ViroSeek: a viral detection pipeline for second-generation sequencing

O artigo apresenta o ViroSeek, um pipeline de bioinformática leve, reprodutível e acessível para análise taxonômica de viromas em dados de sequenciamento de segunda geração, que automatiza etapas desde o controle de qualidade até a quantificação e foi validado com sucesso na detecção precisa de vírus e remoção de contaminantes.

O essencial

Imagine que você tem um saco de lixo gigante cheio de pedaços de papel rasgados. Dentro desse saco, há apenas uma única nota de dinheiro valiosa (o vírus que você quer encontrar), mas o resto do saco é composto por milhões de pedaços de papel comum (o DNA do mosquito, bactérias e sujeira).

O desafio é: como encontrar essa nota de dinheiro sem ter que ler cada pedaço de papel manualmente?

É exatamente aqui que entra o ViroSeek, a "ferramenta mágica" descrita neste artigo.

O Problema: O Caos dos Detetives Digitais

Antes do ViroSeek, existiam vários "detetives" (softwares) que tentavam fazer esse trabalho. O problema é que a maioria deles era:

• Muito complicada: Só um especialista em computação conseguia instalar.
• Lenta: Demorava dias para analisar uma única amostra.
• Confusa: Muitas vezes, eles achavam coisas que não estavam lá ou perdiam a nota de dinheiro valiosa porque o saco de lixo era grande demais.
• Incompatíveis: Alguns só funcionavam com um tipo específico de "lixo" (sequenciamento de terceira geração), mas não serviam para o tipo mais comum usado hoje (segunda geração).

A Solução: O ViroSeek (O Detetive Inteligente e Ágil)

Os autores criaram o ViroSeek para ser como um robô de cozinha de alta precisão para cientistas. Ele é leve, fácil de usar e feito especificamente para o tipo de "lixo" que eles têm (amostras de mosquitos e vírus).

Aqui está como ele funciona, passo a passo, usando analogias do dia a dia:

1. A Limpeza (Filtragem):
   Imagine que você está lavando roupa suja. Primeiro, o ViroSeek tira as etiquetas de preço (adapters) e remove as manchas de café (sequências de baixa qualidade). Depois, ele usa um ímã superpoderoso para puxar e jogar fora todo o "papel comum" (DNA do mosquito e bactérias), deixando apenas o que parece com a nota de dinheiro (vírus).

2. O Quebra-Cabeça (Montagem):
   Os pedaços de papel que sobraram são minúsculos. O ViroSeek pega esses pedaços e tenta montar o quebra-cabeça original (o genoma do vírus). Ele faz isso peça por peça, para cada amostra individualmente, garantindo que a imagem final seja clara.

3. A Identificação (Classificação):
   Com o quebra-cabeça montado, o robô olha para a imagem e compara com um álbum de figurinhas gigante (um banco de dados de vírus). Ele diz: "Olha! Isso aqui é um Chikungunya!" ou "Isso é um Dengue!". Ele é tão esperto que consegue identificar até vírus que são muito parecidos entre si.

4. A Contagem (Quantificação):
   Ele não só diz qual vírus está lá, mas também conta quantos pedaços de cada um foram encontrados. Isso é como saber se a nota de dinheiro é uma única cédula ou se há um maço inteiro delas. Isso ajuda a saber se o vírus está forte ou fraco na amostra.

O Grande Teste: A Prova de Fogo

Para ver se o robô funcionava mesmo, os cientistas fizeram um teste de laboratório:

• Eles pegaram mosquitos e os infectaram com 6 vírus diferentes conhecidos.
• Eles criaram misturas onde o vírus estava em quantidades enormes, médias e quase invisíveis (diluições).
• Eles também misturaram vírus de DNA e RNA.

O resultado? O ViroSeek achou 100% dos vírus que eles colocaram, mesmo quando estavam em quantidades minúsculas. Além disso, ele foi muito mais rápido (4 a 20 vezes mais rápido!) e consumiu menos energia do computador do que os outros detetives concorrentes.

