ViroSeek: a viral detection pipeline for second-generation sequencing

In dit artikel wordt ViroSeek gepresenteerd, een lichtgewicht en toegankelijke bio-informatica-pijplijn voor de taxonomische analyse van virale viromes uit tweede-generatie sequencing-data, die is gevalideerd op gecontroleerde monsters en vrij beschikbaar is voor de onderzoeksgemeenschap.

De kern

ViroSeek: De Digitale Virusjager die Eindelijk Begrijpbaar is

Stel je voor dat je een enorme, rommelige bibliotheek binnenloopt. In deze bibliotheek liggen miljarden boeken, maar 99% daarvan zijn verouderde receptenboeken (het DNA van de mug) of oude kranten (bacteriën). Je bent echter op zoek naar slechts een paar specifieke, gevaarlijke handleidingen: virussen.

Vroeger was het vinden van die virussen in zo'n bibliotheek een nachtmerrie. De gereedschappen die wetenschappers gebruikten waren als zware, roestige industriële machines: ze waren moeilijk te bedienen, vaak kapot, en alleen voor experts die jarenlang hadden geoefend. Of ze waren zo gespecialiseerd dat ze alleen werkten voor bepaalde soorten boeken (bijvoorbeeld alleen voor virussen die bacteriën aanvallen), maar niet voor de virussen die mensen ziek maken.

ViroSeek is de nieuwe, slimme robot die dit probleem oplost.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De Grote Schoonmaakbeurt (Pre-processing)

Wanneer ViroSeek de bibliotheek binnenkomt, begint hij direct met opruimen.

• Het filteren: Hij gooit alle onnodige boeken (het muggendNA en bacteriën) direct op de vuilnisbelt. Hij doet dit zo grondig dat er niets van overblijft, behalve wat je echt wilt zien.
• De kwaliteitscheck: Hij kijkt of de boeken die overblijven niet te beschadigd of te onleesbaar zijn. Slechte pagina's worden weggegooid.

2. Het Puzzelen (Assembly)

Nu heb je alleen nog losse, versnipperde zinnen van de virale boeken. Ze lijken op duizenden losse puzzelstukjes.

• ViroSeek neemt deze stukjes en probeert ze weer tot complete zinnen en hoofdstukken te maken. Dit is als het opnieuw in elkaar zetten van een verscheurd boek. Hij doet dit voor elk monster apart, zodat je precies weet welk virus in welke mug zat.

3. De Identiteitscontrole (Taxonomic Assignment)

Nu je de losse stukjes weer tot zinnen hebt gemaakt, moet je weten: Wat is dit eigenlijk?

• ViroSeek neemt elke zin en vergelijkt deze met een enorme digitale database van alle bekende virussen ter wereld. Het is alsof hij elke zin laat scannen door een super-snel politiebureau dat direct zegt: "Ah, dit is een zin uit het Chikungunya-boek!" of "Dit komt uit het West-Nijl-boek!".
• Hij is zo slim dat hij zelfs kan zien als een zin een klein foutje bevat (een typfout in het virus), en toch de juiste naam kan geven.

4. Het Tellen (Quantification)

Tot slot telt ViroSeek hoeveel pagina's er van elk virus zijn gevonden.

• "Er waren 1000 pagina's van Virus A, maar slechts 10 van Virus B." Dit geeft wetenschappers een duidelijk beeld van hoe ernstig de besmetting is.
• Hij telt ook dubbele pagina's die per ongeluk twee keer zijn gedrukt (PCR-duplicaten) en gooit die eruit, zodat de telling eerlijk blijft.

Waarom is ViroSeek zo speciaal?

• Het is voor iedereen: De oude machines waren als een Formule 1-auto: snel, maar je hebt een licentie nodig om erin te zitten. ViroSeek is als een elektrische fiets: makkelijk te gebruiken, betrouwbaar en iedereen kan erop rijden, ook als je geen bio-informaticus bent.
• Het is snel: Waar andere programma's uren of dagen nodig hadden om de bibliotheek te doorzoeken, doet ViroSeek dit in een fractie van de tijd. Het is als de verschil tussen een handmatig archief zoeken en een Google-zoekopdracht.
• Het werkt echt: De makers hebben ViroSeek getest met muggen die ze bewust hadden besmet met bekende virussen. Het systeem vond elk virus dat erin zat, zelfs de kleine, moeilijk te vinden exemplaren. Het maakte geen fouten en negeerde de "ruis" van de muggen zelf.

De Conclusie

ViroSeek is als een slimme, onmisbare assistent voor onderzoekers. Het maakt het vinden van nieuwe en oude virussen in onze wereld makkelijker, sneller en betrouwbaarder. In een wereld waar nieuwe virussen steeds vaker opduiken door klimaatverandering en reizen, is zo'n hulpmiddel niet alleen handig, maar levensnoodzakelijk om de volksgezondheid te beschermen.

Kortom: ViroSeek maakt de jacht op virussen niet langer een taak voor een paar experts in een donkere kelder, maar een heldere, georganiseerde zoektocht die iedereen kan begrijpen.

Technische samenvatting

Probleemstelling

De opkomst van arbovirussen en zoönose virussen vormt een groeiend probleem voor de volksgezondheid, versterkt door klimaatverandering en globalisering. Hoewel viroome-analyse (het bestuderen van virale diversiteit) cruciaal is voor monitoring, zijn bestaande bioinformatica-pipelines vaak te complex, moeilijk te installeren, slecht onderhouden of onbruikbaar voor niet-specialisten.

