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

Il paper presenta PathogenSurveillance, una pipeline automatizzata open-source basata su Nextflow che facilita l'analisi genomica di popolazione e l'identificazione di patogeni e parassiti tramite dati di sequenziamento dell'intero genoma, supportando sia letture corte che lunghe e funzionando su sistemi Linux senza richiedere competenze computazionali avanzate.

L'essenziale

Immagina il mondo come un enorme villaggio dove, ogni giorno, arrivano nuovi viaggiatori (i microrganismi). La maggior parte è innocua, ma alcuni sono "intrusi" pericolosi: virus, batteri o funghi che possono causare epidemie. Il problema è che spesso questi intrusi arrivano travestiti, o sono così nuovi che nessuno sa chi sono o come combatterli.

Fino a poco tempo fa, per identificarli, servivano esperti con anni di studio, laboratori costosi e molto tempo. Era come cercare di trovare un ago in un pagliaio usando solo una lente d'ingrandimento e un dizionario di 500 pagine.

Cos'è PathogenSurveillance?

PathogenSurveillance è come un robot detective super-intelligente e automatizzato che ha appena fatto il suo debutto. È un programma informatico (un "pipeline") creato da un team di scienziati per analizzare il "codice genetico" (il DNA) di questi microrganismi in modo rapidissimo e automatico.

Ecco come funziona, usando delle metafore quotidiane:

1. L'Ingresso: La Dogana Automatica

Immagina di avere un mucchio di valigie (i campioni di DNA) che arrivano dall'aeroporto. Invece di aprire ogni valigia a mano e leggere ogni etichetta, PathogenSurveillance è un sistema di scansione ai raggi X che:

• Legge il DNA grezzo (le sequenze di lettere A, C, T, G).
• Non ha bisogno che tu sappia già cosa c'è dentro la valigia.
• Accetta valigie di qualsiasi tipo: batteri (piccoli), funghi (più grandi) o miscele di entrambi.

2. L'Identikit: Il Confronto con la Banca Dati

Una volta scansionato il DNA, il robot detective va nella più grande biblioteca genetica del mondo (la banca dati NCBI).

• Il trucco intelligente: Invece di confrontare il DNA con tutti i libri della biblioteca (che ci vorrebbe un'eternità), usa un sistema di "schemi" (chiamati k-mer sketches). È come se prendesse le impronte digitali del DNA e le confrontasse velocemente con quelle dei criminali noti.
• Se trova un match, sa subito di che specie si tratta. Se non trova un match esatto, cerca i parenti più stretti per capire da quale "famiglia" proviene l'intruso.

3. La Scelta degli Esperti: Il Sistema di Riferimento

Per capire bene chi è l'intruso, il detective deve confrontarlo con qualcuno di simile. Ma quale?

• PathogenSurveillance ha un algoritmo che decide da solo quali "esperti" (sequenze di riferimento) consultare.
• È come se, vedendo un nuovo tipo di gatto, il sistema decidesse automaticamente se confrontarlo con un gatto domestico, un leone o un puma, basandosi su quanto sono simili le loro impronte.
• Se ci sono molti campioni simili (una "popolazione"), li raggruppa per vedere se sono fratelli gemelli (ceppi clonali) o se c'è stata una mutazione (una nuova variante).

4. Il Rapporto Finale: La Dashboard Interattiva

Alla fine, invece di darti un muro di testo incomprensibile, PathogenSurveillance genera un report interattivo colorato (come una pagina web).

• Ti mostra alberi genealogici (chi è parente di chi).
• Ti mostra mappe che collegano i diversi ceppi.
• Ti dice: "Attenzione! Questo campione è molto simile a quello che ha causato l'epidemia del 2010" oppure "Questo è un nuovo arrivato, non lo abbiamo mai visto prima".
• Tutto è organizzato in modo che anche chi non è un informatico possa capire la situazione e agire subito.

Perché è una rivoluzione?

