Verticall: A fast and robust tool for recombination detection in large-scale bacterial genomic datasets

Verticall is een snelle en robuuste open-source tool die recombinatie in grote bacteriële genoomdatasets (tot duizenden genomen) efficiënt detecteert en schaalbare, recombinatievrije fylogenetische bomen genereert, waarbij het presteert op of boven het niveau van bestaande methoden zoals Gubbins en ClonalFrameML.

De kern

Stel je voor dat je een enorme familieboom wilt maken van een heel groot dorp, bijvoorbeeld een heel geslacht bacteriën. Je wilt weten wie van wie afstamt en hoe ze in de loop der tijd zijn veranderd. Maar hier zit een probleem: bacteriën zijn niet zo trouw als mensen. Ze lenen soms stukjes van hun 'DNA-erfgoed' van buren in plaats van het alleen van hun ouders te krijgen. In de wetenschap noemen we dit recombinatie.

Als je deze geleende stukken niet verwijdert voordat je de familieboom tekent, wordt de boom een rommelpot. Het lijkt alsof twee bacteriën familie zijn, terwijl ze dat eigenlijk niet zijn; ze hebben gewoon hetzelfde stukje DNA 'geleend'.

Tot nu toe waren de gereedschappen om deze geleende stukjes te vinden en te verwijderen, zoals Gubbins en ClonalFrameML, geweldig voor kleine groepen (een paar honderd bacteriën). Maar als je duizenden bacteriën hebt, of bacteriën die heel verschillend zijn (zoals een heel geslacht in plaats van één familie), worden deze oude gereedschappen traag, of werken ze helemaal niet meer. Het is alsof je probeert een heel dorp te tekenen met een potlood dat bedoeld is voor een postzegel.

Verticall is de nieuwe, snelle oplossing voor dit probleem.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De "Snelheidstest" voor DNA

Stel je voor dat je een grote groep mensen bij elkaar hebt en je wilt weten wie echt familie is. Je kijkt niet naar hun gezichten, maar naar hoe ver ze van elkaar verwijderd zijn in een grote lijst met namen.

• Oude methode: Kijkt heel precies naar elke naam, maar dat duurt eeuwen als je duizenden mensen hebt.
• Verticall: Gebruikt een slimme truc. Het kijkt naar de verdeling van de afstanden. Het vraagt zich af: "Zien we hier een groep die heel dicht bij elkaar zit (echte familie) en een groep die ver weg zit (geleend DNA)?" Het doet dit zonder ingewikkelde berekeningen, gewoon door naar het patroon te kijken. Dit maakt het extreem snel, zelfs voor duizenden bacteriën.

2. Twee manieren om de boom te tekenen

Verticall biedt twee manieren om de "schone" familieboom te maken, afhankelijk van wat je nodig hebt:

• De "Afstandsmethode": Het meet de afstand tussen elke bacterie en elke andere bacterie, maar alleen via de stukken DNA die ze echt van hun ouders hebben geërfd. Dan tekent het de boom op basis van die schone afstanden.
• De "Vergelijkingsmethode": Het pakt één bacterie als voorbeeld (een referentie) en vergelijkt alle anderen daarmee. Als het ziet dat een stukje DNA er heel anders uitziet dan bij de voorbeeld-bacterie, denkt het: "Ah, dit is geleend!" en veegt het dat stukje weg. Dan bouwt het de boom op basis van wat er overblijft.

3. Waarom is dit belangrijk?

De onderzoekers hebben Verticall getest op vier verschillende groepen bacteriën, variërend van kleine groepjes tot enorme verzamelingen van bijna 5.000 bacteriën.

• Het resultaat: Verticall was net zo goed (of zelfs beter) dan de oude kampioenen, maar dan veel sneller.
• De tijdreis: Het was ook beter in het vinden van de juiste tijdslijn. Stel je voor dat je wilt weten wanneer een bacterie een ziekte veroorzaakte. Verticall kon dit nauwkeuriger voorspellen omdat de "vervuilde" stukken DNA waren verwijderd.

Conclusie

Verticall is als een nieuwe, krachtige stofzuiger voor je DNA-data. Waar de oude stofzuigers vastliepen in een kamer vol met duizenden kussens (duizenden bacteriën), loopt Verticall er moeiteloos doorheen. Het maakt het voor wetenschappers mogelijk om enorme, complexe groepen bacteriën te bestuderen en hun echte familiegeschiedenis te reconstrueren, zonder vast te lopen in de chaos van geleend DNA.