Specifiek voor second-generation sequencing (NGS) data bestaan er beperkingen:

• Veel tools zijn te gespecialiseerd (bijv. alleen voor bacteriofagen) of ontworpen voor third-generation sequencing (Nanopore/PacBio), waardoor ze geen rekening houden met kenmerken zoals PCR-duplicaten die bij NGS ontstaan.
• Het negeren van PCR-duplicaten leidt tot vertekende schattingen van virale abundantie.
• Bestaande pipelines (zoals MetaDenovo, Taxprofiler, VirusTaxo) hebben vaak installatieproblemen, vereisen pre-assembled data, of produceren output die niet geschikt is voor downstream-analyses zoals fylogenetische plaatsing op per-sample basis.

Methodologie: ViroSeek Pipeline

ViroSeek is een lichtgewicht, reproduceerbare en open-source bioinformatica-pipeline, specifiek ontworpen voor de taxonomische analyse van target-enriched NGS-data. De workflow wordt beheerd door Nextflow en draait in containers (Docker of Singularity) om portabiliteit te garanderen.

De pipeline doorloopt de volgende geautomatiseerde stappen:

1. Pre-processing:
   • Kwaliteitscontrole met FastQC.
   • Trimmen van adapters en lage-kwaliteit bases met TrimGalore of fastp.
   • Verwijdering van gastheer- en bacteriële contaminatie (inclusief ribosomaal RNA) met BBduk (gebruikmakend van de SILVA-database).
2. Assemblage:
   • De novo assemblage per monster met SPAdes (versie 4.2.0), specifiek met de --rnaviral optie voor virale RNA-data.
   • Filteren van contigs op een door de gebruiker ingestelde minimale lengte (standaard 140 bp in de validatie) om valse taxonomische toewijzingen te minimaliseren.
3. Taxonomische Toewijzing:
   • Alignement van nucleotide contigs tegen een proteïne-database met DIAMOND in blastx-modus.
   • Gebruik van frameshift-bewuste modus (-F 15) en --range-culling voor nauwkeurigere dekkingsschattingen.
   • Classificatie met TaxonKit op basis van NCBI-taxonomie.
   • Strenge drempelwaarden voor e-waarde, percentuele identiteit en query-dekking om valse positieven te voorkomen.
4. Kwantificatie:
   • Her-mapping van de gereinigde reads naar de geassembleerde contigs met Minimap2.
   • Verwijdering van PCR-duplicaten met Samtools (markdup) om betrouwbare relatieve abundanties te berekenen.

Validatie en Experimenteel Ontwerp

De pipeline werd gevalideerd met vijf controlematerialen:

• Experimentele infecties: Vier monsters van Aedes albopictus muggen, experimenteel geïnfecteerd met bekende virussen (Alphavirussen, Orthoflavivirussen, Orthobunyavirussen) in verschillende verdunningsreeksen (MixA, MixB, MixC) en een mengsel met een DNA-virus (AltMix).
• Gesimuleerde data: Een dataset gegenereerd met CAMISIM met bekende virale sequenties (Hepatitis A, Ippy virus) en overvloedige bacteriële contaminatie (Helicobacter hepaticus).
• Vergelijking: ViroSeek werd vergeleken met bestaande pipelines: Taxprofiler, MetaDenovo en VirusTaxo.

Belangrijkste Resultaten

1. Detectiegevoeligheid: ViroSeek detecteerde 100% van de verwachte virale soorten in alle controlematerialen, inclusief lage abundantie-doelen en DNA-virussen (densovirussen).
2. Vergelijking met andere tools:
   • Snelheid: ViroSeek was aanzienlijk sneller: ongeveer 4 keer sneller dan Taxprofiler en 20 keer sneller dan MetaDenovo (185 CPU-uren vs. 3891 en 453 respectievelijk).
   • Geheugengebruik: Het geheugengebruik was vergelijkbaar met de andere tools (~42 GB RAM).
   • Specificiteit: MetaDenovo miste verschillende verwachte arbovirussen en VirusTaxo faalde vaak in het specificeren op soort-niveau (>90% ongespecificeerd). Taxprofiler detecteerde wel alle virussen, maar leverde een lagere relatieve abundantie op voor de doelvirussen en meer valse positieven buiten het doelbereik.
3. Kwaliteit van output: De pipeline produceerde een duidelijke, gestructureerde taxonomische tabel en geassembleerde contigs die direct bruikbaar zijn voor fylogenetische analyse.
4. Beperkingen: Enkele taxonomische misclassificaties werden waargenomen (bijv. verwarring tussen Aedes albopictus densovirus 2 en Anopheles gambiae densovirus, of Sepik virus vs. Wesselsbron virus). Dit werd toegeschreven aan tekortkomingen in de referentiedatabases en hoge sequentie-identiteit tussen nauw verwante soorten, niet aan de pipeline zelf.

Bijdragen en Significantie

• Toegankelijkheid: ViroSeek vult een gat in de markt door een gebruiksvriendelijke, goed gedocumenteerde en reproduceerbare pipeline te bieden die toegankelijk is voor niet-experts.
• Optimalisatie voor NGS: Het is specifiek ontworpen voor second-generation sequencing, met aandacht voor het verwijderen van PCR-duplicaten en per-sample assemblage, wat essentieel is voor accurate kwantificatie en evolutionaire studies.
• Open Science: De pipeline is volledig open-source (GitHub), bevat alle benodigde dependencies in containers, en de data/code zijn beschikbaar via ENA en DataSuds.
• Toepassing: Het biedt een geoptimaliseerde oplossing voor viroome-analyse in het kader van arbovirus-onderzoek en epidemiologische monitoring, waarbij het een balans vindt tussen gevoeligheid en specificiteit.

Kortom, ViroSeek is een robuust, snel en betrouwbaar alternatief voor bestaande tools, dat de drempel voor viroome-analyse verlaagt terwijl het de wetenschappelijke kwaliteit van de resultaten waarborgt.