Phylogeny-aided detection of contamination in nearly 5 million SARS-CoV-2 genomes

Technische Samenvatting: Fylogenie-ondersteunde Detectie van Contaminatie in Bijna 5 Miljoen SARS-CoV-2 Genomen

Probleemstelling
De enorme schaal van de SARS-CoV-2 genoomsequencing, die de 17 miljoen sequenties in publieke repositories overstijgt, heeft aanzienlijke uitdagingen geïntroduceerd voor de datakwaliteit. Een primaire bron van fouten is monstercontaminatie, waarbij genomen van verschillende gastheren per ongeluk tijdens het sequencen worden gemengd. Terwijl contaminaties met een hoge abundantie vaak detecteerbaar zijn, vormt lage-abundantie contaminatie in combinatie met "amplicon dropout" een specifiek, moeilijk te detecteren probleem. Bij amplicon-gebaseerde sequencing (de standaard voor SARS-CoV-2) kunnen mutaties op primer-bindingsplaatsen voorkomen dat het meerderheidsgenoom in een gecontamineerd monster wordt geamplificeerd. Als gevolg hiervan kunnen sequencing-reads van het minderheids-contaminant-genoom bepaalde regio's domineren, wat leidt tot een hybride consensussequentie die ten onrechte verschijnt als recombinatie of foutieve mutaties introduceert. Deze artefacten kunnen downstream-analyses verstoren, inclus\u2019 bijvoorbeeld lineage-toewijzing, transmissie-tracking en evolutionaire inferentie. Bestaande computationele methoden falen vaak in het rekening houden met de specifieke interactie tussen lage-niveau contaminatie en amplicon dropout.

Methodologie: De PhyCD-pipeline
De auteurs presenteren PhyCD (Phylogeny-aided Contamination Detection), een computationele pipeline ontworpen om consensus-sequentiefouten te identificeren en te maskeren die voortkomen uit de combinatie van contaminatie en amplicon dropout. De pipeline werkt via de volgende stappen:

1. Data Preprocessing en Referentie Selectie:

   • De studie maakt gebruik van een dataset van 4.952.451 SARS-CoV-2 genomen die zijn samengesteld met Viridian, wat reeds referentie-biases aanpakt en regio's met lage dekking of hoge heterozygotie maskeert.
   • Een "referentieset" van 785.011 monsters is geselecteerd op basis van strikte criteria: zij moeten nul posities hebben onder een specifieke dekking-drempelwaarde en zeer weinig heterozygote sites hebben. Deze monsters worden verondersteld vrij te zijn van contaminatie-gerelateerde consensusfouten.
   • Een pandemie-schaal referentie-fylogenetische boom wordt afgeleid uit deze referentieset met behulp van MAPLE (v0.7.5).

2. Dropout Masking:

   • Voor de overige "geteste" monsters identificeert de pipeline regio's waar de sequencing-dekking significant afneemt ten opzichte van de mediaan-dekking van het monster.
   • Een drempelwaarde $\rho$ (getest bij 5%, 10%, 15%, 20%) wordt toegepast. Posities met een dekking onder $\max(50, \rho \times M_s)$ (waarbij $M_s$ de mediaan-dekking is) worden gemaskeerd. Dit richt zich op regio's waar de reads van het meerderheidsgenoom mogelijk zijn weggevallen (dropout), waardoor alleen contaminant-reads overblijven.
   • Voor elk monster worden drie consensus-sequenties gegenereerd:
     • Dropout gemaskeerd: Regio's gemaskeerd op basis van dekking-afnames.
     • Dropout ongemaskeerd: De standaard consensus (gebruikt als baseline).
     • Willekeurig gemaskeerd: Een controle waarbij hetzelfde aantal posities willekeurig wordt gemaskeerd om het onderscheid te maken tussen echt signaal en ruis.

3. Fylogenetische Plaatsing en Signaaldetectie:

   • Alle drie de sequentietypen worden fylogenetisch geplaatst op de referentieboom met behulp van MAPLE.
   • De kernlogica berust op de aanname dat contaminatie-geïnduceerde fouten kunstmatige substituties creëren die de fylogenetische afstand (taklengte) tot de ware evolutionaire lineage vergroten.
   • Als de dropout gemaskeerde sequentie significant dichter bij de referentieboom wordt geplaatst (kortere taklengte) dan de dropout ongemaskeerde sequentie, suggereert dit dat de gemaskeerde regio's foutieve substituties bevatten veroorzaakt door contaminatie.
   • Monsters waarbij de dropout gemaskeerde sequentie minstens 2 substituties dichter bij de boom staat dan de ongemaskeerde sequentie, worden gemarkeerd als "vermoedelijk gecontamineerd".

