MultiVirusConsensus: An accurate and efficient open-source pipeline for identification and consensus sequence generation of multiple viruses from mixed samples.

MultiVirusConsensus is een nauwkeurige en efficiënte open-source pipeline die gelijktijdig identificeert en consensussequenties genereert voor meerdere virussen uit gemengde monsters, zoals afvalwater, door het gebruik van parallelle verwerking en het vermijden van tijdrovende tussentijdse schijfbestanden.

De kern

MultiVirusConsensus: De "Super-Scanner" voor Virussen in een Brij

Stel je voor dat je een grote emmer met water hebt. In die emmer zitten niet alleen waterdruppels, maar ook een mengsel van verschillende kleine, onzichtbare vreemdelingen: misschien een stukje van het griepvirus, een stukje van het RSV-virus en een stukje van het coronavirus. In de echte wereld is dit water vaak rioolwater of een monster van een patiënt die niet precies weet welke ziekte hij heeft.

Vroeger waren de gereedschappen van wetenschappers om deze virussen te vinden en te identificeren als enkele vergrootglazen. Je moest het monster één voor één doorlopen: eerst kijken of er griep in zit, dan het monster schoonmaken, en daarna kijken of er RSV in zit. Dit was traag, duur en inefficiënt.

MultiVirusConsensus is als een slimme, snelle super-robot die dit allemaal in één keer doet. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De "Oneindige Lijn" (Geen files, alleen snelheid)

Stel je een fabriek voor waar dozen (de virale stukjes) moeten worden verpakt.

• De oude manier: Je pakt een doos, loopt ermee naar de verpakkingsmachine, schrijft het resultaat op een papiertje, loopt terug, pakt de volgende doos, en herhaalt dit. Je loopt veel tijd kwijt aan het heen en weer lopen en het schrijven van papiertjes (het lezen en schrijven van harde schijven).
• De MultiVirus-manier: De robot gebruikt een transportband. De dozen gaan direct van de ene machine naar de andere zonder dat ze ooit op de grond worden gezet. De robot pakt alle virussen tegelijk en laat ze door verschillende machines glijden die parallel werken. Hierdoor is het proces razendsnel en hoeft er geen tijd verloren te gaan met het opslaan van tussentijdse resultaten.

2. De "Grote Puzzel" (Van chaos naar duidelijkheid)

Het doel van de software is om uit die brij van DNA-stukjes de volledige puzzel van elk virus te reconstrueren.

• De software neemt al die losse stukjes (de leesgegevens) en vergelijkt ze met een grote stapel sjablonen (de referentie-virussen).
• Omdat de software zo slim is, kan hij honderden verschillende sjablonen tegelijk in de gaten houden. Hij zegt: "Oké, deze 10.000 stukjes horen bij het griepvirus, en die 5.000 bij het coronavirus."
• Hij bouwt dan voor elk virus een compleet, nieuw kopie (een "consensus") van het virus, alsof hij een gebroken vaas weer perfect herstelt.

3. De "Veilige Web-app" (Zonder data te sturen)

Naast de snelle robot heeft de maker ook een visuele dashboard gemaakt.

• Stel je voor dat je een map met resultaten opent, en er verschijnt een interactieve grafiek die je laat zien welk virus het meest voorkomt.
• Het mooiste deel? Je hoeft je data nooit naar een server te sturen. De web-app werkt volledig op jouw eigen computer (zoals een lokale calculator). Dit is cruciaal voor privacy, omdat je geen gevoelige patiëntinformatie naar een wolk hoeft te sturen. Het blijft veilig in je eigen huis.

Waarom is dit belangrijk?

In de wereld van volksgezondheid (zoals tijdens een pandemie) is het belangrijk om snel te weten wat er in het rioolwater of in een patiënt zit.

• Snelheid: Omdat het zo snel is, kunnen artsen en onderzoekers direct zien welke virussen circuleren, zelfs als er tientallen tegelijk in een monster zitten.
• Toegankelijkheid: Je hebt geen dure supercomputer nodig. Deze software is zo efficiënt dat het zelfs op een gewone laptop (of zelfs een klein apparaatje als een Raspberry Pi) kan draaien.
• Gratis: Het is open-source, wat betekent dat iedereen het gratis mag gebruiken, in plaats van dat ze moeten betalen voor dure commerciële software.

Kortom:
MultiVirusConsensus is de snelle, gratis en privacy-vriendelijke superkracht die wetenschappers nodig hebben om uit een rommelige mix van virussen de heldere, volledige verhalen van elk virus te halen, allemaal in één keer en zonder gedoe. Het maakt virale surveillance (het bewaken van virussen) net zo makkelijk als het scannen van een barcode in een supermarkt.