Por que isso é importante para você?

Você pode pensar: "Mas eu não sou cientista, o que isso tem a ver comigo?"

Bem, os vírus que infectam mosquitos (como Dengue, Zika e Chikungunya) são um problema de saúde pública enorme. Com as mudanças climáticas, esses mosquitos estão aparecendo em lugares novos.

O ViroSeek é como um sistema de alarme rápido e barato.

• Antes: Demorava semanas para saber qual vírus estava causando uma epidemia.
• Agora: Com o ViroSeek, os cientistas podem analisar amostras de mosquitos em horas, identificar o vilão e avisar a população e os governos muito mais rápido.

Resumo em uma frase

O ViroSeek é um novo software que transforma a análise de vírus de um processo lento e complicado (como procurar uma agulha no palheiro com uma lupa) em uma tarefa rápida e automática (como usar um scanner de alta tecnologia que separa a agulha do palheiro em segundos), ajudando a proteger a saúde pública contra surtos de doenças virais.

Resumo técnico

Título: ViroSeek: Um pipeline de detecção viral para sequenciamento de segunda geração

1. O Problema

A emergência de arbovírus e vírus zoonóticos representa uma crescente questão de saúde pública, agravada pelas mudanças climáticas e globalização. Embora a análise de viroma (estudo da diversidade viral) seja crucial para monitoramento e gestão de doenças infecciosas, as ferramentas bioinformáticas existentes apresentam limitações significativas:

• Complexidade e Acessibilidade: Muitos pipelines são tecnicamente complexos, difíceis de instalar (devido a dependências obsoletas) ou possuem erros bloqueantes, tornando-os inacessíveis a não especialistas.
• Inadequação para Dados de 2ª Geração: Ferramentas desenvolvidas especificamente para sequenciamento de 3ª geração (como Nanopore) não são adequadas para dados de 2ª geração (Illumina), pois falham em lidar com características críticas como duplicatas de PCR, o que pode enviesar as estimativas de abundância viral.
• Foco Específico: Muitas ferramentas existentes são voltadas para vírus que infectam bactérias e archaea (bacteriófagos), não sendo otimizadas para a identificação de arbovírus, que são o foco deste estudo.
• Limitações de Pipelines Existentes: Ferramentas como Taxprofiler, MetaDenovo e VirusTaxo foram analisadas, mas apresentaram problemas de integração, requisitos excessivos de memória (RAM), ou falhas em fornecer resultados adequados para análises downstream (como filogenia e diversidade genética).

2. Metodologia

O ViroSeek foi desenvolvido como um pipeline leve, reprodutível e acessível, otimizado para dados de sequenciamento de segunda geração (NGS) de bibliotecas enriquecidas por alvo.

• Arquitetura e Reprodutibilidade:
  • O pipeline é orquestrado pelo Nextflow (v24.10.4).
  • Todas as ferramentas são encapsuladas em contêineres Singularity ou Docker para garantir portabilidade e reprodutibilidade em diferentes ambientes computacionais.
• Fluxo de Trabalho (Workflow):
  1. Pré-processamento: Controle de qualidade (FastQC), remoção de adaptadores e bases de baixa qualidade (TrimGalore ou fastp).
  2. Filtragem: Remoção de sequências de DNA ribossomal (rRNA) e do hospedeiro/bactérias usando BBduk com a base de dados SILVA.
  3. Montagem (Assembly): Montagem de novo das leituras limpas utilizando SPAdes (v4.2.0) com a opção --rnaviral para dados de RNA viral. A montagem é feita por amostra (não agregada), permitindo análises filogenéticas individuais.
  4. Atribuição Taxonômica: Uso do DIAMOND (v2.1.13) no modo blastx (alinhamento de nucleotídeos contra banco de proteínas) com modo sensível a frameshifts (-F 15) para lidar com erros de sequenciamento ou indels. A classificação é realizada pelo TaxonKit.
  5. Quantificação: Remapeamento das leituras limpas para os contigs montados usando Minimap2 e remoção de duplicatas de PCR via Samtools (markdup) para estimativa precisa da abundância relativa.
• Validação Experimental:
  • Foram utilizados quatro pools de mosquitos Aedes albopictus e Aedes aegypti experimentalmente infectados com seis vírus conhecidos (Alphavírus, Orthoflavivírus e um vírus de DNA).
  • Criaram-se diluições seriadas (Mix A, B, C) para testar a sensibilidade em baixas abundâncias.
  • Um conjunto de dados simulado (CAMISIM) foi gerado para avaliar a precisão em um ambiente controlado com contaminação bacteriana conhecida.
  • O pipeline foi comparado com Taxprofiler, MetaDenovo e VirusTaxo.

