Afanc: taxonomic deconvolution and probabilistic lineage assignment for pathogen genomic surveillance

Afanc: 병원체 게놈 감시를 위한 분류학적 디콘볼루션(deconvolution) 및 확률적 계통 할당

문제 제기
신뢰할 수 있는 병원체 게놈 감시를 위해서는 광범위한 분류학적 민감도와 고해상도의 계통(lineage) 또는 클레이드(clade) 할당을 동시에 달eric 수 있는 도구가 필요하다. 현재의 방법론들은 대개 이 두 가지 과업 중 하나만을 해결한다. 게놈 거리 또는 서열 함량 기반 방식(예: Kraken 2, Bracken)은 신속하고 광범위한 스크리닝을 제공하지만, 관련 분류군이 중첩된 서열 공간을 점유할 때 특이도가 떨어져 모호하거나 잘못된 저수준 할당을 초래하는 경우가 많다. 반면, 마커 기반 접근법(예: Mykrobe, TB-Profiler)은 잘 규명된 시스템 내에서 고해상도 분류를 제공하지만, 큐레이션된 마커 세트에 의존하며, 클래스 간의 충분한 분리를 가정하고, 증거가 불완전하거나 중첩되거나 계층적으로 모호할 경우 성능이 저하된다. 더욱이, 기존 워크플로우는 복잡한 시나리오에서 불확실성을 명시적으로 표현하거나 혼합된 분류학적 신호를 처리하는 데 실패하여 과도하게 확신에 찬 할당을 강요하는 경지이 있다.

방법론
저자들은 데이터베이스 구축, 분류학적 디콘볼루션, 그리고 확률적 계통 할당을 통합하도록 설계된 확장 가능한 프레임워크인 Afanc를 제시한다. 이 시스템은 네 가지 독립적인 서브 도구로 구성된다:

1. get_dataset: 사용자 정의 분류 목록을 기반으로 GenBank에서 게놈 어셈블리를 다운로드한다.
2. autodatabase: 입력된 어셈블리를 NCBI 분류 체계와 조정하여 참조 데이터베이스를 구축한다. 이 모듈은 Mash 기반 거리 지수를 사용하여 입력된 어셈블리를 필터링하며, 데이터베이스 구축 전 중복되거나 이상치인 서열을 제거하기 위해 각 분류군 패널의 대표적이고 고품질인 구성원만을 유지한다.
3. screen: 입력된 리드(read) 세트를 구축된 데이터베이스에 프로파일링한다. 이 모듈은 5단계 워크플로우를 실행한다:
   • Kraken 2 리포팅: 초기 분류 보고서를 생성한다.
   • 리포트 디콘볼루션(Deconvolution): 새로운 알고리즘이 계층적 Kraken 2 트리를 파싱하여 지원되는 분류군을 식별한다. 이 과정은 지원되지 않는 노드의 모호한 리드를 **증거 가중 리드 재분배(evidence-weighted read redistribution)**를 통해 지원되는 인접 분류군으로 재분배한다. 이는 고정된 글로벌 컷오프 대신 Mash 지수에서 유도된 부모-자식 유사도 값을 활용한 **탄성 임계값(elastic thresholds)**을 사용하여, 낮은 빈도의 분류군에 대한 민감한 탐지를 가능하게 하는 동시에 위양성을 최소화한다.
   • 경쟁적 매핑(Competitive Mapping): 탐지된 분류군과 연관된 참조 어셈블리에 리드를 매핑한다.
   • 변이 호출(Variant Calling): 매핑된 리드로부터 SNP를 호출한다.
   • 계통 분류(Lineage Classification): 탐지된 분류군에 대한 계통 모델이 존재하는 경우, SNP 프로필을 베이지안 분류기에 전달한다.
4. classify: 전체 스크리닝 워크플로우를 다시 실행하지 않고도 기존 VCF 파일에 계통 모델을 적용할 수 있게 한다.

계통 분류 엔진은 두 가지 모델 패밀리인 Canonical-Epsilon-Bayesian (CEB) 모델(캐노니컬 마커를 기반으로 한 의사 경험적 방출(pseudo-empirical emissions) 사용)과 Semi-Bayesian (SB) 경험적 모델(경험적 대립유전자 빈도에서 방출 확률을 추정)을 사용하여 작동하는 베이지안 SNP 기반 분류기를 활용한다. 분류기는 "호출 가능한 부재(callable absence, 음성 증거)"와 "결측(missingness, 호출되지 않은 사이트)"을 명확히 구분하며, 낮은 커버리지 샘플에 대해 페널티를 주는 것을 피하기 위해 후자를 가능도(likelihood) 계산에서 제외한다.

