरस कैसे बदलते हैं और कैसे फैलते हैं, इसका पता लगाने के लिए वैज्ञानिक 'नेक्स्ट-जेनरेशन सीक्वेंसिंग' नामक एक शक्तिशाली उपकरण पर भरोसा करते हैं। कल्पना कीजिए कि आप वायरस के पूरे जेनेटिक कोड की एक तस्वीर ले रहे हैं—निर्देशों की एक लंबी श्रृंखला जो वायरस को बताती है कि उसे कैसे व्यवहार करना है। कई अलग-अलग रोगियों से इन कोड्स को पढ़कर, शोधकर्ता नए वेरिएंट्स का पता लगा सकते हैं, यह समझ सकते हैं कि वायरस किसी समुदाय में कैसे घूम रहा है, और खतरनाक म्यूटेशन पर नज़र रख सकते हैं। हालाँकि, इन जेनेटिक तस्वीरों को लेने की प्रक्रिया हमेशा कुशल नहीं होती है। कोड को पढ़ने के लिए उपयोग की जाने वाली मशीनें अक्सर ज़रूरत से कहीं ज़्यादा डेटा उत्पन्न करती हैं, ठीक वैसे ही जैसे एक ऐसा कैमरा जो क्षितिज देखने के बजाय समुद्र तट पर रेत के हर एक कण की तस्वीर ले लेता है। यह अतिरिक्त डेटा कंप्यूटरों पर एक भारी बोझ डाल देता है, जिससे विश्लेषण धीमा हो जाता है और सार्वजनिक स्वास्थ्य संकट के दौरान समय पर उत्तर प्राप्त करना कठिन हो जाता है।

यूटा (Utah) में शोधकर्ताओं की एक टीम इस डिजिटल अव्यवस्था की समस्या को हल करने के लिए आगे आई। उन्होंने SARS-CoV-2 वायरस के लिए उपयोग की जाने वाली एक विशिष्ट प्रकार की जेनेटिक सीक्वेंसिंग पर ध्यान केंद्रित किया, जो 'एम्प्लिकॉन सीक्वेंसिंग' नामक एक विधि पर निर्भर करती है। यह तकनीक वायरस के जीनोम के छोटे, विशिष्ट टुकड़ों की कई बार नकल करने पर आधारित है ताकि उन्हें स्पष्ट रूप से पढ़ा जा सके। इस नकल करने की प्रक्रिया का एक ज्ञात दुष्प्रभाव यह है कि कुछ टुकड़े दूसरों की तुलना में बहुत अधिक बार कॉपी हो जाते हैं, जिससे डेटा का असमान वितरण पैदा होता है। यह सुनिश्चित करने के लिए कि वायरस के हर हिस्से को देखा जा सके, वैज्ञानिक अक्सर नमूने को ज़रूरत से कहीं अधिक सीक्वेंस करते हैं, जिससे विशाल फाइलें बन जाती हैं जिन्हें प्रोसेस करने में बहुत समय लगता है। शोधकर्ता यह जानना चाहते थे कि क्या वे वायरस की पहचान करने या नए वेरिएंट का पता लगाने की क्षमता को खोए बिना, काम को तेज़ करने के लिए इस अतिरिक्त डेटा को सुरक्षित रूप से हटा सकते हैं। उन्होंने डेटा को कम करने के दो अलग-अलग तरीकों का परीक्षण किया: एक जो बस कुछ यादृच्छिक (random) टुकड़ों को रखने के लिए चुनता था, और दूसरा जो डेटा को संतुलित करने के लिए सक्रिय रूप से असमान नकल को ठीक करता था।

इस अध्ययन में रोगियों से लिए गए 220 क्लिनिकल नमूनों और 12 अपशिष्ट जल (wastewater) के नमूनों का विश्लेषण शामिल था, जिसमें एक समुदाय के कई लोगों के वायरस का मिश्रण होता है। शोधकर्ताओं ने मूल, विशाल डेटासेट लिए और उन्हें विभिन्न छोटे आकारों में कम किया, और यह परीक्षण किया कि कंप्यूटर अपना काम कितनी अच्छी तरह कर सकता है। उन्होंने दो रणनीतियों के परिणामों की तुलना की। पहली रणनीति, 'रैंडम सबसैंपलिंग' (random subsampling), वैसी ही थी जैसे मिश्रित कंचों की एक बाल्टी से अंधाधुंध एक छोटी मुट्ठी निकाल लेना। इस विधि ने डेटा की मूल असमानता को बनाए रखा लेकिन कुल ढेर को छोटा कर दिया। दूसरी रणनीति, 'रीड डेप्थ नॉर्मलाइजेशन' (read depth normalization), एक स्मार्ट सॉर्टर की तरह थी जिसने ढेर को देखा, उन कंचों की पहचान की जो बहुत अधिक संख्या में थे, और अतिरिक्त कंचों को हटाकर एक पूरी तरह से संतुलित मुट्ठी बनाई।

