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

Per monitorare come i virus cambiano e si diffondono, gli scienziati si affidano a uno strumento potente chiamato sequenziamento di nuova generazione. Immaginate di scattare una fotografia dell'intero codice genetico di un virus, una lunga sequenza di istruzioni che dice al virus come comportarsi. Leggendo questi codici da molti pazienti diversi, i ricercatori possono individuare nuove varianti, capire come il virus si muove attraverso una comunità e osservare la comparsa di mutazioni pericolose. Tuttavia, il processo di scatto di queste foto genetiche non è sempre efficiente. Le macchine utilizzate per leggere il codice producono spesso molti più dati di quelli strettamente necessari, proprio come scattare una fotografia con una macchina fotografica che cattura ogni singolo granello di sabbia su una spiaggia quando si ha solo bisogno di vedere l'orizzonte. Questo eccesso di dati crea un pesante carico per i computer, rallentando l'analisi e rendendo più difficile ottenere risposte tempestive durante una crisi di salute pubblica.

Un team di ricercatori nello Utah si è posto l'obiettivo di risolvere questo problema del disordine digitale. Si sono concentrati su un tipo specifico di sequenziamento genetico utilizzato per il SARS-CoV-2, che si basa su un metodo chiamato sequenziamento ampliconico. Questa tecnica funziona copiando molte volte piccoli pezzi specifici del genoma virale in modo che possano essere letti chiaramente. Un effetto collaterale noto di questo processo di copia è che alcuni pezzi vengono copiati molto più di altri, creando una distribuzione disomogenea dei dati. Per garantire che ogni parte del virus sia vista, gli scienziati spesso sequenziano i campioni ben oltre quanto necessario, generando file enormi che richiedono molto tempo per essere elaborati. I ricercatori volevano sapere se potessero eliminare in sicurezza parte di questi dati extra per velocizzare le cose senza perdere la capacità di identificare il virus o rilevare nuove varianti. Hanno testato due modi diversi per ridurre i dati: uno che semplicemente sceglieva pezzi casuali da conservare, e un altro che bilanciava attivamente i dati per correggere la copia disomogenea.

Lo studio ha comportato l'analisi di dati genetici provenienti da 220 campioni clinici prelevati da pazienti e 12 campioni raccolti dalle acque reflue, che contengono un mix di virus provenienti da molte persone in una comunità. I ricercatori hanno preso i dataset originali, massicci, e li hanno ridotti a varie dimensioni più piccole, testando quanto bene il computer potesse ancora svolgere il suo lavoro. Hanno confrontato i risultati di due strategie. La prima strategia, il sottocampionamento casuale, era come prendere un secchio di biglie colorate e prelevare alla cieca una manciata più piccola. Questo metodo manteneva l'originale disomogeneità dei dati ma rendeva il mucchio totale più piccolo. La seconda strategia, la normalizzazione della profondità di lettura, era più simile a un selezionatore intelligente che guardava il mucchio, identificava le biglie troppo numerose e rimuoveva le eccedenze per creare una manciata perfettamente bilanciata.

I risultati hanno mostrato che entrambi i metodi hanno ridotto con successo il tempo e la potenza del computer necessari per analizzare i campioni, ma funzionavano meglio per obiettivi diversi. Per i campioni dei pazienti, dove l'obiettivo era semplicemente identificare quale versione del virus fosse presente, il metodo del prelievo casuale funzionava bene, purché rimanessero abbastanza dati. Tuttavia, il metodo della selezione intelligente era superiore nel creare un quadro completo e accurato del codice genetico del virus. Permetteva ai ricercatori di ottenere risultati di alta qualità con significativamente meno dati rispetto al metodo casuale. Nello specifico, il metodo della selezione intelligente produceva mappe genetiche affidabili a una profondità di copertura di 200 volte, mentre il metodo casuale richiedeva più di 500 volte la copertura per raggiungere lo stesso livello di completezza. Ciò significa che per i test di routine sui pazienti, l'uso del metodo della selezione intelligente potrebbe far risparmiare una grande quantità di tempo computazionale pur fornendo le risposte chiare di cui medici e funzionari della salute pubblica hanno bisogno.

La storia, tuttavia, cambiava quando i ricercatori esaminavano i campioni delle acque reflue. Questi campoli sono miscele complesse che contengono molti ceppi virali diversi contemporaneamente, e l'obiettivo è capire esattamente quanto sia presente di ogni ceppo. In questo scenario, i ricercatori hanno scoperto che scartare i dati era pericoloso. Quando riducevano troppo la quantità di dati, il computer faceva fatica a distinguere i diversi ceppi. L'accuratezza nell'identificare quali ceppi fossero presenti scendeva drasticamente una volta che i dati scendevano sotto un certo livello. Il metodo della selezione intelligente, pur essendo buono nel bilanciare i dati, a volte creava segnali falsi quando i dati erano troppo scarsi, facendo sembrare che esistessero più ceppi diversi di quanti ne esistessero in realtà. Il metodo casuale resisteva leggermente meglio a livelli di dati molto bassi, ma comunque non riusciva a fornire un quadro affidabile del mix virale della comunità. Lo studio ha conclusito che, sebbene la riduzione dei dati sia uno strumento potente per velocizzare l'analisi di routine, debba essere utilizzata con estrema cautela per il monitoraggio ambientale. Per le acque reflue, mantenere un alto volume di dati è essenziale per separare accuratamente il complesso mix di virus che circola in una popolazione.

In definitiva, questo lavoro fornisce una guida chiara su come gestire l'ondata di dati genetici generata durante la sorveglianza virale. Dimostra che non esiste un unico modo migliore per ridurre i dati; la scelta giusta dipende interamente dalla domanda che viene posta. Se l'obiettivo è identificare rapidamente un virus in un paziente, un approccio leggero che riduce i dati è efficiente ed efficace. Se l'obiettivo è costruire la mappa genetica più dettagliata possibile, un metodo che corregge i pregiudizi di copia è la strada migliore. Ma quando si cerca di comprendere le popolazioni complesse e miste presenti nell'ambiente, i ricercatori hanno scoperto che meno dati non significa meglio. In quei casi, l'intero volume di informazioni è necessario per evitare di perdere i dettagli sottili che raccontano la vera storia di come un virus si stia diffondendo. Abbinando la strategia di riduzione dei dati al compito specifico, i laboratori di salute pubblica possono rendere i loro sistemi più veloci e sostenibili senza sacrificare l'accuratezza necessaria per proteggere le comunità.