Phylogeny-aided detection of contamination in nearly 5 million SARS-CoV-2 genomes

技術要約：約500万件のSARS-CoV-2ゲノムにおける系統樹を用いた汚染検出

問題の定義
SARS-CoV-2のゲノムシーケンシングは、公開リポジトリにおける配列数が1,700万件を超えるという大規模なスケールに達しており、データの品質に重大な課題をもたらしている。主要なエラー源の一つはサンプル汚染であり、異なるホスト由来の複数のゲノムがシーケンシング中に誤って混入してしまう現象である。高存在量の汚染物質は検出可能なことが多いが、低存在量の汚染と「アンプリコン・ドロップアウト（増幅脱落）」が組み合わさった場合、検出が非常に困難な特定の問題が生じる。アンプリコンベースのシーケンシング（SARS-CoV-2の標準的な手法）において、プライマー結合部位の変異は、汚染されたサンプル内の多数派ゲノムの増幅を妨げる可能性がある。その結果、少数派の汚染ゲノムからのリードが特定の領域を支配してしまい、ハイブリッドなコンセンサス配列が生成されることで、それが偽の組換えとして表示されたり、誤った変異を導入したりすることがある。これらのアーティファクトは、系統分類（リネージ割り当て）、伝播追跡、および進化推論を含む下流の解析を混乱させる可能性がある。既存の計算手法は、低レベルの汚染とアンプリコン・ドロップアウトの間の特有の相互作用を考慮できていないことが多い。

手法：PhyCDパイプライン
著者らは、汚染とアンプリコン・ドロップアウトの組み合わせに起因するコンセンサス配列のエラーを特定し、マスクするための計算パイプラインであるPhyCD（Phylogeny-aided Contamination Detection：系統樹支援型汚染検出）を提示している。このパイプラインは以下のステップで動作する：

1. データ前処理とリファレンス選択：

   • 本研究では、参照バイアスに対処し、低カバレッジまたは高度にヘテロ接合な部位をマスクしているViridianを用いてアセンブルされた、4,952,451個のSARS-CoV-2ゲノムのデータセットを利用している。
   • 785,011個のサンプルからなる「リファレンスセット」が、厳格な基準に基づいて選択されている。これらは、特定のカバレッジ閾値を下回るポジションがゼロであり、ヘテロ接合部位が極めて少ないものである。これらのサンプルは、汚染に関連するコンセンサスエラーがないと想定されている。
   • このリファレンスセットを用いて、MAPLE (v0.7.5) を使用してパンデミック規模のリファレンス系統樹を推定する。

2. ドロップアウト・マスキング：

   • 残りの「テスト対象」サンプルに対し、シーケンシングのカバレッジがサンプルの中央値に対して著しく低下している領域を特定する。
   • 閾値 $\rho$（5%、10%、15%、20%でテスト）が適用される。カバレッジが $\max(50, \rho \times M_s)$ （ここで $M_s$ は中央値カバレッジ）を下回るポジションがマスクされる。これは、多数派ゲノムのリードがドロップアウトし、汚染リードのみが残った領域を標的としている。
   • 各サンプルについて、3種類のコンセンサス配列が生成される：
     • ドロップアウト・マスク済み (Dropout masked): カバレッジ低下に基づき領域がマスクされたもの。
     • ドロップアウト・未マスク (Dropout unmasked): 標準的なコンセンサス（ベースラインとして使用）。
     • ランダム・マスク (Randomly masked): 真のシグナルとノイズを区別するために、同数のポジションをランダムにマスクしたコントロール。

3. 系統学的配置とシグナル検出：

   • これら3種類の配列すべてが、MAPLE を用いてリファレンスツリー上に系統学的に配置される。
   • コアとなる論理は、汚染によるエラーが人工的な置換を生み出し、真の進化系統からの系統学的距離（枝長）を増大させるという仮定に基づいている。
   • もしドロップアウト・マスク済みの配列が、ドロップアウト・未マスクの配列よりもリファレンスツリーに対して有意に近く配置される（枝長が短い）場合、マスクされた領域に汚染による誤った置換が含まれていたことを示唆する。
   • ドロップアウト・マスク済み配列が未マスク配列よりもツリーに対して少なくとも2置換分近い場合、そのサンプルは「汚染の疑いあり」としてフラグが立てられる。

