Accounting for Defective Viral Genomes in viral consensus genome reconstruction, application to influenza virus

Dit artikel introduceert DIPScan, een nieuwe Nextflow-workflow die defecte virale genoomfragmenten in influenza-sequencingdata detecteert en corrigeert om de nauwkeurigheid van de gereconstrueerde consensussequentie voor epidemiologisch toezicht te waarborgen.

De kern

Titel: De 'Valse Vrienden' van het Virus en de Digitale Scherprechter

Stel je voor dat je een grote groep mensen hebt die allemaal hetzelfde liedje zingen. Je wilt weten hoe het echte liedje klinkt, zodat je het kunt opschrijven en aan anderen kunt doorgeven. Dit is wat virologen doen met virusgenomen: ze proberen het perfecte, volledige liedje (het genoom) te reconstrueren uit een enorme hoeveelheid geluidsfragmenten (sequencing data).

Maar er is een probleem. In deze groep zangers zitten ook veel 'valse vrienden'. Dit zijn mensen die het liedje niet helemaal kennen; ze hebben stukken overgeslagen of de tekst veranderd. In de wetenschap noemen we deze Defecte Virale Genomen (DelVGs). Ze zijn als een kapotte kopie van een boek: de eerste en laatste pagina's zijn intact, maar het midden is eruit gescheurd.

Het Probleem: De Luie Zanger

Het ergste is dat deze 'valse vrienden' soms veel luider zingen dan de echte zangers. Als er in een monster 60% kapotte kopieën zijn en slechts 40% echte kopieën, dan hoor je in je opname vooral de kapotte versie.

Als een computer nu probeert het liedje op te schrijven, kijkt hij naar wat hij het vaakst hoort. Hij denkt: "Oh, dit stukje tekst komt vaak voor, dus dat moet wel het echte liedje zijn!" En zo schrijft hij per ongeluk de fouten van de kapotte kopieën op in het officiële liedboek. Dit kan leiden tot ernstige fouten, alsof je in een recept voor cake per ongeluk zout in plaats van suiker zet.

De Oplossing: DIPScan, de Digitale Detective

De auteurs van dit artikel hebben een nieuw gereedschap bedacht, genaamd DIPScan. Je kunt dit zien als een slimme, digitale detective die in de massa van geluidsfragmenten op zoek gaat naar de valse vrienden.

Hoe werkt het?

1. Het Luisteren: DIPScan kijkt naar de 'luistertijd' (de dekking) van elk stukje van het virus. Bij een echt virus is de dekking overal gelijk. Bij een kapot virus zie je een heel hoog piek aan de begin- en eindkant, maar een diepe dal in het midden (waar de tekst ontbreekt).
2. Het Splitsen: De detective herkent deze patronen. Hij ziet: "Aha! Dit fragment is gesplitst. Hier is een gat."
3. Het Berekenen: Hij telt precies hoeveel procent van de fragmenten kapot zijn en hoeveel procent echt is.
4. Het Richten: Als hij ziet dat de kapotte fragmenten de boventoon voeren, grijpt hij in. Hij zegt: "Stop! Dit woord dat we vaak horen, komt van de kapotte kopie. Laten we dat woord uit het officiële liedboek halen en vervangen door een vraagteken (een 'N') of het juiste woord proberen te raden op basis van de echte zangers."

Waarom is dit belangrijk?

Stel je voor dat je een virus volgt om te zien of het gevaarlijk wordt (bijvoorbeeld door resistentie tegen medicijnen). Als je per ongeluk de fouten van de kapotte kopieën in je verslag zet, denk je misschien dat het virus een nieuwe, gevaarlijke eigenschap heeft, terwijl dat niet zo is. Of je mist een echte mutatie omdat deze verborgen zit onder de ruis van de kapotte kopieën.

DIPScan zorgt ervoor dat het verslag dat we aan de wereld geven, puur en waarheidsgetrouw is. Het filtert de 'ruis' weg.

De Resultaten in het Dagelijkse Leven

De onderzoekers hebben DIPScan getest op duizenden echte monsters van griepvirussen (Influenza).