Technische samenvatting

Probleemstelling

Virusbewaking uit gemengde monsters (zoals afvalwater) is cruciaal geworden voor de volksgezondheid om pathogenen te traceren en te beteugelen. Bestaande open-source bio-informatica-tools voor het genereren van consensussequenties zijn echter geoptimaliseerd voor individuele virussen. Ze kunnen niet efficiënt meerdere virussen van belang gelijktijdig verwerken in één enkele run. De enige bestaande oplossing voor het herconstrueren van genoomsequenties van meerdere virussen in één run is de commerciële "DRAGEN Microbial Enrichment Plus App" van Illumina, die niet open-source is. Er is dus behoefte aan een snelle, geheugenefficiënte en open-source pipeline die meerdere virussen uit gemengde monsters kan identificeren en consensussequenties kan genereren.

Methodologie

MultiVirusConsensus is een commandoregel-tool geschreven in Python die een bash-script genereert om de analyse uit te voeren. De pipeline maakt gebruik van de volgende tools:

• Minimap2: Voor het mappen van reads.
• Samtools: Voor het schrijven van BAM-bestanden.
• ViralConsensus: Voor het daadwerkelijk callen van de consensussequenties (de kern van de snelheid en geheugenefficiëntie).
• BioBloom (optioneel): Voor het filteren van gastheer-sequenties (bijv. menselijk DNA).

Technische innovaties:

1. Parallelle verwerking: De pipeline mappet reads eerst naar een samengevoegd referentiegenoom (van alle virussen van belang). Vervolgens worden de reads gelijktijdig (in parallel) verwerkt door aparte processen van ViralConsensus, één per virusreferentie.
2. Process Substitution (Geen tussentijdse bestanden): Een cruciaal kenmerk is het gebruik van bash-process substitution. In plaats van tussenbestanden op de schijf te schrijven en opnieuw in te lezen (wat disk I/O vertraagt), worden datastromen direct tussen processen gepiped. Alleen de invoer (FASTQ) en de uiteindelijke uitvoer worden naar de schijf geschreven.
3. Input/Output: De tool vereist FASTQ-bestanden (reads), FASTA-bestanden (referentiegenomen) en een uitvoermap. Optioneel kunnen BED-bestanden (voor primer-trimming) en een gastheer-filter worden opgegeven.
4. Multimapping: Standaard worden reads die op meerdere referenties mappen ("multimapped reads") behouden, omdat homologie tussen verwante virussen dit kan veroorzaken. De gebruiker kan dit echter aanpassen ("all", "best", of "none").

Belangrijkste Bijdragen

• MultiVirusConsensus: Een volledig open-source pipeline die het mogelijk maakt om consensussequenties van tientallen tot honderden virussen gelijktijdig te genereren uit gemengde monsters.
• Efficiëntie: Door het gebruik van ViralConsensus en het elimineren van disk I/O voor tussenbestanden, is de pipeline extreem snel en geheugenefficiënt.
• Reproduceerbaarheid: Het gegenereerde bash-script wordt opgeslagen in de uitvoermap, wat de analyse volledig reproduceerbaar maakt.
• Gebruiksgemak en Privacy: Er wordt een begeleidende webapplicatie aangeboden (lokaal uitvoerbaar) voor interactieve visualisatie van dekking en volledigheid. Omdat deze lokaal draait (client-side), worden geen data extern verzonden, wat essentieel is voor HIPAA-compliance en privacy.

Resultaten

De auteurs hebben de tool getest op een referentiecollectie van 29 virale sequenties (inclusief Influenza A/B, SARS-CoV-2, RSV, HMPV, etc.) en zes datasets (één gesimuleerd en vijf real-world datasets, waaronder een "gemengd" dataset).

• Nauwkeurigheid: In alle datasets (inclusief de gemengde samples) waren de correct gemapte reads (naar het juiste virus) orders van grootte groter dan de incorrect gemapte reads. Dit geldt zelfs voor amplicon-sequencing datasets.
• Snelheid: De runtime varieerde van 21 seconden tot ongeveer 4 minuten, zelfs bij zeer hoge dekking (1000X). De runtime schaalt lineair met de datasetgrootte, maar is vrijwel constant ten opzichte van het aantal referentiegenomen.
• Geheugengebruik: Het piekgeheugengebruik lag tussen de 427 MB en 652 MB. Dit is opmerkelijk laag, zelfs bij het verwerken van 29 virussen. De tool kan dus comfortabel draaien op lichtgewicht apparaten zoals een Raspberry Pi of een laptop.
• Schalbaarheid: De tool kan honderden virussen van belang verwerken, wat het ideaal maakt voor real-time moleculaire surveillance.

Betekenis

MultiVirusConsensus vult een belangrijke lacune in de open-source bio-informatica. Het biedt een krachtig, gratis alternatief voor dure commerciële oplossingen (zoals Illumina's DRAGEN) voor het gelijktijdig monitoren van meerdere virussen. Door de combinatie van snelheid, laag geheugengebruik en de mogelijkheid om op lokaal hardware te draaien, maakt het real-time virale surveillance en epidemiologisch onderzoek op grote schaal toegankelijker voor laboratoria en onderzoekers wereldwijd. Het is een essentieel instrument geworden voor het snel identificeren van pathogenen in complexe, gemengde monsters.