NanoHIVSeq: A Long-Read Bioinformatics Pipeline for High-Throughput Processing of HIV Env Sequences

NanoHIVSeq is een UMI-vrije en referentievrije bioinformatica-pijplijn die Oxford Nanopore-sequencingdata van HIV-1-omhulselgenen verwerkt om met hoge nauwkeurigheid en reproduceerbaarheid functionele varianten te identificeren zonder complexe library-voorbereiding.

De kern

De Grote Uitdaging: HIV als een Verwarde Bibliotheek

Stel je voor dat het HIV-virus een enorme, chaotische bibliotheek is. In deze bibliotheek staan miljoenen boeken (de virussen) die allemaal een beetje op elkaar lijken, maar elk heeft zijn eigen unieke krullen, vlekken en foutjes. Wetenschappers willen graag precies weten welke boeken er in deze bibliotheek staan, omdat dit helpt bij het maken van medicijnen en vaccins.

Het probleem is dat de oude manier om deze boeken te lezen (de "SGA-methode") net zo langzaam en arbeidsintensief is als het handmatig kopiëren van één pagina per dag. Het duurt eeuwen om een heel boek te lezen.

Nieuwe technologieën, zoals Oxford Nanopore, zijn als een supersnelle scanner die hele boeken in één seconde kan scannen. Maar er zit een addertje onder het gras: deze scanner maakt veel fouten. Het is alsof de scanner soms letters verwisselt of woorden overslaat. Als je 100 keer hetzelfde woord scant, krijg je misschien 95 keer het juiste woord en 5 keer een rare lettergreep. Hoe weet je dan wat het echte woord is en wat een scannerfout?

De Oplossing: NanoHIVSeq (De Slimme Redacteur)

De onderzoekers hebben een nieuwe software bedacht, genaamd NanoHIVSeq. Je kunt dit zien als een super-slimme redacteur die de ruwe scans van de scanner inleest en de echte verhalen uit de ruis filtert.

Hier is hoe het werkt, stap voor stap, met een paar vergelijkingen:

1. Geen "Unieke Identificatiecodes" (UMI) nodig
Bij andere methoden plakken wetenschappers een unieke barcode (een UMI) op elk stukje DNA voordat ze het scannen. Dit is als het plakken van een postzegel op elke brief. Het werkt goed, maar het is lastig: je moet veel extra werk doen, en bij het plakken van die postzegels gaan er vaak brieven (DNA) verloren.

• NanoHIVSeq doet dit niet. Het werkt zonder postzegels. Het is alsof je een stapel brieven krijgt zonder nummers, maar de software is zo slim dat het toch kan zien welke brieven bij elkaar horen. Dit bespaart tijd en voorkomt dat je brieven kwijtraakt.

2. De "Dubbele Scan" (Duplex Reads)
De scanner kan op twee manieren werken:

• Simplex: Het scant één kant van het DNA. (Net als het lezen van één kant van een transparante film).
• Duplex: Het scant beide kanten van het DNA en combineert ze. (Net als het lezen van beide kanten van een transparante film en ze tegen elkaar houden om de tekst te verifiëren).
  De onderzoekers ontdekten dat de Duplex-scan, gecombineerd met een specifieke instelling (HAC-model), de beste resultaten geeft. Het is alsof je twee getuigen hebt die hetzelfde verhaal vertellen; als ze het over 99% van de punten eens zijn, weet je dat het verhaal waar is.

3. Het Groeperen en Polijsten (Clustering & Consensus)
De software neemt alle ruwe scans en groepeert ze.

• Stap 1: De Ruis verwijderen. Als er 100 scans zijn die bijna hetzelfde zijn, maar 99 hebben een foutje en 1 is perfect, dan kijkt de software: "Oké, die 99 foutjes zijn waarschijnlijk van de scanner."
• Stap 2: Het Gemiddelde maken. De software maakt een "perfecte" versie van het verhaal door het meest voorkomende woord op elke positie te kiezen. Dit heet een consensus.
• Stap 3: De Grammatica controleren. Soms maakt de scanner een fout die de zin onleesbaar maakt (een "frameshift"). De software herkent dit en corrigeert het, alsof een taalcomputer een zinnetje automatisch verbetert zodat het grammaticaal correct is.

4. Het Resultaat: Een Schone Bibliotheek
Na al dit werk levert NanoHIVSeq een lijst op van de echte, biologische HIV-varianten.

