Epistasis and the changing fitness landscapes of SARS-CoV-2

Deze studie analyseert de veranderende fitnesslandschappen van SARS-CoV-2 en toont aan dat epistatische interacties tussen mutaties en genetische verschillen tussen varianten verantwoordelijk zijn voor ongeveer de helft van de verschuivingen in de fitnesskosten van mutaties.

De kern

Titel: Waarom SARS-CoV-2 een meesterspel van genetische puzzels is

Stel je voor dat het coronavirus (SARS-CoV-2) een enorme, levende legpuzzel is. Elke stukje van deze puzzel is een klein onderdeel van het virus, en samen vormen ze de "fitheid" van het virus: hoe goed het zich kan vermenigvuldigen en verspreiden.

De auteurs van dit onderzoek, Luca Sesta en Richard Neher, hebben een gigantische puzzelkast geopend. Ze hebben miljoenen genoomsequenties van het virus uit de afgelopen jaren verzameld. In plaats van alleen te kijken naar welke stukjes er ontbreken (mutaties die het virus slecht doen), kijken ze nu naar hoe het ontbreken van één stukje de waarde van een ander stukje beïnvloedt.

Hier is de kern van hun ontdekking, vertaald naar alledaagse taal:

1. De "Vrienden en Vijanden" van het Virus (Epistasis)

Stel je voor dat je een team van voetballers hebt. Als speler A een goede pass maakt, is dat geweldig. Maar wat als speler B (die een andere positie speelt) ineens een andere schoen draagt? Plotseling werkt diezelfde pass niet meer, of juist veel beter.

In de biologie noemen we dit epistasis: het effect van één mutatie hangt af van de andere mutaties die al in het virus aanwezig zijn.

• Vroeger: Wetenschappers dachten: "Als mutatie X schadelijk is, is hij altijd schadelijk."
• Nu: Dit onderzoek toont aan dat mutatie X in het ene virusvariant (bijvoorbeeld Delta) een ramp kan zijn, maar in een ander variant (bijvoorbeeld Omicron) juist heel goed werkt of zelfs neutraal is. Het hangt allemaal af van de "achtergrond" van de andere stukjes in de puzzel.

2. De Kaart van de Landschappen

De auteurs hebben een soort "topografische kaart" gemaakt van het virus.

• Het Landschap: Denk aan een berglandschap. Sommige plekken zijn valleien (goed voor het virus, het groeit daar snel) en sommige zijn pieken (slecht voor het virus, het sterft daar).
• De Verandering: In de loop van de pandemie is dit landschap niet statisch gebleven. Het is als een landschap dat door een aardbeving wordt verschoven. Wat gisteren een vallei was, is vandaag een bergtop.
• De Oorzaak: Deze verschuivingen gebeuren omdat het virus nieuwe mutaties verzamelt. Zodra het virus een paar nieuwe mutaties heeft (een nieuw "variant"), verandert de omgeving voor alle andere mogelijke mutaties.

3. De "Buren" in de Puzzel

Een van de belangrijkste bevindingen is dat deze veranderingen niet willekeurig gebeuren.

• De Analogie: Stel je voor dat je in een drukke stad woont. Als je buren veranderen (nieuwe mensen komen in de straat), verandert dat je leven. Maar als je buren ver weg wonen, maakt dat je leven weinig uit.
• De Wetenschap: Het onderzoek laat zien dat mutaties die elkaar beïnvloeden, meestal "buurman en buurvrouw" zijn in de 3D-structuur van het virus. Als het virus op punt A verandert, heeft dat vaak direct invloed op punt B, omdat die twee fysiek tegen elkaar aanliggen in het eiwit van het virus.
• De Rekenregel: Ze ontdekten dat elke nieuwe mutatie die het virus toevoegt, gemiddeld de "waarde" van nog 1 tot 3 andere plekken in het virus verandert. Het is een kettingreactie.

