How many phage species remain undiscovered? Species sampling approaches to inform phage discovery

Deze studie toont aan dat klassieke niet-parametrische schattingstechnieken effectiever zijn dan modelgebaseerde benaderingen om de hoeveelheid onontdekte bacteriofagensoorten te voorspellen en zo de isolatie van nieuwe virussen voor de bestrijding van antibioticaresistente bacteriën te optimaliseren.

De kern

Titel: De Jacht op Onbekende Virussen: Hoeveel Bacterievreterjes Ontbreken er nog?

Stel je voor dat bacteriën (de slechteriken) steeds sterker worden tegen onze antibiotica. Ze zijn als een muur die we niet meer kunnen doorbreken. Gelukkig hebben we een geheim wapen: bacteriofagen (of kortweg 'fagen'). Dit zijn virussen die zich specialiseren in het opeten van bacteriën. Ze zijn als de superhelden van de microscopische wereld.

Maar er is een probleem: om deze superhelden effectief in te zetten, moeten we ze in grote groepen hebben, met veel verschillende soorten. Het probleem is dat we maar een klein stukje van de wereld hebben verkend. De vraag die de auteurs van dit onderzoek stellen, is: "Hoeveel fagen zijn er nog onontdekt, en hoe hard moeten we nog zoeken om ze te vinden?"

Om dit antwoord te vinden, hebben ze een slimme wiskundige methode gebruikt. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De Bibliotheek van het Onbekende

De onderzoekers keken naar een enorme digitale bibliotheek genaamd INPHARED. In deze bibliotheek staan de genen (het bouwplan) van duizenden bekende fagen, verzameld in 2024 en 2025. Ze keken specifiek naar fagen die jagen op acht bekende bacterie-genera (zoals E. coli, Salmonella en Staphylococcus).

Het is alsof ze een grote doos met puzzelstukken hebben. Ze hebben er al duizenden gevonden, maar ze weten niet hoeveel er nog in de doos liggen die ze nog niet hebben gezien.

2. De Wiskundige Voorspellers

Om te raden hoeveel stukjes er nog in de doos zitten, gebruikten ze vier verschillende 'wiskundige waarzeggers' (statistische modellen):

• De 'Gokker' (Niet-parametrisch): Deze kijkt alleen naar wat er al ligt. Als er veel rare, eenmalige stukjes zijn, denkt hij: "Er zijn er nog veel meer!"
• De 'Theoreticus' (Parametrisch): Deze probeert een patroon te zien in de chaos en maakt een wiskundig model van hoe de stukjes verdeeld zijn.

De onderzoekers testten deze waarzeggers door te spelen met de data: ze namen een klein stukje van de bibliotheek, probeerden te voorspellen wat er in de rest zat, en keken of ze gelijk hadden.

Het verdict: De 'Gokker' (de niet-parametrische methode) bleek vaak de beste. Hij is simpel, snel en maakt minder fouten dan de complexe theoretische modellen, tenzij je heel weinig data hebt.

3. De Grote Ontdekking: Niet Alle Dozen zijn Leeg

De resultaten waren verrassend en verschillend per bacterie:

• De 'Uitgeputte Dozen' (Zoals Mycobacterium en Salmonella):
  Voor deze bacteriën lijkt het alsof we de doos bijna leeg hebben geplukt. Als we nu nog eens zoveel fagen zouden verzamelen als we al hebben, zouden we maar heel weinig nieuwe soorten vinden. Het is alsof je al bijna alle boeken in een specifieke bibliotheek hebt gelezen; er zijn er niet veel meer.

  • Advies: Stop met het zoeken naar nieuwe soorten voor deze bacteriën. Focus in plaats daarvan op het maken van 'cocktails' (mengsels) van de fagen die we al hebben om ziektes te behandelen.

• De 'Volle Dozen' (Zoals Klebsiella, Streptococcus en Vibrio):
  Hier is het verhaal heel anders. Deze dozen zitten nog vol met verrassingen! Als we net zo hard blijven zoeken, vinden we honderden, misschien wel duizenden nieuwe soorten. De diversiteit is enorm.

  • Advies: Blijf zoeken! We hebben nog een schat aan nieuwe medicijnen te ontdekken voor deze bacteriën.

