Shotgun DNA sequencing evidence: sample-specific and unknown genotyping error probabilities

Este artigo estende o modelo estatístico wgsLR para análise forense de sequenciamento shotgun, permitindo a incorporação de probabilidades de erro de genotipagem assimétricas e desconhecidas entre amostras de traço e de referência, além de validar a robustez do modelo e sua implementação no pacote R wgsLR.

O essencial

Imagine que a ciência forense é como tentar resolver um quebra-cabeça antigo e danificado.

O Problema: O Quebra-Cabeça Quebrado
Normalmente, os detetives usam uma técnica chamada "STR" para identificar pessoas pelo DNA. É como olhar para peças de quebra-cabeça grandes e coloridas. Mas, às vezes, a evidência encontrada na cena do crime (como um fio de cabelo seco ou uma mancha velha) é de tão má qualidade que essas peças grandes estão quebradas em pedaços minúsculos. Não dá para montar o quebra-cabeça tradicional.

Aqui entra a Sequenciação Shotgun (como uma "fotografia de alta velocidade" de todo o DNA). Em vez de peças grandes, ela olha para milhões de pequenas letras (SNPs) no código genético. É como tentar ler um livro antigo onde as páginas estão rasgadas e sujas, mas ainda conseguimos ver algumas palavras.

O Desafio: O Ruído da Câmera
O problema é que essa "fotografia de alta velocidade" não é perfeita. Ela comete erros. Às vezes, a câmera distorce uma letra.

• A amostra de referência (o suspeito, que dá uma bochecha limpa no laboratório) é como uma foto tirada com uma câmera profissional: muito clara, pouquíssimos erros.
• A amostra da cena do crime (o fio de cabelo) é como uma foto tirada com um celular velho no escuro: cheia de ruído e erros.

O modelo antigo assumia que as duas fotos tinham a mesma qualidade. Isso não funcionava bem quando uma era perfeita e a outra era um desastre.

A Solução: O Novo "Tradutor" (o modelo wgsLR)
O autor deste artigo, Mikkel Meyer Andersen, criou uma atualização para o software de análise (chamado wgsLR) que funciona como um tradutor inteligente que entende que as duas fontes têm qualidades diferentes.

Aqui estão as três grandes inovações, explicadas com analogias:

1. Lidando com "Manchas" Desiguais (Probabilidades Assimétricas)

Imagine que você está comparando duas listas de compras. Uma foi escrita por um chef de cozinha (a amostra de referência, perfeita) e a outra por uma criança com a mão suja de chocolate (a amostra da cena do crime, cheia de erros).

• O antigo modelo: Adivinhava que a criança e o chef tinham a mesma chance de errar.
• O novo modelo: Sabe que a criança erra muito mais. Ele ajusta a matemática para dizer: "Se houver uma diferença entre as listas, é mais provável que seja culpa da mão suja da criança do que de serem pessoas diferentes". Isso evita culpar inocentes por erros de leitura.

2. O Que Fazer Quando Não Sabemos o Nível de Sujeira? (Probabilidades Desconhecidas)

Às vezes, não sabemos exatamente o quão "suja" está a amostra da cena do crime. É como tentar adivinhar quantas gotas de chuva caíram em uma foto. O artigo propõe duas formas inteligentes de lidar com isso:

• A "Aposta Média" (Integração Bayesiana): Em vez de chutar um número, o modelo faz uma média ponderada de todas as possibilidades de sujeira possíveis. É como dizer: "Vou calcular a probabilidade de ser o suspeito considerando que a foto pode estar levemente suja, muito suja ou super suja, e depois tiro uma média inteligente".
• O "Melhor Cenário Possível" (Máxima Verossimilhança): O modelo pergunta: "Qual é o nível de sujeira que faria esta evidência parecer a mais forte possível para cada teoria?" (Se for o suspeito ou se não for). Ele escolhe o cenário que maximiza a chance de cada hipótese.

3. A Regra de Ouro: É Melhor Subestimar do que Superestimar

O estudo descobriu uma lição de segurança muito importante: É mais seguro achar que a amostra ruim é menos ruim do que realmente é.