4. Waarom is dit belangrijk?

Dit klinkt misschien als pure theorie, maar het heeft grote gevolgen:

• Voorspellen: Als we begrijpen hoe deze "buren" elkaar beïnvloeden, kunnen we beter voorspellen welke mutaties het virus als volgende zal maken.
• Vaccins en Medicijnen: Als we weten dat een bepaald vaccin werkt tegen het ene variant, maar dat de "landschapsverandering" door nieuwe mutaties dat vaccin minder effectief maakt, kunnen we sneller nieuwe strategieën bedenken.
• De Omikron-revolutie: Het onderzoek verklaart waarom Omicron zo plotseling en zo drastisch anders was. Het was niet alleen dat het veel mutaties had, maar dat die mutaties samen een nieuw landschap creëerden waarin het virus zich heel anders kon gedragen dan zijn voorgangers.

Samenvattend

Dit artikel vertelt ons dat het virus evolueert als een complex, dynamisch spelletje waarbij elke zet (mutatie) de regels voor de volgende zetten verandert. Het is geen statisch doelwit, maar een levend wezen dat zich voortdurend aanpast aan zijn eigen veranderingen. Door deze "genetische burenrelaties" te begrijpen, krijgen we een krachtigere bril om de toekomst van de pandemie te bekijken.

Technische samenvatting

Probleemstelling

Sinds de uitbraak van SARS-CoV-2 in 2019 zijn miljoenen genoomsequenties gegenereerd, wat een unieke kans biedt om virale evolutie op ongekende resolutie te bestuderen. Hoewel eerder onderzoek de fitness-effecten van individuele mutaties kon schatten door het aantal onafhankelijke mutaties op een fylogenetische boom te vergelijken met neutrale verwachtingen, ging men er vaak van uit dat deze effecten constant zijn, ongeacht de genetische achtergrond.

In werkelijkheid evolueert het virus in distincte varianten (clades) die gescheiden zijn door lange takken met grote genetische verschillen (soms tot 50 mutaties). De centrale vraag die dit artikel beantwoordt, is: Hoe verandert het landschap van mutatiekosten (fitness costs) naarmate de genetische achtergrond van het virus verandert? Specifiek wordt onderzocht hoe epistatische interacties (de afhankelijkheid van het effect van een mutatie van andere aanwezige mutaties) de evolutie van SARS-CoV-2 beïnvloeden en waarom mutaties die in één variant voordelig of neutraal zijn, in een andere variant schadelijk kunnen zijn.

Methodologie

De auteurs gebruiken een combinatie van grootschalige genomische data en een statistisch model gebaseerd op het generalized Potts model.

1. Data-analyse:

   • Er wordt gebruikgemaakt van mutation-annotated trees (MATs) van miljoenen SARS-CoV-2 genoomsequenties (tot april 2024).
   • De fylogenetische boom wordt opgesplitst in clades (groepen van nauw verwante varianten). Binnen elke clade wordt de fitness van mutaties geschat door het waargenomen aantal onafhankelijke mutaties te vergelijken met het verwachte aantal onder neutrale evolutie.
   • Verschillen in fitness-effecten tussen clades worden gekwantificeerd met een genormaliseerde z-score ($z_{ab}$).

2. Het Epistatische Model:

   • De auteurs introduceren een model waarin het fitness-effect van een mutatie $\sigma_i \to \sigma'_i$ niet alleen afhangt van een intrinsiek effect ($h_i$), maar ook van paarsgewijze interacties ($J_{ij}$) met andere residuen $j$ in het eiwit.
   • Het verschil in fitness-effecten tussen twee clades ($a$ en $b$) wordt uitgedrukt als een som van interacties met residuen die verschillen tussen die clades:
     $$\Delta\Delta f^{ab} = \sum_{j: \sigma^a_j \neq \sigma^b_j} [J_{ij}(\sigma'_i, \sigma^b_j) - J_{ij}(\sigma'_i, \sigma^a_j)]$$
   • Om de duizenden parameters ($J_{ij}$) te schatten uit de beperkte data, wordt een regularisatie toegepast (Elastic Net). Cruciaal is dat ze een afstandsafhankelijke prior gebruiken: interacties tussen residuen die ruimtelijk dicht bij elkaar liggen in de 3D-structuur van het Spike-eiwit worden gestimuleerd, terwijl verre interacties worden onderdrukt. Dit lost het probleem van parameter-degeneratie op en maakt het model biologisch plausibel.

