PathogenSurveillance: an automated pipeline for population genomic analyses and pathogen identification

O artigo apresenta o PathogenSurveillance, um pipeline automatizado e de código aberto baseado em Nextflow que realiza análises genômicas populacionais e identificação de patógenos a partir de dados de sequenciamento de genoma completo, facilitando a biossegurança em tempo real para uma resposta rápida a novas ameaças.

O essencial

Imagine que o mundo está cheio de "invasores invisíveis" – vírus, bactérias e fungos que podem causar doenças em plantas, animais e até em nós, humanos. O problema é que, quando um novo invasor aparece, os métodos tradicionais de detecção são como tentar achar uma agulha em um palheiro usando apenas uma lupa: é lento e muitas vezes falha.

Aqui entra o PathogenSurveillance, uma ferramenta nova apresentada neste artigo. Pense nela como um "Detetive Robô Super-Rápido" que usa inteligência artificial e genética para resolver crimes biológicos.

Aqui está como funciona, explicado de forma simples:

1. O Que é o PathogenSurveillance?

É um programa de computador (um "pipeline") que automatiza tudo. Em vez de um cientista ter que passar dias analisando sequências de DNA manualmente, você dá um único comando e o robô faz o trabalho pesado. Ele foi criado para funcionar em qualquer computador comum (desde um desktop até supercomputadores) e não exige que você seja um gênio da programação.

2. Como o Detetive Robô Trabalha? (A Analogia da Biblioteca)

Imagine que você encontrou um livro antigo e estranho em uma floresta, mas não sabe quem escreveu.

• O Passo 1 (A Varredura): O robô olha para as "letras" do DNA do seu achado e cria um "rascunho" rápido. Ele corre para uma biblioteca gigante (o banco de dados da internet) e compara esse rascunho com milhões de outros livros para ver com qual se parece mais.
• O Passo 2 (A Escolha dos Referências): Se ele acha que é um livro de "fantasmas" (bactérias), ele pega os melhores exemplares de fantasmas da biblioteca para comparar. Se acha que é um livro de "bruxas" (fungos), ele pega os de bruxas. Ele faz isso sozinho, sem você precisar dizer qual é o livro.
• O Passo 3 (A Construção da Árvore Genealógica): O robô então monta uma árvore genealógica. Ele descobre: "Este invasor é primo do que atacou a colheita de batata ano passado, mas é um pouco diferente". Isso ajuda a saber se é um novo tipo de doença ou apenas uma variação de uma antiga.

3. Por Que Isso é Especial?

Antes, para fazer isso, você precisava de:

• Um cientista experiente para escolher quais livros comparar.
• Um computador superpoderoso.
• Muito tempo para esperar os resultados.

O PathogenSurveillance muda as regras do jogo:

• É "À Prova de Erros": Se algo der errado no meio do caminho, o robô tenta de novo automaticamente.
• É "Memorioso": Se você rodar o teste duas vezes, ele lembra do que já fez na primeira vez e só refaz o que mudou, economizando tempo e energia.
• É "Mestral": Ele gera um relatório bonito e interativo (como um painel de controle de uma nave espacial) que mostra gráficos, árvores e mapas, explicando tudo em linguagem simples.

4. Para Que Serve Tudo Isso?

Pense no One Health (Saúde Única) como uma grande teia onde a saúde das plantas, dos animais e dos humanos estão conectadas.

• Se uma praga nova ataca uma plantação, esse robô pode identificar rapidamente se ela é perigosa para os humanos ou para o gado.
• Ele ajuda a detectar surtos de doenças antes que se tornem pandemias.
• Ele permite que países em desenvolvimento ou laboratórios pequenos tenham a mesma capacidade de detecção que os grandes centros de pesquisa, pois o programa é gratuito e fácil de instalar.

Resumo da Ópera

O PathogenSurveillance é como ter um GPS para o mundo microscópico. Em vez de ficar perdido tentando entender qual é o inimigo, ele te diz exatamente quem é, de onde veio, com quem está relacionado e o que você deve fazer a seguir, tudo em questão de horas, e não dias.

É uma ferramenta que coloca o poder da genômica nas mãos de qualquer pessoa que precise proteger a saúde do nosso planeta, tornando a resposta a novas ameaças biológicas mais rápida, inteligente e acessível.

Resumo técnico

Título: PathogenSurveillance: um pipeline automatizado para análises de genômica populacional e identificação de patógenos

1. O Problema

A emergência de patógenos e pragas invasoras representa uma ameaça global crescente, frequentemente impulsionada pelo comércio internacional intensificado. Os sistemas de biossurveillance atuais muitas vezes não conseguem acompanhar a velocidade de surgimento e disseminação desses organismos, especialmente quando o agente causador é desconhecido. Embora a Sequenciamento de Genoma Completo (WGS) seja uma ferramenta poderosa para detecção precoce e caracterização de surtos, sua adoção é limitada por barreiras significativas:

• Complexidade Técnica: A análise de dados WGS exige infraestrutura computacional robusta e expertise especializada em bioinformática e biologia de patógenos.
• Falta de Padronização: Métodos existentes (baseados em k-mers, genes múltiplos ou variantes) têm limitações específicas, como baixa resolução taxonômica, dependência de conhecimento prévio para seleção de genes marcadores ou sensibilidade à qualidade da montagem.
• Dificuldade de Implementação: Muitas ferramentas existentes são web-based (limitadas a grupos específicos de patógenos) ou requerem configuração manual complexa de referências e parâmetros, dificultando o uso em cenários de "ponto de cuidado" ou por usuários sem treinamento avançado.