परिणामों ने दिखाया कि दोनों विधियों ने नमूनों का विश्लेषण करने के लिए लगने वाले समय और कंप्यूटर शक्ति को सफलतापूर्वक कम कर दिया, लेकिन वे अलग-अलग लक्ष्यों के लिए सबसे अच्छा काम करते थे। रोगी के नमूनों के लिए, जहाँ लक्ष्य केवल यह पहचानना था कि वायरस का कौन सा संस्करण मौजूद है, रैंडम स्कूपिंग (यादृच्छिक चयन) विधि तब तक अच्छी रही जब तक पर्याप्त डेटा बचा रहा। हालाँकि, स्मार्ट सॉर्टिंग विधि वायरस के जेनेटिक कोड की एक पूर्ण और सटीक तस्वीर बनाने में श्रेष्ठ थी। इसने शोधकर्ताओं को बहुत कम डेटा के साथ उच्च-गुणवत्ता वाले परिणाम प्राप्त करने की अनुमति दी। विशेष रूप से, स्मार्ट सॉर्टिंग विधि ने 200 गुना कवरेज की डेटा गहराई पर विश्वसनीय जेनेटिक मैप तैयार किए, जबकि रैंडम विधि को समान स्तर की पूर्णता प्राप्त करने के लिए 500 गुना से अधिक कवरेज की आवश्यकता थी। इसका अर्थ है कि नियमित रोगी परीक्षण के लिए, स्मार्ट सॉर्टिंग विधि का उपयोग करने से कंप्यूटिंग समय की बहुत बचत हो सकती है, जबकि यह डॉक्टरों और सार्वजनिक स्वास्थ्य अधिकारियों को आवश्यक स्पष्ट उत्तर भी प्रदान करती है।

हालाँकि, जब शोधकर्ताओं ने अपशिष्ट जल (wastewater) के नमूनों को देखा, तो कहानी बदल गई। ये नमूने जटिल मिश्रण हैं जिनमें एक साथ कई अलग-अलग वायरल स्ट्रेन मौजूद होते हैं, और लक्ष्य यह पता लगाना है कि प्रत्येक स्ट्रेन वास्तव में कितना मौजूद है। इस परिदृश्य में, शोधकर्ताओं ने पाया कि डेटा को फेंकना खतरनाक था। जब उन्होंने डेटा की मात्रा बहुत अधिक कम कर दी, तो कंप्यूटर अलग-अलग स्ट्रेन के बीच अंतर करने में संघर्ष करने लगा। डेटा के एक निश्चित स्तर से नीचे गिरने पर यह पता लगाने की सटीकता कि कौन से स्ट्रेन मौजूद हैं, तेजी से गिर गई। स्मार्ट सॉर्टिंग विधि, जो डेटा को संतुलित करने में अच्छी थी, कभी-कभी गलत संकेत (false signals) पैदा कर देती थी जब डेटा बहुत विरल (sparse) होता था, जिससे ऐसा प्रतीत होता था कि वास्तव में मौजूद स्ट्रेन की तुलना में अधिक स्ट्रेन मौजूद हैं। रैंडम विधि बहुत कम डेटा स्तरों पर थोड़ा बेहतर प्रदर्शन करती रही, लेकिन फिर भी वह समुदाय के वायरल मिश्रण की विश्वसनीय तस्वीर देने में विफल रही। अध्ययन ने निष्कर्ष निकाला कि हालांकि डेटा रिडक्शन (डेटा कम करना) नियमित विश्लेषण को तेज करने के लिए एक शक्तिशाली उपकरण है, लेकिन पर्यावरणीय निगरानी के लिए इसका उपयोग अत्यंत सावधानी के साथ किया जाना चाहिए। अपशिष्ट जल के लिए, आबादी में घूम रहे जटिल मिश्रण को सटीक रूप से सुलझाने के लिए डेटा की उच्च मात्रा बनाए रखना आवश्यक है।

अंततः, यह कार्य वायरल निगरानी के दौरान उत्पन्न होने वाले जेनेटिक डेटा के सैलाब को संभालने के लिए एक स्पष्ट मार्गदर्शिका प्रदान करता है। यह दिखाता है कि डेटा को कम करने का कोई एक सबसे अच्छा तरीका नहीं है; सही चुनाव पूरी तरह से इस बात पर निर्भर करता है कि कौन सा प्रश्न पूछा जा रहा है। यदि लक्ष्य रोगी में वायरस की तेज़ी से पहचान करना है, तो डेटा को छाँटने वाला एक हल्का दृष्टिकोण कुशल और प्रभावी है। यदि लक्ष्य वायरस का सबसे विस्तृत जेनेटिक मैप बनाना है, तो नकल के पूर्वाग्रहों (copying biases) को ठीक करने वाली विधि बेहतर रास्ता है। लेकिन जब पर्यावरण में पाए जाने वाले जटिल, मिश्रित आबादी को समझने की कोशिश की जाती है, तो शोधकर्ताओं ने पाया कि कम डेटा बेहतर नहीं है। उन मामलों में, सूक्ष्म विवरणों को पकड़ने के लिए सूचना की पूर्ण मात्रा आवश्यक है जो वायरस के प्रसार की वास्तविक कहानी बताते हैं। अपने डेटा रिडक्शन स्ट्रैटेजी को विशिष्ट कार्य के अनुरूप बनाकर, सार्वजनिक स्वास्थ्य प्रयोगशालाएं अपनी प्रणालियों को तेज़ और अधिक टिकाऊ बना सकती हैं, बिना उस सटीकता से समझौता किए जिसकी समुदायों की सुरक्षा के लिए आवश्यकता है।