• De nauwkeurigheid is 99,9% of hoger. Dat is alsof je een boek leest en er is maar één letterfout in de hele bibliotheek.
• Het is snel en goedkoop omdat je geen dure postzegels (UMI's) hoeft te plakken en minder handmatig werk nodig hebt.
• Het werkt zelfs goed bij mensen die bijna geen virus in hun bloed hebben (zoals mensen die medicijnen nemen), waar de oude methoden vaak faalden omdat er te weinig "brieven" waren om te scannen.

Waarom is dit belangrijk?

Voorheen was het lezen van deze HIV-varianten als het proberen te lezen van een beschadigde krant met een vergrootglas: langzaam en onzeker.
Met NanoHIVSeq hebben we nu een robotredacteur die duizenden kranten in een uur leest, de krassen verwijdert, de tekst corrigeert en ons precies vertelt wat er staat.

Dit betekent dat artsen en onderzoekers sneller kunnen zien hoe het virus verandert, hoe het zich verdedigt tegen medicijnen, en hoe ze betere vaccins kunnen maken. Het maakt het mogelijk om grote groepen mensen tegelijk te bestuderen, wat essentieel is om de wereldwijde HIV-pandemie te bestrijden.

Kortom: NanoHIVSeq is de slimme, snelle en goedkope manier om de chaotische wereld van HIV-virussen helder en nauwkeurig in kaart te brengen, zonder ingewikkelde trucs.

Technische samenvatting

Probleemstelling

Het hoogwaardig sequentiëren van het HIV-1 enveloppe-gen (Env) vanuit virale quasispecies is cruciaal voor epidemiologisch onderzoek, studies naar de co-evolutie van virus en antilichamen, en het evalueren van therapeutische effectiviteit. De conventionele aanpak, waarbij Single-Genome Amplification (SGA) wordt gecombineerd met Sanger-sequencing, is echter arbeidsintensief, tijdrovend en heeft een lage doorvoer.

Oxford Nanopore Technology (ONT) biedt voordelen zoals lange reads en real-time analyse, maar kampt met een relatief hoge foutenrate (1-7%). Om biologische varianten te onderscheiden van sequentiefouten, worden vaak Unieke Moleculaire Identificatoren (UMI's) gebruikt. De huidige UMI-protocollen voor ONT vereisen echter meerdere PCR-rondes en wasstappen, wat leidt tot aanzienlijk DNA-verlies (10-40% per stap). Dit maakt het ongeschikt voor samples met een lage virale lading (bijv. bij patiënten onder antiretrovirale therapie) en is inefficiënt voor grote klinische cohorten. Bestaande UMI-vrije methoden missen vaak de capaciteit om PCR-chimera's te verwijderen, indels te corrigeren en alle biologische varianten in een dataset te identificeren.

Methodologie: NanoHIVSeq

De auteurs hebben NanoHIVSeq ontwikkeld, een bioinformatica-pipeline die ONT-gegevens verwerkt zonder gebruik van UMI's. De pipeline is ontworpen om bulk PCR-ampliconen van het Env-gen te verwerken tot functionele, volledige Env-varianten.

Kernstappen in de pipeline:

1. Basecalling en Selectie: Gebruik van dorado voor basecalling. De pipeline ondersteunt zowel simplex als duplex reads (waarbij beide strengen van het DNA-template worden gesequenced en gecombineerd voor hogere kwaliteit).
2. Filtering: Verwijdering van controle-DNA (lambda-genoom) en selectie van Env-regio's met behulp van HMMER en cutadapt.
3. Clustering: Een tweestaps-clustering-methode (met usearch of vsearch) om reads te groeperen.
   • Reads met hoge diepte worden als "zaad" gebruikt voor clustering.
   • Een identiteitsdrempel (bijv. 99%) wordt gebruikt om biologische varianten te scheiden van sequentiefouten.
4. Consensus en Polishing: Generatie van een consensussequentie per cluster met racon en medaka.
5. Indel-correctie: Een unieke, op uitlijning gebaseerde methode om frameshift-indels (inserties/deleties die het leesraam verstoren) te corrigeren op basis van een consensus van de uitgelijnde sequenties.
6. Denoising en Chimera-verwijdering: Verwijdering van clusters met lage diepte en potentiële PCR/sequentie-chimera's.
7. Genotypering: Toewijzing van het genotype aan de hand van een schuifvenster-methode (sliding window) tegen een referentiedatabase.

