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

Dit artikel introduceert PathogenSurveillance, een open-source Nextflow-pijplijn die geautomatiseerde populatiegenomische analyses en pathogeenidentificatie mogelijk maakt voor zowel korte als lange leessequenties, waardoor snelle biosurveillance en respons op nieuwe varianten binnen handbereik komen.

De kern

PathogenSurveillance: De "Google Translate" voor ziekteverwekkers

Stel je voor dat er een nieuwe, onbekende ziekte uitbreekt. Vroeger moesten artsen en wetenschappers dagenlang zoeken naar de oorzaak, net als een detective die een raadsel probeert op te lossen zonder aanwijzingen. Ze moesten gissen naar het type bacterie of virus, en dan pas konden ze de juiste test doen.

Deze paper introduceert PathogenSurveillance, een slim computerprogramma dat dit hele proces versnelt en automatiseert. Het is als een superkrachtige, digitale detective die in een handomdraai weet wat de dader is, zelfs als je niet weet wat je zoekt.

Hier is hoe het werkt, vertaald in alledaagse termen:

1. De "Taalvertaler" voor DNA

Wetenschappers hebben nu een techniek genaamd Whole Genome Sequencing (WGS). Dit is alsof je de volledige "receptenboek" van een ziekteverwekker (bacterie, virus, schimmel) uitleest. Het probleem is dat dit receptenboek in een heel moeilijke code staat en er zijn miljoenen verschillende receptenboeken.

PathogenSurveillance is de automatische vertaler. Je gooit het receptenboek (het DNA) erin, en het programma vertaalt het direct naar begrijpelijke informatie. Het zegt: "Ah, dit is geen willekeurige bacterie, dit is een specifieke stam van E. coli die we nog nooit eerder hebben gezien!"

2. De Slimme Bibliotheekzoeker

Een groot probleem bij het zoeken naar ziektes is: welke boeken moet je vergelijken? Als je een nieuw boek vindt, moet je het vergelijken met andere boeken in de bibliotheek om te zien of het erop lijkt.

Vroeger moest een mens handmatig beslissen: "Moet ik dit vergelijken met boek A of boek B?" Dat kost tijd en kennis.
PathogenSurveillance doet dit automatisch. Het is alsof je een robotbibliothecaris hebt die:

• Direct naar de juiste afdeling in de bibliotheek (de NCBI-database) rent.
• De meest vergelijkbare boeken (referenties) selecteert.
• Zelfs beslist welke boeken belangrijk zijn om mee te vergelijken, gebaseerd op hoe goed ze lijken op jouw nieuwe vondst.

3. De "Familieboom" Tekenaar

Nadat het programma weet wat het is, wil je weten: "Is dit een nieuwe variant van een bekende ziekte, of is het een heel nieuw type?"

Het programma tekent automatisch een familieboom (een fylogenetische boom).

• Voor bacteriën: Het kijkt naar de kleine verschillen in hun DNA (zoals het vergelijken van handtekeningen) om te zien hoe nauw ze verwant zijn.
• Voor schimmels en andere eukaryoten: Het zoekt naar specifieke, universele genen (zoals de "stamboom van de familie") om de verwantschap te bepalen.

Het resultaat is een interactief plaatje waar je kunt zien: "Deze ziekteverwekker zit in dezelfde tak als die uit 2019, maar heeft een nieuwe mutatie."

4. De Alles-in-één Werkbank

Het mooiste aan PathogenSurveillance is dat het geen computerexpert vereist.

• Vroeger: Je moest zelf software installeren, code schrijven, en hopen dat het niet crashte.
• Nu: Je geeft één commando. Het programma pakt alles uit, installeert de benodigde gereedschappen (in een soort "verpakte doos" die altijd werkt), doet het werk, en maakt een mooi, begrijpelijk rapport.

Het is alsof je een pakketje bestelt dat niet alleen de auto repareert, maar ook de motor bouwt, de banden verwisselt en je een verslag geeft van hoe de auto nu rijdt.

5. Waarom is dit zo belangrijk?

Stel je voor dat een nieuwe ziekte zich snel verspreidt via de lucht of via voedsel.

