Data Reduction in SARS-CoV-2 Amplicon Sequencing: Effects of Read Subsampling and Normalization on Consensus Quality, Lineage Assignment, and Computational Burden

Om bij te houden hoe virussen veranderen en zich verspreiden, vertrouwen wetenschappers op een krachtig hulpmiddel genaamd next-generation sequencing. Stel je voor dat je een foto maakt van de volledige genetische code van een virus, een lange reeks instructies die het virus vertelt hoe het zich moet gedragen. Door deze codes van veel verschillende patiënten te lezen, kunnen onderzoekers nieuwe varianten opsporen, begrijpen hoe het virus zich door een gemeenschap beweegt en waken voor gevaarlijke mutaties. Het proces van het maken van deze genetische foto's is echter niet altijd efficiënt. De machines die de code lezen, produceren vaak veel meer gegevens dan strikt noodzakelijk is, vergelijkbaar met het maken van een foto met een camera die elk individueel korreltje zand op een strand vastlegt wanneer je alleen de horizon wilt zien. Deze overdaad aan gegevens creëert een zware last voor computers, wat de analyse vertraagt en het moeilijker maakt om tijdig antwoorden te krijgen tijdens een crisis in de volksgezondheid.

Een team van onderzoekers in Utah zette zich in om dit probleem van digitale rommel op te lossen. Ze richtten zich op een specifep type genetische sequencing dat wordt gebruikt voor het SARS-CoV-2-virus, wat steunt op een methode genaamd amplicon sequencing. Deze techniek werkt door kleine, specifieke stukjes van het virale genoom vele malen te kopiëren, zodat ze duidelijk kunnen worden afgelezen. Een bekend bijeffect van dit kopieerproces is dat sommige stukjes veel vaker worden gekopieerd dan andere, wat zorgt voor een ongelijkmatige verdeling van de gegevens. Om ervoor te zorgen dat elk deel van het virus wordt gezien, sequencen wetenschappers de monsters vaak veel verder dan nodig is, waardoor enorme bestanden ontstaan die lang duren om te verwerken. De onderzoekers wilden weten of ze veilig een deel van deze extra gegevens konden weggooien om de boel te versnellen zonder het vermogen te verliezen om het virus te identificeren of nieuwe varianten te detecteren. Ze testten twee verschillende manieren om de gegevens te reduceren: één die simpelweg willekeurige stukjes bewaarde, en een andere die de gegevens actief balanceerde om de ongelijkmatige kopie te corrigeren.

De studie omvatte de analyse van genetische gegevens van 220 klinische monsters genomen van patiënten en 12 monsters verzameld uit afvalwater, dat een mix bevat van virussen van veel mensen in een gemeenschap. De onderzoekers namen de originele, enorme datasets en reduceerden deze tot verschillende kleinere formaten, waarbij ze testten hoe goed de computer nog steeds zijn werk kon doen. Ze vergeleken de resultaten van twee strategieën. De eerste strategie, willekeurige subsampling, was als het nemen van een emmer gemengde knikkers en er willekeurig een kleiner handje uit scheppen. Deze methode behield de oorspronkelijke ongelijkmatigheid van de gegevens, maar maakte de totale stapel kleiner. De tweede strategie, read depth normalization, was meer als een slim sorteerder die naar de stapel keek, de knikkers identificeerde die te talrijk waren, en de extra's verwijderde om een perfect gebalanceerd handje te creëren.

De resultaten toonden aan dat beide methoden erin slaagden de tijd en computerkracht die nodig is om de monsters te analyseren te verminderen, maar dat ze het beste werkten voor verschillende doelen. Voor de patiëntmonsters, waar het doel simpelweg was om te identificeren welke versie van het virus aanwezig was, werkte de willekeurige scheppende methode goed, zolang er genoeg gegevens overbleven. Echter, de slimme sorteermethode was superieur in het creëren van een compleet en accuraat beeld van de genetische code van het virus. Het stelde de onderzoekers in staat om kwalitatief hoogwaardige resultaten te verkrijgen met aanzienlijk minder gegevens dan de willekeurige methode vereiste. Specifiek produceerde de slimme sorteermethode betrouwbare genetische kaarten bij een datadiepte van 200 keer dekking, terwijl de willekeurige methode meer dan 500 keer dekking nodig had om hetzelfde niveau van volledigheid te bereiken. Dit betekent dat voor routinematig patiëntenonderzoek het gebruik van de slimme sorteermethode een groot deel van de rekentijd kan besparen, terwijl het toch de duidelijke antwoorden biedt die artsen en instanties voor de volksgezondheid nodig hebben.

Het verhaal veranderde echter toen de onderzoekers naar de afvalwatermonsters keken. Deze monsters zijn complexe mengsels die tegelijkertig veel verschillende virale stammen bevatten, en het doel is om precies te bepalen hoeveel van elke stam aanwezig is. In dit scenario vonden de onderzoekers dat het weggooien van gegevens gevaarlijk was. Wanneer ze de hoeveelheid gegevens te veel verminderden, worstelde de computer om de verschillende stammen van elkaar te onderscheiden. De nauwkeurigheid van het identificeren van welke stammen aanwezig waren, daalde scherp zodra de gegevens onder een bepalijk niveau zakten. De slimme sorteermethode, hoewel goed in het balanceren van de gegevens, creëerde soms valse signalen wanneer de gegevens te schaars waren, waardoor het leek alsof er meer verschillende stammen aanwezig waren dan in werkelijkheid het geval was. De willekeurige methode hield het bij zeer lage dataniveaus iets beter vol, maar slaagde er nog steeds niet in om een betrouwbaar beeld te geven van de virale mix in de gemeenschap. De studie concludeerde dat hoewel gegevensreductie een krachtig hulpmiddel is om routinematige analyse te versnellen, het met extreme voorzichtigheid moet worden gebruikt voor milieumonitoring. Voor afvalwater is het behouden van een hoog volume aan gegevens essentieel om de complexe mix van virussen die in een populatie circuleren, nauwkeurig te ontrafelen.

Uiteindelijk biedt dit werk een duidelijke gids voor hoe om te gaan met de vloedgolf aan genetische gegevens die gegenereerd wordt tijdens virale surveillance. Het laat zien dat er niet één beste manier is om gegevens te reduceren; de juiste keuze hangt er volledig vanaf welke vraag wordt gesteld. Als het doel is om snel een virus bij een patiënt te identificeren, is een lichte aanpak die de gegevens inkort efficiënt en effectief. Als het doel is om de meest gedetailleerde mogelijke genetische kaart te bouwen, is een methode die corrigeert voor kopieerbiases de betere weg. Maar wanneer men probeert de complexe, gemengde populaties in de omgeving te begrijpen, vonden de onderzoekers dat minder gegevens niet beter is. In die gevallen is het volledige volume aan informatie noodzakelijk om de subtiele details te voorkomen die het ware verhaal vertellen over hoe een virus zich verspreidt. Door de strategie voor gegevensreductie af te stemmen op de specifieke taak, kunnen laboratoria voor de volksgezondheid hun systemen sneller en duurzamer maken zonder het nauwkeurigheidsniveau op te offeren dat nodig is om gemeenschappen te beschermen.