2. Metodologia

O PathogenSurveillance é um pipeline de código aberto desenvolvido no framework Nextflow e integrado ao ecossistema nf-core, garantindo reprodutibilidade, portabilidade e escalabilidade.

• Entrada e Flexibilidade: O pipeline aceita dados de leitura curta (Illumina) e longa (PacBio, Oxford Nanopore), bem como amostras mistas de procariontes e eucariontes. A entrada mínima requer um arquivo TSV com fontes de dados (arquivos locais, URLs, ou acessos NCBI SRA/Biosample).
• Seleção Automática de Referências: Um dos pilares do sistema é um sistema baseado em regras para seleção e recuperação automática de genomas de referência do banco de dados NCBI Assembly.
  • Utiliza sketches de k-mers (via bbmap sendsketch e sourmash) para identificar a família/taxonomia provável.
  • Calcula a Identidade Nucleotídica Média (ANI) para refinar a seleção, distinguindo entre referências "contextuais" (para filogenia) e "de mapeamento" (para chamada de SNPs).
  • Agrupa amostras relacionadas para análise populacional coerente.
• Fluxo de Trabalho Diferenciado:
  • Procariontes: Realiza anotação de genoma, identificação de clusters de ortólogos, construção de árvores filogenéticas de genoma central e, se houver grupos de amostras relacionadas, mapeamento de leituras, chamada de SNPs e geração de redes de alcance mínimo (Minimum Spanning Networks).
  • Eucariontes: Devido à complexidade da anotação automatizada, utiliza sequências de genes ortólogos únicos universais (BUSCO) para construir árvores filogenéticas.
• Saídas e Relatórios: Gera relatórios interativos em HTML com visualizações (árvores, redes, heatmaps de ANI/POCP, gráficos de sol) e tabelas detalhadas. Todos os arquivos intermediários são organizados hierarquicamente e nomeados de forma consistente para facilitar análises posteriores.
• Otimização Técnica: Utiliza contêineres (Docker/Apptainer/Conda) para isolamento de dependências, possui mecanismos de recuperação de erros, paralelização massiva e cache de resultados intermediários para permitir a retomada de execuções e reanálises rápidas.

3. Principais Contribuições

• Automação Total: Elimina a necessidade de seleção manual de referências e configuração de parâmetros complexos, permitindo que usuários sem expertise em bioinformática realizem análises de genômica populacional.
• Abordagem Híbrida e Multi-nível: Integra métodos baseados em k-mers, filogenia multigênica e análise de variantes (SNPs) em um único fluxo, oferecendo resolução em diferentes níveis taxonômicos.
• Identificação de Patógenos Desconhecidos: Capaz de identificar e classificar organismos mesmo quando a identidade taxonômica exata é desconhecida, utilizando bancos de dados públicos de forma dinâmica.
• Suporte a Dados Misto: Capacidade de processar simultaneamente amostras de procariontes e eucariontes, adaptando o fluxo de trabalho conforme o tipo de organismo.
• Código Aberto e Acessível: Disponível sob licença MIT no GitHub, com documentação completa e integração com a plataforma Sequera.

4. Resultados (Validação)

Os autores validaram o pipeline utilizando diversos conjuntos de dados:

• Precisão Filogenética: Em um conjunto de dados de Serratia (302 amostras), o pipeline gerou uma topologia de árvore filogenética concordante com estudos anteriores, com atribuições de espécie e linhagem altamente similares.
• Seleção de Referência Automatizada: Testado com dados de microbiota de intestino de abelhas (Gilliamella apicola), o pipeline selecionou automaticamente referências apropriadas de múltiplas espécies e linhagens, evitando contaminações e priorizando a diversidade. A robustez foi confirmada mesmo com simulações de até 10% de divergência de sequência.
• Desempenho Computacional:
  • O tempo de execução e o uso de memória RAM aumentaram linearmente com o número de amostras (de 1 a 200 amostras).
  • Para procariontes, análises completas foram realizadas em menos de uma hora.
  • Para eucariontes, o tempo escalou com o tamanho do genoma (até 13,6 horas para genomas grandes), mas manteve-se eficiente em ambientes de desktop e HPC.
• Qualidade dos Dados: O pipeline integra ferramentas de controle de qualidade (FastQC, NanoPlot, MultiQC, Quast, BUSCO) para garantir a confiabilidade dos resultados.

5. Significância

O PathogenSurveillance representa um avanço significativo na biossurveillance global e na resposta a emergências de saúde (One Health). Ao democratizar o acesso à genômica de patógenos, ele permite:

• Resposta Rápida: Detecção e monitoramento em tempo real de variantes novas e patógenos emergentes.
• Padronização: Oferece um fluxo de trabalho padronizado e reprodutível, essencial para colaborações internacionais e vigilância epidemiológica.
• Acesso Ampliado: Reduz a barreira de entrada para laboratórios e instituições que não possuem equipes dedicadas de bioinformática, permitindo que biólogos e especialistas em doenças utilizem dados WGS para tomada de decisões rápidas.
• Aplicabilidade Prática: Embora tenha limitações (não suporta vírus nativamente e depende da qualidade dos bancos de dados públicos), sua capacidade de operar em desktops locais, clusters HPC e nuvens comerciais o torna uma ferramenta versátil para vigilância de pragas e patógenos em diversos contextos.

Em suma, o PathogenSurveillance transforma dados brutos de sequenciamento em insights acionáveis de forma automatizada, preenchendo uma lacuna crítica entre a geração de dados genômicos e a aplicação prática na detecção e controle de doenças.