• Snelheid: PathogenSurveillance kan binnen een paar uur zeggen wat het is en waar het vandaan komt.
• Flexibiliteit: Het werkt voor bacteriën, schimmels en zelfs gemengde monsters (zoals een stukje aarde met van alles erin).
• Toekomstbestendig: Omdat het open source is (gratis en voor iedereen toegankelijk), kunnen wetenschappers over de hele wereld het gebruiken om uitbraken sneller te stoppen.

Kortom:
PathogenSurveillance is de automatische piloot voor het bestrijden van ziektes. Het haalt de ingewikkelde computerwerk uit handen van de experts, zodat ze zich kunnen focussen op het echte werk: het beschermen van mensen, dieren en gewassen tegen nieuwe bedreigingen. Het maakt de strijd tegen ziektes sneller, slimmer en toegankelijker voor iedereen.

Technische samenvatting

Probleemstelling

Opkomende invasieve pathogenen en plagen vormen een toenemende wereldwijde bedreiging, vaak versneld door menselijke factoren zoals de internationale handel. Bestaande biosurveillance-systemen komen vaak te kort om snel en betrouwbaar te reageren op deze nieuwe bedreigingen, vooral wanneer de veroorzaker nog onbekend is. Hoewel Whole Genome Sequencing (WGS) een krachtig hulpmiddel is voor vroege detectie, wordt de adoptie ervan gehinderd door de noodzaak van geavanceerde computervaardigheden, specifieke domeinkennis en de complexiteit van het selecteren van geschikte referentiegenome. Bestaande pipelines zijn vaak beperkt tot specifieke organismengroepen (bijv. alleen prokaryoten), vereisen handmatige referentiekiesing, of bieden geen geïntegreerde oplossing voor zowel populatiegenomica als taxonomische identificatie.

Methodologie

De auteurs presenteren PathogenSurveillance, een open-source, geautomatiseerde Nextflow-pipeline die is ontworpen voor populatiegenomische analyses en pathogeenidentificatie. De pipeline is gebouwd binnen het nf-core-framework, wat zorgt voor reproduceerbaarheid, schaalbaarheid en portabiliteit op elk Linux-systeem (lokaal, HPC-clusters of cloud).

Kerncomponenten van de workflow:

1. Invoer en Flexibiliteit: De pipeline accepteert korte (Illumina) en lange (PacBio, Oxford Nanopore) reads, zowel lokaal als via NCBI-accession-nummers. Het kan gemengde steekproeven van prokaryoten en eukaryoten verwerken.
2. Geautomatiseerde Referentiekiesing:
   • De pipeline start met het genereren van k-mer sketches van de ruwe reads en vergelijkt deze met de NCBI RefSeq-database (via bbmap sendsketch).
   • Op basis van de taxonomische classificatie worden metadata gedownload en worden referentiegenome geselecteerd op basis van criteria zoals assembly-niveau, type-stam-status, en afwezigheid van contaminatie.
   • Twee fasen van referentiekiesing:
     • Contextuele referenties: Geselecteerd om verschillende taxonomische niveaus te vertegenwoordigen voor fylogenetische analyse.
     • Mapping-referenties: Geselecteerd op basis van geschatte Average Nucleotide Identity (ANI) voor SNP-bepaling.
   • Een iteratief algoritme selecteert referenties die de grootste dekking bieden over de steekproeven, wat de rekentijd optimaliseert.
3. Specifieke Verwerkingsroutes:
   • Prokaryoten: Genoomannotatie, generatie van ortholoogclusters, constructie van een core-genoom fylogenetische boom, en SNP-bepaling (via pangenoom-grafieken) voor minimum-spanning-netwerken.
   • Eukaryoten: Geen automatische annotatie (vanwege complexiteit), maar constructie van een fylogenetische boom op basis van Benchmarking Universal Single-copy Orthologs (BUSCO).
4. Output en Rapportage: De pipeline genereert interactieve HTML-rapporten met visualisaties (zonnestraling-diagrammen, fylogenetische bomen, minimum-spanning-netwerken, warmtekaarten voor ANI/POCP). Alle outputbestanden zijn gestructureerd, menselijk leesbaar en machine-parsbaar voor downstream-analyses.
5. Robuustheid: Gebruik van caching (voor hervatbaarheid en snelle heruitvoering), parallelle verwerking, en automatische foutopsporing/restart-mechanismen.