• De ontdekking: Ze zagen dat ongeveer 30% van de patiënten die naar het ziekenhuis kwamen, niet alleen het echte virus had, maar ook een heleboel van deze 'kapotte kopieën'.
• De prestatie: DIPScan kon deze kapotte kopieën bijna perfect vinden en corrigeren, veel beter dan andere bestaande tools die vaak in de war raakten of te veel fouten maakten.
• De toepassing: Het werkt zo goed dat het nu al dagelijks wordt gebruikt in het Nationale Referentiecentrum voor Respiratoire Virussen in Parijs. Elke dag worden er nieuwe griepstammen geanalyseerd, en DIPScan zorgt ervoor dat de data schoon is voordat ze de wereld in gaan.

Conclusie

Kortom: Virussen maken vaak 'foutieve kopieën' van zichzelf. Als we niet oppassen, denken we dat die fouten echt zijn. DIPScan is de slimme filter die de echte waarheid van het virus scheidt van de kapotte kopieën, zodat artsen en wetenschappers de juiste beslissingen kunnen nemen over vaccins en behandelingen. Het is alsof je een onzichtbare bril opzet die je laat zien wie er echt zingt en wie er alleen maar meezingt met een kapotte tekst.

Technische samenvatting

Probleemstelling

Bij de surveillance van virale epidemieën is het genereren van nauwkeurige consensusgenomen uit sequencing-data (NGS) cruciaal voor het volgen van mutaties van zorg en het begrijpen van genetische diversiteit. Een groot obstakel bij dit proces is de aanwezigheid van Defecte Virale Genomen (DelVGs), specifiek die met grote deleties.

• Het mechanisme: DelVGs zijn virale deeltjes die een gedeeltelijk of herschikt genoom bevatten en niet zelfstandig kunnen repliceren zonder een "helper" (volledig) virus. Ze kunnen echter in hoge aantallen voorkomen in een monster.
• De impact op consensus: Wanneer DelVGs de overhand hebben in een monster, kunnen ze de dekking (coverage) van het genoom verstoren. De uiteinden van het genoom (die zowel in het defecte als het volledige genoom voorkomen) hebben een hoge dekking, terwijl het centrale gedeelte (alleen in het volledige genoom) een lage dekking heeft.
• Het risico: Als DelVGs niet worden gedetecteerd, kunnen mutaties die specifiek zijn voor het defecte genoom (en dus niet aanwezig zijn in het circulerende volledige virus) fouts als dominant worden geïnterpreteerd en opgenomen in de uiteindelijke consensussequentie. Dit leidt tot een "chimere" sequentie die de werkelijke virale populatie verkeerd weergeeft, wat ernstige fouten zoals premature stopcodons of frameshifts kan introduceren. Bestaande tools zijn vaak niet geschikt voor geautomatiseerde, grootschalige correctie van consensussequenties in routine-surveillance.

Methodologie: DIPScan

De auteurs introduceren DIPScan, een nieuwe bioinformatica-workflow (geïmplementeerd in Nextflow) die specifiek is ontworpen om DelVGs te detecteren en de consensussequentie te corrigeren. De workflow bestaat uit zeven hoofdstappen:

1. Mapping van reads:
   • Reads worden eerst gemapt met BWA-MEM2 voor standaard alignement.
   • Reads die niet gemapt zijn of "clipped" zijn (minimaal 8 nucleotiden), worden geëxtraheerd en opnieuw gemapt met STAR. STAR is hierbij effectief voor het detecteren van "split reads" die grote deleties overspannen (gezien als niet-kanonieke splice-sites).
2. Extraheren van deletiegrenzen:
   • Reads met "gesprongen regio's" (aangeduid met 'N' in de CIGAR-string) van meer dan 150 nucleotiden worden geïdentificeerd om start- en eindcoördinaten van deleties te bepalen.
3. Berekenen van defecte metrics:
   • Er worden diverse statistieken berekend, waaronder het aantal ondersteunende reads, de frequentie van splitsing, en verhoudingen van dekking rond de breukpunten (breakpoints) om ruis te filteren.
4. Selectie van breakpoints:
   • Filters worden toegepast (bijv. minimaal 100 ondersteunende reads) om onbetrouwbare breakpoints te verwijderen.
5. Schatting van DelVG-verhoudingen:
   • Het systeem lost een lineair vergelijkingensysteem op (met behulp van Non-Negative Least Squares - NNLS) om de relatieve abundantie van verschillende DelVG-types en het volledige genoom te schatten op basis van de dekking in verschillende regio's en het aantal split-reads.
   • Een monster wordt als "relevant" gemarkeerd als de som van de DelVG-proporties >50% is.
6. Consensuscorrectie:
   • Gebieden die waarschijnlijk door DelVGs worden gedomineerd (de "start" en "end" regio's rond de breakpoints) worden geïdentificeerd.
   • Mutaties in deze regio's worden geanalyseerd:
     • Als het volledige genoom dominant is (>98%), worden mutaties behouden.
     • Als het defecte genoom dominant is, wordt de mutatie vervangen door de waarschijnlijkse nucleotide van het volledige genoom of gemaskeerd met 'N' als de onzekerheid te groot is.
     • Complexe scenario's met meerdere DelVGs worden opgelost via heuristieken (vergelijkbaar met het "Multiple Subset Sum"-probleem).
7. Output:
   • Een rapport met de detectie van DelVGs en hun verhoudingen.
   • Een gecorrigeerde consensussequentie.