4. Contaminant Zoektocht (Optioneel):

   • De pipeline probeert "plausibele contaminanten" te identificeren onder de referentiemonsters door te zoeken naar gelijkenis in de gemaskeerde regio's en heterozygote sites. Echter, de auteurs merken op dat likelihood-gebaseerde modellen en nabijheidsscores niet voldoende discriminerend vermogen bereikten om false positives effectief uit te filteren in deze specifieke dataset.

Belangrijkste Resultaten

• Detectieschaal: Toegepast op bijna 5 miljoen genomen, identificeerde PhyCD 10.942 vermoedelijk gecontamineerde monsters met conservatieve parameters ($\rho = 5\%$).
• Schatting False Positives: Door de resultaten te vergelijken met de willekeurige masking-controle, identificeerden de auteurs 5.457 monsters die werden gemarkeerd door het willekeurige masking-proces. Dit suggereert dat ongeveer 50% van de gemarkeerde monsters false positives kunnen zijn (d.w.z. echte mutaties die gemaskeerd zijn door de dekking-afname).
• Impact op Data: Over de gemarkeerde genomen geïdentificeerdeerde en maakte PhyCD het mogelijk om 64.753 substituties te maskeren die anders fouten in downstream-analyses zouden kunnen veroorzaken.
• Parametergevoeligheid: Het verhogen van de dekking-drempelwaarde $\rho$ verhoogde het aantal gemarkeerde monsters, maar verslechterde de signaal-ruisverhouding (van 2.0 bij $\rho=5\%$ naar ~1.6 bij $\rho=20\%$). Hogere drempelwaarden leidden tot excessief verlies van genuïne genetische informatie.
• Casestudy: Analyse van een specifiek monster (SRR24221569) toonde aan dat het maskeren van de regio's met dekking-afname de fylogenetische plaatsings-taklengte verminderde van 2.1 naar 0, waardoor het monster direct op een bestaand referentiemonster werd geplaatst en de plaatsingsbetrouwbaarheid toenam van 0.32 naar 0.94. Visualisatie van de read-diepte bevestigde de aanwezigheid van een dekking-afname en heterozygositeit die consistent is met de contaminatie-hypothese.

Betekenis en Claims
Het artikel claimt dat PhyCD een schaalbare, fylogenie-ondersteunde methode biedt voor de detectie van contaminatie-artefacten die onzichtbaar zijn voor standaard heterozygositeit-gebaseerde filters vanwege amplicon dropout.

• Beheer van Trade-offs: De auteurs benadrukken de inherente afweging tussen sensitiviteit en precisie. Hoewel een false positive rate van 50% hoog kan lijken, beargumenteren de auteurs dat het in de context van wereldwijde surveillance voordelig is om ~5.000 potentieel gecontamineerde monsters te maskeren of uit te sluiten (0,1% van de totale dataset) om de propagatie van artefacten in recombinatie-inferentie en lineage-toewijzing te voorkomen.
• Schaalbaarheid: De aanpak slaagde erin om pandemie-schaal data (miljoenen genomen) te verwerken door gebruik te maken van efficiënte fylogenetische plaatsingsinstrumenten zoals MAPLE.
• Generaliseerbaarheid: Hoewel ontwikkeld voor SARS-CoV-2, suggereren de auteurs dat de methode kan worden uitgebreid naar andere amplicon-gesequenced pathogenen, mits er een voldoende dichte referentie-fylogenie aanwezig is.
• Beperkingen: De auteurs erkennen bescheiden het gebrek aan een "gold-standard" dataset van experimenteel geverifieerde gecontamineerde monsters om de true positive rates te valideren. Ze merken ook op dat de huidige pipeline vertrouwt op sequentiële filteringstappen in plaats van een verenigd probabilistisch model, wat theoretisch een hogere kracht zou kunnen bieden maar computationele uitdagingen met zich meebrengt op deze schaal.

Concluderend demonstreert de studie dat fylogenetische plaatsing als een betrouwbaar signaal kan dienen voor contaminatie-detectie op pandemie-schaal, waarbij wordt vastgesteld dat hoewel contaminatie die consensus-sequenties beïnvloedt relatief zeldzaam is (~0,1%), het absolute aantal getroffen genomen aanzienlijk genoeg is om geautomatiseerde curatietools zoals PhyCD te rechtvaardigen.