4. Een Belangrijke Waarschuwing

De onderzoekers gaven ook een belangrijke nuance mee. Hun voorspelling werkt alleen als we op dezelfde manier blijven zoeken.

Stel je voor dat je tot nu toe alleen naar de bovenste laag van een zandbak hebt gekeken en daar veel schelpen hebt gevonden. Als je nu besluit om de hele zandbak te doorzoeken (dieper graven), vind je ineens heel andere schelpen. De wiskunde kan dan niet voorspellen hoeveel er zijn, omdat de regels van het spel zijn veranderd.
Als we in de toekomst gaan zoeken naar fagen op heel andere plekken of bij andere bacteriestammen, dan kunnen we nog veel meer vinden dan de cijfers nu zeggen.

Conclusie: Wat moeten we doen?

Dit onderzoek is als een kaart voor de schatgravers:

1. Voor sommige bacteriën (zoals Mycobacterium) is de schatkist bijna leeg. We moeten stoppen met graven en beginnen met het bouwen van medicijnen uit wat we al hebben.
2. Voor andere bacteriën (zoals Klebsiella) is de schatkist nog vol. We moeten doorgaan met graven, want daar wachten nog talloze nieuwe wondermiddelen op ons.

Kortom: We hebben de tools om te weten waar we onze energie moeten steken. Het is niet meer "blind zoeken", maar "slim zoeken".

Technische samenvatting

Titel: Species sampling approaches to inform phage discovery

Auteurs: Cavallaro, Kinsella, Megremis, Morozov, Millard, Freund (Universiteit van Leicester)

---

1. Probleemstelling

De opkomst van bacteriën die resistent zijn tegen antimicrobiële middelen (AMR) vormt een ernstige bedreiging voor de volksgezondheid. Bacteriofagen (fagen) worden gezien als een veelbelovende oplossing voor de bestrijding van deze pathogenen, vaak in de vorm van "fagencocktails" (combinaties van verschillende fagen). Een effectieve cocktail vereist echter een uitgebreide bibliotheek van gecharakteriseerde fagen.

De centrale vraag die dit artikel adresseert is: Hoeveel faagsoorten blijven er nog onontdekt?
Een meer praktische vraag is: Hoeveel nieuwe faagsoorten kunnen we verwachten te vinden als we $m$ extra fagen isoleren? Het doel is om de efficiëntie van huidige en toekomstige bemonsteringsinspanningen te kwantificeren om nieuwe faagdiversiteit te ontdekken, wat essentieel is voor duurzame fagetherapie.

2. Methodologie

De auteurs passen wiskundige en computationele schattingsmethoden toe op het "species sampling problem" (SSP), een statistisch probleem gericht op het schatten van de onderliggende verdeling van soorten op basis van beperkte data.

• Data Bron: Gebruik werd gemaakt van de INPHARED-database (versies van september 2024 en mei 2025). Faaggenomen werden geklonterd tot soorten (definitie: 95% identiteit over 85% dekking). De analyse focuste op acht veelvoorkomende bacteriële gastheergenera: Escherichia, Klebsiella, Mycobacterium, Pseudomonas, Salmonella, Staphylococcus, Streptococcus en Vibrio.
• Statistische Schatters: Drie klassen van schatters werden vergeleken om het aantal nieuwe soorten $u(n, m)$ te voorspellen in een nieuwe steekproef van grootte $m$, gebaseerd op een bestaande steekproef van grootte $n$:
  1. Niet-parametrisch: De Good-Toulmin (GT) schatter en de Efron-Thisted (ET) schatter (een gekorrigeerde versie van GT voor $m > n$). Deze maken geen aannames over de onderliggende verdeling.
  2. Parametrisch: De Fisher-Poisson-gamma (FPG) schatter, die uitgaat van een Poisson-gamma mengverdeling (negatief binomiaal) voor de soortenovervloed.
  3. Semi-parametrisch: De Pitman-Yor-prior (PYP) schatter, gebaseerd op een tweedimensionaal prior-model dat flexibel is voor toenemende steekproefgroottes.
• Validatie: Een interne validatie werd uitgevoerd via subsampling (random subsets van 25% tot 80% van de data) om de voorspellingsfout (Normalised Absolute Error - NAE) te meten. Ook werd de voorspellingsnauwkeurigheid getest door de 2025-data te voorspellen op basis van de 2024-data.
• Diversiteitsmetriek: Hill-getallen ($^qD$) werden gebruikt om de biologische diversiteit te kwantificeren voor verschillende waarden van $q$ (0 voor rijkdom, 1 voor Shannon, 2 voor Simpson).