Belangrijkste Bijdragen

• All-in-One Oplossing: De eerste pipeline die zowel k-mer-, multigene- en variant-gebaseerde (SNP) benaderingen integreert voor pathogeenidentificatie op soort- en subsoortniveau.
• Geautomatiseerde Referentiekiesing: Een regelsysteem dat de last van handmatige referentiekiesing wegneemt, wat cruciaal is voor onbekende of opkomende pathogenen.
• Toegankelijkheid: Vermindert de drempel voor gebruikers zonder bioinformatica-achtergrond door een enkele commando-uitvoering en automatische dependency-management (via Docker/Apptainer/Conda).
• Ondersteuning voor Gemengde Steekproeven: Kan zowel prokaryote als eukaryote organismen in dezelfde dataset analyseren.
• Open Source en Community-gedreven: Beschikbaar onder de MIT-licentie op GitHub en geïntegreerd in het nf-core-ecosysteem.

Resultaten en Validatie

De auteurs hebben PathogenSurveillance getest met diverse datasets om de nauwkeurigheid en prestaties te valideren:

1. Serratia-dataset: Een subset van 302 Serratia-genomen werd geanalyseerd. De gegenereerde fylogenetische boom was topologisch consistent met eerder gepubliceerde core-genoom-bomen, met hoge overeenkomst in soort- en lijn-toewijzingen.
2. Honingbij-microbioom: Nieuwe Oxford Nanopore-data van Gilliamella apicola (uit de darmen van bijen) werd gebruikt om de automatische referentiekiesing te testen. De pipeline selecteerde correct referenties voor zes erkende Gilliamella-soorten en andere genera, en koos de meest vergelijkbare stam voor mapping op basis van ANI, zelfs zonder dat er een exacte match in de database was.
3. Robuustheidstest: Gesimuleerde reads met tot 10% sequentiedivergentie resulteerden in de selectie van dezelfde of zeer nauw verwante referenties, wat aantoont dat de pipeline robuust is tegen variatie.
4. Prestatiemetingen:
   • Schalbaarheid: De looptijd en RAM-gebruik namen lineair toe met het aantal samples (van 1 tot 200 samples).
   • Genoomgrootte: Prokaryote genomen (<15 GB RAM, <1 uur) werden veel sneller verwerkt dan eukaryote genomen (tot 70 GB RAM en 13,6 uur voor grote genomen), wat de verwachte complexiteit weerspiegelt.
   • De pipeline werkt efficiënt op een standaard Linux-desktop.

Betekenis en Impact

PathogenSurveillance vult een cruciale lacune in de wereld van biosurveillance door een schaalbaar, gebruiksvriendelijk en robuust instrument te bieden voor de snelle detectie en monitoring van pathogenen en plagen.

• Snelheid en Respons: Het stelt onderzoekers en diagnostische laboratoria in staat om snel te reageren op nieuwe varianten en uitbraken, zelfs zonder voorafgaande kennis van de veroorzaker.
• One Health: Door zowel prokaryoten als eukaryoten te ondersteunen, past de pipeline goed binnen "One Health"-kaders die de verbinding tussen mens, dier en milieu benadrukken.
• Democratisering van Genomica: Door de complexiteit van bioinformatica te automatiseren, wordt WGS-biosurveillance toegankelijk voor een bredere groep gebruikers, waaronder diegenen zonder diepgaande computervaardigheden.
• Toekomstbestendig: De modulaire opbouw en de integratie met Nextflow zorgen ervoor dat de pipeline eenvoudig kan worden aangepast en uitgebreid naarmate nieuwe tools en databases beschikbaar komen.

Kortom, PathogenSurveillance is een transformatief hulpmiddel dat de overgang van traditionele diagnostiek naar moderne, genomica-gedreven biosurveillance versnelt.