Kernbijdragen

• Nieuwe Tool: DIPScan is de eerste tool die niet alleen DelVGs detecteert, maar ook automatisch de consensussequentie corrigeert door specifieke mutaties van defecte genomen te filteren of te maskeren.
• Geautomatiseerde Schatting: Het biedt een wiskundig onderbouwde methode om de verhouding tussen defecte en volledige genomen in een monster te kwantificeren.
• Integratie in Routine: De workflow is volledig geïntegreerd in de routine-surveillance van het Nationaal Referentiecentrum (NRC) voor respiratoire virussen bij het Pasteur-instituut.
• Open Source: De tool is beschikbaar als Nextflow-workflow, wat zorgt voor reproduceerbaarheid en schaalbaarheid.

Resultaten

De auteurs hebben DIPScan getest op zowel gesimuleerde data als 551 echte patiëntmonsters van influenza (A/H1N1pdm, A/H3N2, B/Victoria).

• Prestaties op gesimuleerde data:
  • Detectie: DIPScan behaalde een 100% precisie (geen valse positieven) en een F1-score van 96,9%, wat aanzienlijk beter was dan bestaande tools zoals ViReMa, DG-Seq en VODKA2 (die veel valse positieven produceerden).
  • Kwantificering: Er was een zeer sterke correlatie (r = 0,99) tussen de bekende en geschatte verhoudingen van DelVGs.
  • Correctie: 97,2% van de DelVG-specifieke mutaties werd correct verwerkt (ofwel gecorrigeerd naar het volledige genoom, ofwel gemaskeerd).
• Prestaties op echte data:
  • Er was een hoge overeenstemming (92,8%) tussen DIPScan en handmatige inspectie.
  • DIPScan slaagde erin DelVGs te detecteren die door handmatige inspectie werden gemist, vooral bij lagere frequenties (<50%) of complexe patronen.
  • Bij monsters met >50% DelVGs was de sensitiviteit 99% en de precisie 88%.
  • Hotspots: De analyse bevestigde dat deletie-breakpoints niet willekeurig voorkomen, maar zich concentreren in specifieke "hotspots" aan de uiteinden van de polymerase-segmenten (PB1, PB2, PA), met subtype-specifieke variaties.

Betekenis en Conclusie

DIPScan lost een kritiek probleem op in de virologische surveillance: de vervuiling van consensussequenties door defecte virale genomen. Door deze fouten te elimineren, verbetert de tool de nauwkeurigheid van:

1. Het volgen van mutaties van zorg (bijv. resistentie of ontsnapping aan immuniteit).
2. Het bepalen van de werkelijke genetische diversiteit van circulerende virussen.
3. Het voorspellen van welke stammen dominant zullen worden.

De tool is nu routinematig in gebruik bij het Pasteur-instituut en wordt ontwikkeld voor uitbreiding naar andere virussen (zoals RSV en SARS-CoV-2) en voor het detecteren van andere soorten defecte genomen (zoals copy-back varianten). Dit markeert een belangrijke stap naar robuustere en betrouwbaardere genomische surveillance op grote schaal.