주요 기여

• 하이브리드 프레임워크: Afanc는 광범위한 분류학적 스크리닝과 미세한 계통 할당 사이의 간극을 메우며, 데이터베이스 큐레이션, 리포트 디콘볼루션, 확률적 분류를 하나의 워크플로우로 통합한다.
• 탄성 임계값 및 리드 재분배: 취약한 글로벌 컷오프에 의존하지 않고, 탄성적이고 분류군 특이적인 임계값과 증거 가중 리드 재분배를 사용하여 복잡하고 혼합된 데이터셋을 해결하는 Kraken 2 리포트 디콘볼루션을 위한 새로운 알고리즘을 개발하였다.
• 불확실성의 명시적 처리: Af there는 모호성과 불완전한 증거를 명시적으로 표현하며, 잘못된 이산적 할당을 강요하는 대신 분류되지 않은 샘플이나 가장 가까운 계통 신호를 보고한다.
• 품질 관리된 데이터베이스 구축: autodatabase 모듈은 분류 전 Mash 거리 메트릭을 사용하여 비전형적이거나 저품질인 어셈블리를 필터링함으로써 참조 품질을 보장한다.

결과
저자들은 세 가지 서로 다른 병원체 시스템을 통해 Afanc를 평가하였다:

1. Mycobacteriaceae (분류학적 프로파일링): Afanc는 게놈 폭이 1%에 불과한 시뮬레이션 커버리지 코호트를 포함하여 모든 코호트에서 종(species) 및 아종(subspecies)을 정확하게 할당하였다. 이는 낮은 커버리지 및 혼합 샘플 시나리오에서 Kraken 2, Bracken, KrakenUniq, Mykrobe보다 민감도와 정밀도 측면에서 우수한 성능을 보였다. 혼합 데이터셋에서 비교 도구들은 가짜 할당을 생성하거나 낮은 커버리지의 구성원을 탐지하는 데 실패한 반면, Afanc는 기대되는 모든 분류군을 회복하였다.
2. Mycobacterium tuberculosis (계통 분류): 958개의 샘플 데이터셋에서 Afanc는 잘못된 브랜치 호출 없이 조화된 해상도로 955개 샘플(99.7%)을 할당하였다. 이는 TB-Profiler(정확도 99.6%, 잘못된 브랜치 2개) 및 Mykrobe(정확도 98.7%, 잘못된 브랜치 1개)보다 뛰어난 성능을 보였다. 전체 해상도에서 Afanc는 99.3%의 정확하거나 계층 호환적인 할당을 달성하였다.
3. Plasmodium falciparum (지리적 계통 예측): Afanc는 20,712개 샘플 중 18,830개(90.9%)를 지역 계통에 할당하여, Malaria-Profiler(75.1%)보다 15.8%포인트 높은 성능을 보였다. 이러한 개선은 모든 지역에서 일관되게 나타났으나, 생물학적 중첩으로 인해 중앙아프리카 지역은 두 도구 모두에게 도전적인 클래스로 남았다.
4. Mpox 바이러스 (클레이드/계통 할당): Afanc는 잘못된 브랜치 할당을 생성하지 않았다. 예측치를 가용 메타데이터의 해상도에 맞게 조화시켰을 때, 99.4%의 호환성을 달면서 얕고 빠르게 진화하는 발생(outbreak) 계통을 성공적으로 구별해 냈다.

의의 및 주장
본 논문은 Afanc가 노이즈가 있는 광범한 분류학적 증거를 다양한 병원체 시스템(박테리아, 기생충, 바이러스)에 걸쳐 해석 가능한 계통 수준의 추론으로 변환하는 재사용 가능한 프레임워크라고 주장한다. 이의 주요 기여는 특정 유기체를 위한 새로운 마커 카탈로그를 만드는 것이 아니라, 데이터베이스 큐레이션, 분류학적 디콘볼루션, 확률적 분류를 연결하는 통합된 워크플로우를 제공하는 것이다.

저자들은 Afanc를 현재 워크플로우의 결정적 결함인 저품질 참조 데이터베이스, 복잡한 분류 보고서의 오해석, 그리고 혼합되거나 낮은 커버리지 신호를 처리하지 못하는 문제를 해결하는 분류 레이어로 포지셔닝한다. 불확실성을 보존하고 불완전한 증거를 명시적으로 처리함으로써, Afanc는 경쟁하는 클래스들이 약하게 분리되어 있는 역학적 및 진화적 해석을 지원한다. 연구는 고해상도 병원체 분류가 단일한 확장 가능한 프레임워크 내에 내장될 수 있음을 결론지으며, 이는 대상 병원체와 참조 데이터가 시간에 따라 진화하는 감시 환경에 적합하다.