• Analogia: Imagine que você está julgando se alguém está mentindo. Se você acha que a pessoa é muito desleixada (muitos erros), você pode perdoar uma mentira achando que foi apenas um "deslize". Mas, se você acha que a pessoa é perfeita e ela comete um erro, você sabe que ela realmente mentiu.
• Na prática: Se a amostra da cena do crime é ruim, é melhor assumir que ela tem menos erros do que realmente tem. Se assumirmos que ela tem muitos erros, podemos culpar o suspeito por uma diferença que, na verdade, foi apenas um erro de leitura da máquina. Isso poderia inocentar um culpado ou condenar um inocente. O modelo mostra que assumir um erro menor é mais conservador e justo.

O Resultado Final
O autor testou tudo isso com simulações de computador (como jogar milhares de vezes um jogo de detetive virtual) e descobriu que:

1. O modelo é muito resistente a variações estranhas nos dados.
2. Mesmo sem saber exatamente a qualidade da amostra ruim, o modelo consegue dar uma resposta confiável se houver muitas letras (marcadores) para analisar.
3. A melhor estratégia prática, quando não se sabe a qualidade exata, é assumir que a amostra ruim tem a mesma qualidade da boa (o que é uma suposição segura e conservadora).

Em resumo: Este trabalho é como dar óculos de grau novos para os cientistas forenses. Agora, eles conseguem ler as evidências mais difíceis e sujas com mais precisão, sabendo exatamente como ajustar a "lente" para não confundir um erro de leitura com a verdade sobre quem estava no local do crime. Tudo isso está disponível em um pacote de software gratuito chamado wgsLR para que qualquer laboratório possa usar.

Resumo técnico

Aqui está um resumo técnico detalhado do artigo em português, estruturado conforme solicitado:

Resumo Técnico: Evidência de Sequenciamento de DNA Shotgun – Probabilidades de Erro de Genotipagem Específicas da Amostra e Desconhecidas

1. O Problema
Na genética forense, muitas amostras de rastreamento biológico (como cabelos na fase telógena) possuem DNA nuclear altamente degradado ou em quantidade insuficiente, tornando impossível a obtenção de perfis de DNA baseados em Repetições Curtas em Tándem (STR) através da eletroforese capilar de PCR (PCR-CE). Como alternativa, o sequenciamento shotgun de DNA (Whole-Genome Sequencing - WGS) tem ganhado destaque para extrair informações de marcadores de Polimorfismo de Nucleotídeo Único (SNP).

No entanto, o sequenciamento não é isento de erros. O modelo estatístico existente (wgsLR, de Andersen et al., 2025) assumia uma probabilidade de erro de genotipagem ($w$) idêntica tanto para a amostra de rastreamento (trace) quanto para a amostra de referência. Isso é uma limitação prática, pois amostras de rastreamento degradadas tendem a ter taxas de erro significativamente mais altas do que amostras de referência de alta qualidade (ex.: swab bucal). Além disso, em muitos casos, a taxa de erro exata da amostra de rastreamento é desconhecida, exigindo métodos para lidar com essa incerteza sem comprometer a validade da evidência.

2. Metodologia
O artigo estende o modelo wgsLR original para abordar três aspectos principais, utilizando simulações em R e análise de dados:

• Probabilidades de Erro Assimétricas (Específicas da Amostra): O modelo foi reformulado para permitir que a amostra de rastreamento ($X_t$) e a amostra de referência ($X_r$) tenham probabilidades de erro distintas, denotadas por $w_t$ e $w_r$, respectivamente. Foram derivadas fórmulas para a Razão de Verossimilhança (LR) considerando essas duas variáveis independentes.
• Tratamento de Erros Desconhecidos: Para o caso em que $w_t$ é desconhecido, duas abordagens foram investigadas:
  1. Integração sobre Distribuição A Priori (Bayesiana): Trata-se $w_t$ como uma variável aleatória com uma distribuição de probabilidade a priori (distribuição Beta). A verossimilhança é calculada como uma média ponderada sobre essa distribuição.
  2. Maximização da Verossimilhança Perfil (Profile Likelihood): Seleciona-se o valor de $w_t$ que maximiza a verossimilhança sob cada hipótese (mesmo indivíduo vs. indivíduos diferentes) para calcular a Razão de Verossimilhança.
• Robustez à Superdispersão: Investigou-se se o modelo é robusto quando a probabilidade de erro não é constante em todo o genoma (superdispersão), mas sim varia entre regiões genômicas, mantendo apenas a média global constante.

