Pathotypr: harmonised MTBC lineage assignment and resistance-associated variant detection for genomic surveillance

Il paper presenta Pathotypr, uno strumento di sorveglianza genomica allineamento-free che assegna rapidamente e armoniosamente le linee evolutive del complesso *Mycobacterium tuberculosis* e rileva le varianti associate alla resistenza ai farmaci, supportando così la sorveglianza della tubercolosi in tempo reale e transfrontaliera.

L'essenziale

Immagina il Tubercolosi (causato dal batterio Mycobacterium tuberculosis) non come un singolo nemico, ma come una grande famiglia con molti rami distanti. Alcuni rami vivono nelle città, altri nelle foreste, e alcuni si sono adattati persino agli animali. Per fermare l'epidemia, i medici hanno bisogno di sapere esattamente "chi" hanno davanti (quale ramo della famiglia) e se questo nemico è armato (se è resistente ai farmaci).

Il problema è che finora, per identificare questi batteri, gli scienziati usavano strumenti lenti, costosi e che parlavano "lingue diverse" tra loro, rendendo difficile confrontare i dati tra paesi diversi.

Pathotypr è la nuova soluzione: un "traduttore universale" e un "detective veloce" tutto in uno.

Ecco come funziona, spiegato con delle analogie:

1. Il Grande Albero Genealogico (La Mappa)

Immagina di dover organizzare una biblioteca enorme dove i libri sono mischiati. Fino a poco tempo fa, mancava una mappa precisa.
Gli autori di Pathotypr hanno preso 26.813 campioni di batteri da tutto il mondo e hanno ricostruito l'albero genealogico completo della famiglia. Hanno identificato 14 rami principali (alcuni umani, alcuni animali) che prima venivano confusi o ignorati.

• L'analogia: È come se avessero finalmente disegnato la mappa completa di un labirinto, segnando ogni singolo vicolo cieco e ogni passaggio segreto, così nessuno si perde più.

2. Il Detective Senza Occhiali (L'Intelligenza Artificiale)

La maggior parte dei vecchi metodi per analizzare il DNA del batterio era come cercare di leggere un libro tenendo gli occhiali su un altro libro (allineamento al riferimento): era lento e spesso sbagliava se il libro era scritto in modo diverso.
Pathotypr usa un approccio diverso: non guarda il libro intero, ma cerca le "parole chiave" (i k-mer).

• L'analogia: Immagina di dover riconoscere un amico in una folla. I vecchi metodi provavano a confrontare ogni dettaglio del suo viso con una foto di archivio (lento). Pathotypr, invece, guarda solo i tratti distintivi: "Ha i capelli rossi? Sì. Ha una cicatrice? Sì. È lui!".
• Usa un'intelligenza artificiale (una "foresta casuale", o Random Forest) che impara a riconoscere questi tratti in pochi secondi.

3. La Doppia Missione: Chi è e Cosa sa fare

Pathotypr fa due cose contemporaneamente, come un agente segreto che controlla sia l'identità che il passaporto:

1. Identità: Ti dice esattamente a quale ramo della famiglia appartiene il batterio (anche a quelli rari o animali, che altri strumenti ignoravano).
2. Armi: Ti dice se il batterio è resistente ai farmaci. Se il batterio ha le "armi" (mutazioni che lo rendono resistente alla medicina), Pathotypr te lo segnala subito.

4. La Velocità: Il Superpotere

La cosa più incredibile è la velocità.

• I vecchi metodi: Per analizzare un campione potevano volerci minuti o ore. Se avessi dovuto analizzare 88.000 campioni (come hanno fatto loro), ci sarebbero voluti 636 giorni (quasi due anni!) con gli strumenti attuali.
• Pathotypr: Analizza lo stesso numero di campioni in 24 ore.
• L'analogia: È la differenza tra camminare a piedi per attraversare l'Europa (i vecchi metodi) e prendere un aereo supersonico (Pathotypr).

5. L'Applicazione Reale: Tracciare i Viaggiatori

Gli autori hanno usato Pathotypr su un grande database di casi in Europa. Hanno scoperto che molti casi di tubercolosi resistente non erano nati lì, ma erano stati importati da altri paesi (come la Turchia, la Cina o l'India).