Optimalisatie:
De auteurs hebben verschillende parameters getest, waaronder basecalling-modellen (Fast, HAC, SUP) en read-types (simplex vs. duplex). Ze concludeerden dat de combinatie van HAC (High Accuracy) basecalling met duplex reads en een clustering-identiteit van 0.99 de beste resultaten oplevert.

Belangrijkste Bijdragen

• UMI-vrije aanpak: NanoHIVSeq elimineert de noodzaak van complexe UMI-library-preparatie, wat DNA-verlies minimaliseert en de doorvoer voor grote cohorten verhoogt.
• Geavanceerde foutcorrectie: De pipeline introduceert een specifieke module voor het corrigeren van frameshift-indels, wat essentieel is voor het behoud van het open leesraam (ORF) in het Env-gen.
• Optimalisatie van ONT-instellingen: Het artikel biedt de eerste uitgebreide vergelijking van simplex vs. duplex reads en verschillende basecalling-modellen (HAC vs. SUP) specifiek voor het identificeren van biologische HIV-varianten.
• Open Source: De pipeline is beschikbaar als Docker-image en source code op GitHub, wat reproduceerbaarheid garandeert.

Resultaten

De prestaties van NanoHIVSeq werden getest op diverse datasets:

1. Plasmide Library (Hoge Diversiteit): Een pool van 32 HIV-1 Env-plasmiden (gemiddelde identiteit <90%).
   • NanoHIVSeq herstelde 26 van de 30 referentiestammen (met >10 reads).
   • De foutenrate van de gecurated sequenties was extreem laag (<0.05%, oftewel >Q30), vergelijkbaar met UMI-benaderingen.
   • Meer dan 90% van de gegenereerde sequenties waren identiek aan de referentie of hadden een verwaarloosbare foutenrate.
2. SGA Pool en Reservoir Datasets (Lage Diversiteit): Gebruik van klinische samples van HIV-geïnfecteerde patiënten.
   • De pipeline toonde hoge reproduceerbaarheid tussen drie onafhankelijke ONT-run-herhalingen.
   • Het kon de evolutionaire paden van het Env-gen nauwkeurig reconstrueren, met een hoge overlap met conventionele Sanger-sequencing (SGA).
3. Vergelijking met UMI-methoden (HIV-PULSE en ConSeqUMI):
   • NanoHIVSeq presteerde vergelijkbaar of beter dan gevestigde UMI-methoden in termen van het herstel van biologische varianten (Rbv) en het verminderen van artefacten (Mvr).
   • Er was een sterke correlatie (Pearson's r = 0.60, p=0.007) in de hoeveelheid herstelde varianten per donor tussen NanoHIVSeq en de UMI-methode HIV-PULSE.
   • De recombinaatrate (chimera's) was zeer laag (0.06%) en kon effectief worden gefilterd door een minimale cluster-grootte van 10 reads.

Significantie

NanoHIVSeq vertegenwoordigt een doorbraak in het hoogwaardig sequentiëren van HIV-varianten. De methode biedt een flexibel, vereenvoudigd en kostenefficiënt alternatief voor UMI-protocollen, zonder in te leveren op nauwkeurigheid.

• Klinische Toepasbaarheid: Door het vermijden van DNA-verlies tijdens library-preparatie, is de methode bij uitstek geschikt voor het sequentiëren van samples met een lage virale lading (bijv. bij onderdrukking door medicatie), wat eerder een uitdaging was.
• Schaalbaarheid: De pipeline maakt het mogelijk om grote klinische cohorten (honderden tot duizenden donors) efficiënt te analyseren, wat essentieel is voor het monitoren van resistentie en het evalueren van breed neutraliserende antilichamen in klinische trials.
• Technologische Vooruitgang: Het bewijst dat moderne duplex-sequencing in combinatie met geavanceerde bioinformatica (zoals indel-correctie) de foutenrate van ONT kan reduceren tot niveaus die vergelijkbaar zijn met kort-read technologieën, zelfs zonder UMI's.

Kortom, NanoHIVSeq democratiseert het hoogwaardig long-read sequentiëren van HIV, waardoor het toegankelijker wordt voor fundamenteel en klinisch onderzoek op grote schaal.