1. Nessun esperto necessario: Prima, per fare queste analisi serviva un bioinformatico (uno specialista di computer e biologia) che passasse giorni a configurare il software. Ora, basta un comando: "Ehi robot, analizza questi campioni".
2. Velocità: Può analizzare centinaia di campioni in poche ore, invece di settimane. È fondamentale quando un'epidemia sta per esplodere.
3. Flessibilità: Funziona sia su computer normali che su supercomputer, e gestisce sia dati vecchi che nuovi (tecnologie di sequenziamento diverse).
4. Open Source: È gratuito e chiunque può prenderlo, studiarlo e migliorarlo. È come un progetto di codice aperto per il bene comune.

In sintesi

PathogenSurveillance è il "guardiano del villaggio" che non dorme mai. Prende il caos dei dati genetici grezzi e li trasforma in una mappa chiara e comprensibile, permettendo ai medici, agli agricoltori e agli scienziati di dire: "Ecco chi è il colpevole, ecco da dove viene e come si sta diffondendo", prima che sia troppo tardi.

È uno strumento che trasforma la scienza complessa in un'azione rapida e salvavita, rendendo la sorveglianza delle malattie accessibile a tutti.

Sommario tecnico

Titolo: PathogenSurveillance: una pipeline automatizzata per analisi genomiche di popolazione e identificazione di patogeni

1. Il Problema

L'emergere di patogeni e parassiti invasivi rappresenta una minaccia globale crescente, spesso accelerata da fattori antropogenici come il commercio internazionale. I sistemi di biosorveglianza esistenti faticano a tenere il passo con la rapida diffusione di questi organismi, rendendo difficile una risposta tempestiva.
Sebbene il Sequenziamento dell'Intero Genoma (WGS) offra un metodo potente, organism-agnostico e completo per la rilevazione precoce, la sua adozione è limitata da due ostacoli principali:

1. La necessità di infrastrutture computazionali adeguate.
2. La carenza di esperti con competenze sia in bioinformatica che in biologia dei patogeni.
   Le pipeline esistenti spesso richiedono una conoscenza preesistente dell'organismo target per la selezione dei riferimenti, non gestiscono bene i campioni misti (procarioti/eucarioti) o mancano di automazione completa per l'analisi di popolazione e la costruzione di alberi filogenetici.

2. Metodologia

Gli autori hanno sviluppato PathogenSurveillance, una pipeline open-source basata su Nextflow e ospitata nel framework comunitario nf-core. La pipeline è progettata per automatizzare l'intero flusso di lavoro, dalla selezione dei dati grezzi alla generazione di report interattivi.

Caratteristiche tecniche principali:

• Input Flessibile: Accetta dati di lettura brevi (Illumina) e lunghe (PacBio, Oxford Nanopore) da file locali, URL o accessioni NCBI (SRA/Biosample). Supporta campioni singoli, popolazioni o miscele di procarioti ed eucarioti.
• Selezione Automatica dei Riferimenti: Utilizza un sistema basato su regole a due stadi:
  1. Identificazione preliminare: Genera "sketch" di k-mer dai dati grezzi e li confronta con NCBI RefSeq usando bbmap sendsketch per una classificazione tassonomica rapida.
  2. Raccolta e Filtraggio: Scarica automaticamente i metadati delle assemblee genomiche pertinenti. Applica criteri di priorità (es. ceppo tipo, livello di assemblaggio, presenza di RefSeq) e utilizza l'Identità Nucleotidica Media (ANI) stimata tramite sourmash per selezionare i riferimenti più adatti per l'analisi filogenetica (riferimenti contestuali) e per il mappaggio delle letture (riferimenti di mappatura).
• Analisi Differenziata:
  • Procarioti: Annotazione del genoma, clustering degli ortologhi, costruzione di alberi filogenetici del core-genoma e, se necessario, chiamata di SNP (Single Nucleotide Polymorphisms) e reti di spanning minimo.
  • Eucarioti: Utilizzo di sequenze BUSCO (Benchmarking Universal Single-Copy Orthologs) per costruire alberi filogenetici, evitando l'annotazione automatica complessa.
• Output e Reporting: Genera report HTML interattivi con visualizzazioni (sunburst plot, heatmap ANI/POCP, alberi filogenetici, reti di spanning minimo) e file strutturati per l'analisi downstream. Include report di controllo qualità (FastQC, NanoPlot, MultiQC, QUAST).
• Portabilità ed Efficienza: Eseguita su qualsiasi sistema Linux (desktop, HPC, cloud) tramite container (Docker, Apptainer, Conda). Include meccanismi di caching (-resume) per riavviare analisi interrotte o riutilizzare risultati parziali, riducendo tempi e risorse.