3. Validatie:

   • Het model wordt getest door de voorspelde fitness-verschuivingen te vergelijken met onafhankelijke data, waaronder Deep Mutational Scanning (DMS) experimenten en een trainings/test-set splitsing (waarbij de test-set varianten bevat die niet in de training zaten).

Belangrijkste Bijdragen

• Kwantificering van veranderende fitness-landschappen: Het artikel biedt het eerste systematische bewijs dat de fitness-effecten van mutaties in SARS-CoV-2 sterk afhankelijk zijn van de genetische achtergrond (epistase) en dat deze landschappen verschuiven met de opkomst van nieuwe varianten.
• Inferentie van interactiekaarten: Door het toepassen van het Potts-model op natuurlijke diversiteit in plaats van alleen DMS-data, kunnen auteurs interactiekaarten reconstrueren voor het volledige Spike-eiwit, inclusief gebieden die moeilijk te testen zijn met DMS (zoals de N-terminal domein).
• Relatie tussen structuur en evolutie: Het model koppelt veranderingen in fitness-effecten direct aan ruimtelijke nabijheid in de eiwitstructuur, wat bevestigt dat epistase voornamelijk plaatsvindt tussen fysiek contactmakende residuen.

Resultaten

1. Significante verschuivingen in fitness: Er zijn aanzienlijke verschillen in de geschatte fitness-effecten van mutaties tussen clades (bijv. Delta vs. Omicron). Mutaties die in Delta voordelig zijn, kunnen in Omicron schadelijk zijn.
2. Locatie van epistase: Sites met veranderde fitnesskosten zijn significant verrijkt in de buurt van residuen die verschillen tussen de clades. Sites met hoge epistatische signalen liggen vaak binnen een straal van 10-20 Å van de "mismatching" residuen.
3. Grootte van het effect: Het model verklaart ongeveer 50% van de variantie in de verschuivingen van fitness-effecten.
   • Elke extra mismatch (mutatie) in de genetische achtergrond tussen twee varianten verandert het fitness-effect van ongeveer 1 tot 3 andere posities in het eiwit.
   • In het RBD (Receptor Binding Domain) worden specifieke "hotspots" geïdentificeerd (zoals residuen 371, 417, 452, 486) die centraal staan in een dicht netwerk van epistatische interacties.
4. Validatie:
   • Het model voorspelt succesvol fitness-verschuivingen voor nieuwe varianten (zoals JN.1) die niet in de trainingsdata zaten.
   • Er is een matige maar significante correlatie (Pearson $r \approx 0.32$) tussen de door het model voorspelde verschuivingen en experimentele DMS-data, wat aangeeft dat het model de algemene trends van veranderende tolerantie voor mutaties (bijv. Delta is toleranter dan BA.1) correct vastlegt.

Significantie en Conclusie

Dit onderzoek toont aan dat de evolutie van SARS-CoV-2 niet lineair is, maar wordt gedreven door complexe epistatische netwerken. De "fitness-landschappen" zijn dynamisch en veranderen met elke grote variant.

• Implicaties voor toezicht: Het begrijpen van deze landschappen is cruciaal voor het voorspellen van de evolutie van het virus. Mutaties die nu neutraal lijken, kunnen in een toekomstige variant (met een andere achtergrond) plotseling schadelijk of juist zeer gunstig worden.
• Methodologische doorbraak: De studie demonstreert dat het analyseren van natuurlijke mutatiepatronen in miljoenen sequenties een krachtig alternatief is voor (en een aanvulling op) laboratoriumexperimenten zoals DMS. Het stelt onderzoekers in staat om interacties te bestuderen in eiwitdomeinen die experimenteel moeilijk toegankelijk zijn.
• Toekomstperspectief: Hoewel het huidige model tijd-onafhankelijk is, legt het de basis voor toekomstige modellen die ook de veranderende immuniteit van de gastheer (tijdsafhankelijke selectiedruk) kunnen integreren, wat essentieel zal zijn voor het voorspellen van toekomstige varianten.