3. Principais Contribuições

• Pipeline Otimizado para 2ª Geração: Diferente de outras ferramentas, o ViroSeek trata explicitamente duplicatas de PCR e realiza montagem por amostra, essencial para estudos de diversidade genética e filogenia.
• Acessibilidade e Leveza: Projetado para ser fácil de instalar e usar, com documentação completa e disponível publicamente no GitHub.
• Saídas Estruturadas: Gera tabelas taxonômicas claras e agregadas, além de arquivos de montagem e métricas de qualidade, facilitando análises downstream.
• Flexibilidade: Permite ao usuário definir parâmetros de filtragem (comprimento mínimo de contig, e-value, identidade percentual) para ajustar a sensibilidade e especificidade conforme a necessidade.

4. Resultados

• Desempenho Computacional: O ViroSeek foi significativamente mais rápido que os concorrentes. Processou as cinco amostras de teste em aproximadamente 185 horas de CPU, comparado a 3.891 horas do Taxprofiler e 453 horas do MetaDenovo. O uso de memória foi comparável ao dos outros pipelines (máximo de 42,3 GB).
• Sensibilidade e Precisão:
  • O ViroSeek detectou 100% das espécies virais esperadas em todas as amostras de controle (incluindo as diluições mais baixas e vírus de DNA).
  • Em comparação, o MetaDenovo falhou em detectar vários vírus esperados (apenas 2/6 em amostras mistas) e o VirusTaxo teve dificuldade em classificar sequências ao nível de espécie (>90% não classificados).
  • O Taxprofiler detectou todos os vírus esperados, mas gerou uma quantidade excessiva de falsos positivos e atribuições ambíguas para famílias virais não alvo, além de ser computacionalmente mais custoso.
• Remoção de Contaminantes: O pipeline removeu eficazmente sequências bacterianas e do hospedeiro, mantendo o foco nos alvos virais.
• Limitações Observadas: Foram observadas algumas atribuições taxonômicas incorretas (ex: confusão entre Wesselsbron e Sepik vírus, ou entre espécies de densovírus), atribuídas a inconsistências nas bases de dados de referência e alta conservação genética entre espécies próximas, e não a falhas do algoritmo do ViroSeek.

5. Significância

O ViroSeek preenche uma lacuna crítica na bioinformática virológica, oferecendo uma solução robusta, rápida e acessível para a análise de metagenomas virais enriquecidos por alvo usando sequenciamento de segunda geração.

• Impacto na Saúde Pública: Facilita o monitoramento de arbovírus emergentes para pesquisadores que não são especialistas em bioinformática.
• Reprodutibilidade: A estrutura baseada em contêineres e Nextflow garante que os resultados sejam reprodutíveis em diferentes laboratórios.
• Versatilidade: A capacidade de gerar contigs montados permite não apenas a detecção, mas também estudos evolutivos e de diversidade genética, superando as limitações de ferramentas que apenas fornecem contagens de leituras.

Em suma, o ViroSeek se estabelece como uma ferramenta superior para a detecção e caracterização de vírus em amostras complexas, equilibrando alta sensibilidade, baixo custo computacional e facilidade de uso.