• L'analogia: Pathotypr è stato come un sistema di telecamere di sicurezza ultra-veloce che ha tracciato i viaggiatori illegali, scoprendo che molti di loro portavano con sé "valigie piene di esplosivi" (resistenza ai farmaci). Questo aiuta i governi a capire da dove arriva il pericolo e come fermarlo prima che si diffonda.

Perché è importante per noi?

In passato, se un medico in Italia e uno in Germania trovavano lo stesso batterio, potevano chiamarlo con nomi diversi o usare metodi diversi, creando confusione.
Pathotypr è come un linguaggio comune universale.

• È gratuito e facile da usare (ha anche un'interfaccia grafica, come un'app, non serve essere programmatori).
• Funziona anche su computer normali, non serve un supercomputer.
• È veloce, preciso e parla la stessa lingua in tutto il mondo.

In sintesi: Pathotypr è lo strumento che ci permette di smettere di indovinare chi è il nemico e cosa sa fare, dandoci una mappa chiara e veloce per combattere la tubercolosi in tempo reale, salvando vite grazie alla velocità dell'informazione.

Sommario tecnico

Titolo: Pathotypr: assegnazione armonizzata delle linee di MTBC e rilevamento di varianti associate alla resistenza per la sorveglianza genomica

1. Il Problema

La sorveglianza genomica della tubercolosi (TB), causata dal complesso Mycobacterium tuberculosis (MTBC), affronta diverse sfide critiche che limitano l'interoperabilità e la velocità delle analisi:

• Incoerenza nella nomenclatura: Esistono discrepanze nei nomi delle linee (es. M. africanum vs linee L5-L6) e nei cladi adattati agli animali (A1-A4), rendendo difficile il confronto dei dati tra studi e laboratori.
• Limitazioni degli strumenti esistenti: Strumenti popolari come TB-Profiler o KvarQ spesso non supportano tutte le 14 linee riconosciute (inclusa la recentemente descritta Linea 10 e i cladi animali A1-A2) o dipendono da aggiornamenti manuali dei marcatori.
• Dipendenza dall'allineamento: Molti flussi di lavoro richiedono l'allineamento delle letture a un genoma di riferimento, creando colli di bottiglia computazionali e problemi di interpretazione quando i genomi differiscono per orientamento o sistema di coordinate.
• Lentezza: La necessità di risultati rapidi per la rilevazione di focolai e il tracciamento dei contatti non è soddisfatta da strumenti che richiedono tempi di esecuzione elevati su grandi dataset.

2. Metodologia

Gli autori hanno sviluppato Pathotypr, un tool open-source scritto in Rust, progettato come framework "alignment-free" (senza allineamento) per l'assegnazione delle linee e il genotipaggio della resistenza.

• Costruzione del Backbone Filogenetico:
  • È stata ricostruita una filogenesi di massima verosimiglianza utilizzando 26.813 genomi MTBC e 609.003 siti polimorfici.
  • Sono stati derivati 2.145 marcatori SNP specifici per le linee, selezionati sulle branche staminali che definiscono ogni clade monofiletico (L1-L10 e A1-A4), escludendo varianti omoplastiche e non missense per garantire stabilità evolutiva.
• Architettura del Software:
  Pathotypr è composto da cinque moduli:
  1. Train: Addestra un classificatore Random Forest basato su vettori di k-mer (hashing sparsificato) su genomi assemblati.
  2. Predict: Assegna le linee a nuovi assemblaggi utilizzando il modello addestrato (metodo alignment-free).
  3. Classify: Scansiona gli assemblaggi per marcatori SNP definitivi delle linee e della resistenza.
  4. Split-FASTQ: Esegue il genotipaggio direttamente dalle letture grezze (FASTQ) senza allineamento, chiamando varianti con profondità $\ge$ 10x e frequenza dell'allele alternativo $\ge$ 95%.
  5. Match: Identifica il genoma di riferimento più vicino per ciascun campione utilizzando un punteggio di contenimento dei k-mer, migliorando l'accuratezza delle chiamate di varianti successive.
• Rilevamento della Resistenza:
  • Utilizza il catalogo delle mutazioni dell'OMS (2023, 2ª edizione), limitandosi ai gradi di confidenza 1 e 2.
  • Aggrega le chiamate in categorie standard: Pan-susceptibile, Mono-resistente (INH), MDR, pre-XDR, ecc.