4. 汚染物質の探索（オプション）：

   • パイプラインは、マスクされた領域およびヘテロ接合部位における類似性を確認することで、リファレンスサンプルの中から「妥当な汚染物質」を特定しようと試みる。しかし、著者らは、尤度ベースのモデルや近接性スコアは、この特定のデータセットにおいて偽陽性を効果的に排除するための十分な識別力を達成できなかったと述べている。

主な結果

• 検出規模： 4,900万件近いゲノムに適用され、PhyCDは保守的なパラメータ（$\rho = 5\%$）を用いて10,942個の汚染疑いサンプルを特定した。
• 偽陽性の推定： ランダム・マスキング・コントロールと比較することにより、著者らはランダム・マスキング・プロセスによってフラグが立てられたサンプルが5,457個あることを特定した。これは、フラグが立てられたサンプルの約50%が偽陽性（すなわち、カバレッジ低下によって真の変異がマスクされたもの）である可能性を示唆している。
• データへの影響： フラグが立てられたゲノム全体を通じて、PhyCDは、下流の解析においてエラーを引き起こす可能性のある64,753個の置換を特定し、そのマスキングを可能にした。
• パラメータ感度： カバレッジ閾値 $\rho$ を上げると、フラグが立てられるサンプル数は増加したが、シグナル対ノイズ比は低下した（$\rho = 5\%$ で 2.0 から $\rho = 20\%$ で ~1.6 へ）。高い閾値は、真の遺伝情報の過剰な損失を招いた。
• ケーススタディ： 特定のサンプル（SRR24221569）の分析では、カバレッジ低下領域をマスクすることで、系統学的配置の枝長が2.1から0へと減少し、サンプルを既存のリファレンスサンプル上に直接配置させ、配置の信頼性を0.32から0.94へと向上させたことが示された。リード深度の可視化により、汚染仮説と一致するカバレッジ低下とヘテロ接合性が確認された。

意義と主張
本論文は、PhyCDが、アンプリコン・ドロップアウトのために標準的なヘテロ接合性ベースのフィルタリングでは不可視となる汚染アーティファクトを検出するための、スケーラブルで系統学的に支援された手法を提供すると主張している。

• トレードオフの管理： 著者らは、感度と精度の間の固有のトレードオフを強調している。50%の偽陽性率は高く見えるかもしれないが、著者らは、組換え推論や系統分類におけるアーティファクトの伝播を防ぐために、約5,000個の潜在的に汚染されたサンプル（全データセットの0.1%）をマスクまたは除外することは、グローバルな監視の文脈において有利であると主張している。
• スケーラビリティ： 本手法は、MAPLEのような効率的な系統学的配置ツールを活用することで、パンデミック規模のデータ（数百万のゲノム）を正常に処理できることを実証した。
• 汎用性： SARS-CoV-2向けに開発されたものであるが、著者らは、十分に密なリファレンス系統樹が存在すれば、この手法を他のアンプリコン・シーケンシング対象の病原体に拡張できることを示唆している。
• 限界： 著者らは、真の陽性率を検証するための実験的に検証された汚染サンプルの「ゴールドスタンダード」データセットが欠如していることを謙虚に認めている。また、現在のパイプラインは、統一された確率モデルではなく、逐次的なフィルタリングステップに依存しており、それが理論的にはより高い検出力を提供できる可能性があるものの、この規模では計算上の課題が生じると指摘している。

結論として、本研究は、系統学的配置がパンデミック規模での汚染検出のための信頼できるシグナルとして機能することを示しており、汚染がコンセンサス配列に影響を与えることは比較的稀（~0.1%）であるものの、影響を受けるゲノムの絶対数は、PhyCDのような自動化されたキュレーションツールを必要とするほど重要であることを明らかにしている。