3. Principais Contribuições

• Generalização do Modelo wgsLR: O modelo agora suporta cenários com erros de genotipagem assimétricos, refletindo a realidade forense onde a qualidade da amostra de rastreamento difere da referência.
• Implementação Computacional: As extensões foram implementadas no pacote R wgsLR, disponibilizando funções para cálculo de LR e Peso da Evidência (WoE) com erros específicos e incertos.
• Análise de Conservadorismo: O estudo estabeleceu diretrizes sobre como lidar com a incerteza de $w_t$, demonstrando que subestimar a taxa de erro (assumindo $w_t = w_r$) é mais conservador do que superestimar.
• Validação de Robustez: Confirmação de que o modelo permanece estável mesmo na presença de superdispersão nos erros de genotipagem.

4. Resultados

• Robustez à Superdispersão: O modelo mostrou-se altamente robusto. Mesmo quando os erros variavam entre regiões genômicas (simulados via distribuições Beta), a estimativa da média global de erro ($w$) e o cálculo do WoE permaneceram precisos.
• Comparação de Métodos para $w_t$ Desconhecido:
  • Integração Bayesiana e Maximização: Ambos os métodos produziram resultados concordantes quando o número de marcadores independentes era suficiente (ex.: 200 SNPs).
  • Conservadorismo: Utilizar um valor de erro muito baixo para a amostra de rastreamento (ex.: assumir $w_t = w_r$ quando na verdade $w_t > w_r$) resultou em WoEs mais conservadores (mais próximos de zero). Isso é preferível na forense, pois evita atribuir peso excessivo a inconsistências que podem ser erros de sequenciamento em vez de diferenças reais entre indivíduos.
  • Risco de Superestimar o Erro: Assumir uma taxa de erro muito alta pode ser perigoso, pois pode explicar inconsistências genotípicas como "erros" quando, na verdade, elas indicam que os doadores são indivíduos diferentes, levando a falsas exclusões ou redução injustificada do peso da evidência.
• Desempenho com Poucos Marcadores: Com poucos marcadores (50 ou 100), a maximização da verossimilhança perfil tendeu a produzir WoEs mais próximos de zero para casos onde os doadores eram diferentes (H2), às vezes falhando em identificar a direção correta da evidência, enquanto a integração sobre a priori mostrou-se mais estável.
• Recomendação Prática: Quando $w_t$ é desconhecido e não há réplicas da amostra de rastreamento para estimativa, recomenda-se assumir $w_t = w_r$ (ou usar uma priori com média igual a $w_r$). Isso garante um resultado conservador, dado que a amostra de rastreamento degradada provavelmente tem erro maior, e subestimar o erro é estatisticamente mais seguro do que superestimar.

5. Significância
Este trabalho é fundamental para a evolução da genética forense na era do sequenciamento de nova geração (NGS). Ao fornecer um framework estatístico rigoroso para lidar com amostras de baixa qualidade e erros de genotipagem assimétricos, o modelo wgsLR estendido permite:

1. Análise de Amostras Degradadas: Permitir a identificação humana em casos onde o STR tradicional falha (ex.: cabelos, ossos antigos).
2. Interpretação Estatística Correta: Garantir que o peso da evidência (WoE) não seja inflado ou subestimado devido a falhas na modelagem dos erros de sequenciamento.
3. Segurança Jurídica: A abordagem conservadora recomendada protege contra falsas inclusões, assegurando que as conclusões forenses sejam robustas mesmo diante de incertezas técnicas sobre a qualidade da amostra.

O pacote R wgsLR atualizado torna essas ferramentas acessíveis à comunidade forense, facilitando a adoção de métodos de sequenciamento shotgun em investigações criminais.