Het is gratis en openbaar beschikbaar, zodat iedereen deze krachtige "stofzuiger" kan gebruiken om de wereld van bacteriën beter te begrijpen.

Technische samenvatting

Probleemstelling

Binnen de fylogenomica is het identificeren en verwijderen van horizontaal verworven genomische regio's (recombinatie) een cruciale stap voor het uitvoeren van nauwkeurige evolutionaire analyses. Bestaande tools, zoals Gubbins en ClonalFrameML, presteren goed op datasets die zich richten op klonale lijnen met een omvang van enkele honderden genooms. Deze tools hebben echter beperkingen wanneer ze worden toegepast op veel grotere datasets (duizenden genooms) of op datasets met een hoge evolutionaire diversiteit (bijvoorbeeld op genus-niveau). Er is dus behoefte aan een robuustere en schaalbaarder oplossing voor moderne, grootschalige bacteriële genomische studies.

Methodologie

Verticall is een nieuw computergestuurd hulpmiddel ontworpen om recombinante regio's in bacteriële assemblages te identificeren en recombinatie-vrije fylogenieën te genereren. De tool is specifiek ontwikkeld om te schalen van enkele honderden tot duizenden genooms, variërend van klonale lijnen tot genus-brede diversiteit.

De kern van de methodologie omvat de volgende elementen:

• Niet-parametrische aanpak: Verticall wijst genomische regio's toe als horizontaal of verticaal verwant op basis van de verdeling van paarsgewijze genetische afstanden tussen genooms, zonder strikte aannames over de onderliggende populatiegeschiedenis te maken.
• Twee benaderingen voor fylogenie:
  1. Afstand-baasde boom (Distance-tree): Berekening van een paarsgewijze genetische afstandsmatrix uitsluitend gebaseerd op verticale regio's, gevolgd door het afleiden van een boom.
  2. Alignement-baasde boom (Alignment-tree): Paarsgewijze vergelijkingen van alle genooms met een referentie, waarbij horizontaal verworven regio's worden gemaskeerd in een pseudo-alignement ten opzichte van deze referentie.

Belangrijkste Bijdragen

• Schaalbaarheid: Verticall is de eerste tool die effectief presteert op datasets met duizenden genooms en op schalen die strekken tot het niveau van een heel geslacht, waarvoor eerdere tools vaak ongeschikt waren.
• Flexibiliteit: De tool biedt twee verschillende methoden voor het reconstrueren van fylogenetische bomen, afhankelijk van de specifieke behoeften van de gebruiker en de aard van de dataset.
• Open Source: De software is vrij beschikbaar als open-source project, wat reproducibiliteit en bredere adoptie in de gemeenschap faciliteert.

Resultaten

De prestaties van Verticall zijn getest op vier publiek beschikbare datasets met whole-genome sequencing (WGS) van verschillende omvang (154 tot 4.857 genooms) en evolutionaire schaal (van binnen-lijn tot genus-breed). De resultaten tonen aan dat:

• Verticall vergelijkbare of superieure prestaties levert ten opzichte van gevestigde tools (Gubbins en ClonalFrameML) op het gebied van rekenefficiëntie.
• De afgeleide fylogenetische bomen biologisch plausibel zijn.
• De tool een betere of gelijkwaardige herstel van het temporele signaal voor moleculaire datering mogelijk maakt.
• De tool bijzonder effectief is voor datasets die te groot of te divers zijn voor bestaande oplossingen.

Betekenis en Impact

Verticall vult een belangrijke kloof in de bio-informatica voor bacteriële genomics. Het stelt onderzoekers in staat om recombinatie nauwkeuriger en efficiënter te detecteren in grote en diverse datasets. Dit is essentieel voor het begrijpen van de evolutie van bacteriële pathogenen, het traceren van uitbraken en het reconstrueren van de stamboom van bacteriële soorten op een schaal die voorheen niet haalbaar was met bestaande software. De beschikbaarheid van de tool (via GitHub) maakt deze geavanceerde analyse toegankelijk voor een breder publiek van onderzoekers.