3. Belangrijkste Resultaten

• Vergelijking van Schatters:

  • De ET-schatter (Efron-Thisted) presteerde over het algemeen het beste en was robuust, vooral wanneer de trainingsset groot genoeg was ($m \leq n$). Deze niet-parametrische methode bleek vaak superieur aan de parametrische (FPG) en semi-parametrische (PYP) methoden.
  • De parametrische methoden (FPG, PYP) presteerden alleen beter wanneer de trainingsset zeer klein was ($m > n$), wat suggereert dat hun aannames nuttig zijn bij schaarse data, maar beperkt worden bij grotere datasets.
  • De PYP-schatter presteerde over het algemeen het slechtst.

• Voorspelling van Onontdekte Soorten:

  • Er werd een aanzienlijke variatie gevonden in de verwachte "opbrengst" van nieuwe isolaties per gastheergenus.
  • Voldoende verzadigd (Saturation): Voor Escherichia, Salmonella en Mycobacterium wordt voorspeld dat de ontdekking van nieuwe soorten snel afneemt (verzadiging). Voor Mycobacterium wordt geschat dat er slechts ~30 nieuwe soorten te ontdekken zijn bij verdubbeling van de steekproefgrootte.
  • Niet verzadigd (High potential): Voor Klebsiella, Streptococcus, Staphylococcus en Vibrio is er weinig tot geen verzadiging. Bij verdubbeling van de huidige isolaties wordt verwacht dat er respectievelijk >300, >400, >175 en >300 nieuwe soorten worden ontdekt.
  • Pseudomonas toont een langzame benadering van verzadiging.

• Temporele Validatie (2024 vs 2025):

  • Het voorspellen van de 2025-data op basis van de 2024-data leverde veel hogere fouten op dan interne subsampling. De meeste genera werden sterk onderschat.
  • Dit wijst erop dat de onderliggende verdeling van de geïsoleerde fagen tussen de twee tijdstippen is veranderd, waarschijnlijk door veranderingen in de bemonsteringsstrategie (bijv. verschuiving naar andere gastheergenotypen). Een uitzondering was Mycobacterium, waar de bemonstering consistent bleef (voornamelijk via het SEA-PHAGES programma), wat leidde tot een betere voorspelling en een duidelijke verzadiging.

4. Bijdragen en Significantie

• Methodologische Validatie: Het artikel toont aan dat klassieke niet-parametrische schatters (zoals ET) robuustere resultaten leveren voor faagdiversiteit dan complexe modelgebaseerde benaderingen, zolang er voldoende data beschikbaar is. Dit biedt een kosteneffectieve route voor het plannen van toekomstige ontdekkingen.
• Strategische Richting voor Fagetherapie: De studie biedt een data-gedreven basis om bemonsteringsstrategieën te optimaliseren:
  • Voor genera die al goed zijn bemonsterd (zoals Mycobacterium), wordt geadviseerd om de focus te verschuiven van het isoleren van nieuwe fagen naar het ontwikkelen van cocktails op basis van de reeds bekende diversiteit.
  • Voor genera met hoge onontdekte diversiteit (zoals Klebsiella en Streptococcus), wordt aanbevolen om de bemonstering te intensiveren om een bredere basis te creëren voor therapeutische toepassingen.
• Beperkingen: De voorspellingen zijn geldig zolang de bemonsteringsstrategie (bijv. keuze van gastheergenotypen) constant blijft. Als de strategie verandert, kunnen de voorspellingen onnauwkeurig worden. De aggregatie op genus-niveau kan ook maskeren welke specifieke bacteriesoorten binnen een genus nog ondervertegenwoordigd zijn.

Conclusie:
De studie concludeert dat er nog een aanzienlijk aantal onontdekte faagsoorten bestaat, maar dat de "opbrengst" van nieuwe isolaties per gastheergenus sterk varieert. Het gebruik van de ET-schatter stelt onderzoekers in staat om de efficiëntie van toekomstige bemonstering te kwantificeren en te beslissen wanneer het verstandiger is om de focus te verleggen van ontdekking naar toepassing.