3. Contributi Chiave

• Automazione Completa: Rimuove la necessità di competenze bioinformatiche avanzate per la selezione dei riferimenti e la costruzione di filogenesi, rendendo il WGS accessibile a non esperti.
• Approccio Ibrido: Integra metodi basati su k-mer, filogenesi multigene e analisi basate su varianti (SNP) in un'unica pipeline.
• Gestione di Campioni Misti: Capacità unica di analizzare simultaneamente procarioti ed eucarioti e di gestire campioni misti o popolazioni complesse.
• Standardizzazione nf-core: Sfrutta la struttura rigorosa di nf-core per garantire riproducibilità, modularità e peer-review della comunità.
• Scalabilità: Progettata per funzionare su risorse computazionali variabili, con parallelizzazione automatica e gestione degli errori.

4. Risultati e Validazione

La pipeline è stata validata su diversi dataset:

• Dataset Serratia: Confrontando i risultati su 302 campioni (11 specie) con studi precedenti, PathogenSurveillance ha prodotto alberi filogenetici e assegnazioni tassonomiche altamente concordanti, dimostrando accuratezza nella risoluzione di lignaggi clonali.
• Selezione Automatica dei Riferimenti: Utilizzando dati di microbiota intestinale di api (Gilliamella apicola), la pipeline ha correttamente identificato e scaricato i riferimenti appropriati da NCBI, selezionando i ceppi più simili basandosi sull'ANI, anche in assenza di assemblaggi pubblici specifici per i campioni di test.
• Robustezza alla Divergenza: Test di simulazione con divergenze sequenziali fino al 10% hanno mostrato che la pipeline mantiene una selezione robusta dei riferimenti.
• Performance Computazionali:
  • Il tempo di esecuzione e l'uso di RAM aumentano linearmente con il numero di campioni.
  • I dati procariotici sono stati elaborati in meno di un'ora (con RAM < 15 GB).
  • I dati eucariotici mostrano tempi di esecuzione scalabili in base alle dimensioni del genoma (fino a 13,6 ore per genomi grandi), con un uso di RAM fino a 70 GB.
  • La pipeline è stata testata con successo su un desktop Linux standard, dimostrando la sua portabilità.

5. Significato e Impatto

PathogenSurveillance rappresenta un passo avanti significativo nella biosorveglianza globale.

• Risposta Rapida: Abilita la rilevazione e il monitoraggio in tempo reale di varianti emergenti e patogeni sconosciuti, cruciale per la prevenzione di epidemie.
• Accessibilità: Democratizza l'uso della genomica di popolazione, permettendo a laboratori con risorse computazionali limitate e personale non specializzato di condurre analisi complesse.
• One Health: Supporta il quadro "One Health" analizzando patogeni che attraversano i domini umano, animale e ambientale.
• Flessibilità: La capacità di gestire dati grezzi senza pre-conoscenza tassonomica la rende ideale per la sorveglianza di minacce biologiche nuove o inaspettate.

In sintesi, PathogenSurveillance colma il divario tra la potenza del sequenziamento genomico e la necessità pratica di diagnosi rapide e standardizzate, fornendo uno strumento robusto, riproducibile e facile da usare per la comunità scientifica e le agenzie di sanità pubblica.