3. Contributi Chiave

• Copertura Completa delle Linee: Pathotypr è l'unico strumento che supporta tutte le 14 linee attualmente riconosciute (L1-L10 e A1-A4), inclusi i gruppi rari o recentemente scoperti (L10, A1, A2) spesso assenti in altri tool.
• Velocità ed Efficienza: Essendo alignment-free e scritto in Rust, è estremamente veloce (~1 secondo per campione), permettendo l'analisi di 88.000+ campioni in circa 24 ore su hardware standard.
• Interoperabilità: Funziona sia su genomi assemblati (FASTA) che su letture grezze (FASTQ), eliminando la dipendenza da specifici sistemi di coordinate di riferimento.
• Interfaccia Accessibile: Disponibile sia come strumento a riga di comando che come applicazione desktop con interfaccia grafica (GUI), facilitandone l'uso in laboratori con risorse computazionali limitate (<8 GB RAM).

4. Risultati

• Accuratezza nell'Assegnazione delle Linee:
  • Su 498 genomi completi RefSeq, l'assegnazione basata sui marcatori e quella alignment-free (Random Forest) hanno mostrato una concorrenza del 100%.
  • Su un set indipendente di 254 assemblaggi, la precisione è rimasta al 100%.
  • Nel benchmark su 88.071 campioni del dataset UShER-TB, la concordanza con TB-Profiler per le linee condivise è stata del 100%. Pathotypr ha inoltre identificato correttamente campioni appartenenti a L10, A1 e A2, che TB-Profiler non poteva classificare.
• Performance nella Resistenza ai Farmaci:
  • Su 7.148 isolati CRyPTIC (con dati fenotipici), la concordanza genotipo-fenotipo è stata dell'85,0%.
  • Performance elevate per i farmaci chiave: Rifampicina (Sensibilità 95,8%, Specificità 95,0%) e Isoniazide (Sensibilità 93,0%, Specificità 97,9%).
  • La performance è stata inferiore per farmaci come amikacina e linezolid, a causa dell'assenza di marcatori ad alta confidenza (Grado 1-2) nel catalogo OMS utilizzato, non per limiti algoritmici.
• Applicazione Epidemiologica (Studio CRyPTIC):
  • Utilizzando Pathotypr, gli autori hanno ricostruito 135 eventi di introduzione indipendenti in Germania, Italia e Ucraina.
  • Gli isolati associati a queste introduzioni presentavano un carico di resistenza significativamente più alto: il 33,7% era MDR/pre-XDR, contro il 5,5% degli isolati autoctoni europei.
  • Il modulo "Match" ha dimostrato che mappare le letture sul riferimento più vicino (invece che sul genoma ancestrale) aumenta la copertura e riduce del 89% il numero di SNP non fissi (falsi positivi di eterogeneità intra-ospite).

5. Significato e Impatto

Pathotypr colma un divario critico nella sorveglianza genomica della tubercolosi, offrendo un flusso di lavoro rapido, armonizzato e interoperabile.

• Sorveglianza Transfrontaliera: La capacità di assegnare linee in modo coerente e rapido supporta il monitoraggio della trasmissione transfrontaliera e l'identificazione di cluster resistenti, fondamentale per la salute pubblica europea.
• Scalabilità: La velocità di elaborazione rende possibile l'analisi in "quasi tempo reale" di grandi volumi di dati sequenziati, un requisito essenziale per la risposta ai focolai.
• Flessibilità: La struttura modulare e l'uso di k-mer permettono l'aggiornamento facile dei marcatori man mano che la filogenesi MTBC evolve, garantendo longevità allo strumento.

In sintesi, Pathotypr rappresenta un avanzamento significativo verso una sorveglianza TB genomica standardizzata, capace di gestire la diversità completa del complesso MTBC con un'efficienza computazionale superiore rispetto alle soluzioni attuali.