Accounting for Defective Viral Genomes in viral consensus genome reconstruction, application to influenza virus

O artigo apresenta o DIPScan, uma nova metodologia baseada em fluxo de trabalho Nextflow desenvolvida para detectar com precisão genomas virais defeituosos (DelVGs) em dados de sequenciamento e corrigir erros de consenso resultantes, garantindo a precisão do monitoramento epidemiológico do vírus influenza.

O essencial

🦠 O Problema: A "Fotocópia Quebrada" no Meio da Multidão

Imagine que você é um detetive tentando descobrir a identidade exata de um grupo de criminosos (o vírus da gripe) que estão invadindo uma cidade. Você recebe milhares de fotos tiradas por câmeras de segurança (sequenciamento genético) para montar um "retrato falado" (o genoma consenso) do líder do grupo.

O problema é que, dentro desse grupo, existem muitos gângsteres defeituosos. Eles são cópias imperfeitas do vírus original: faltam pedaços do corpo deles (deleções) e, às vezes, eles têm cicatrizes ou tatuagens diferentes (mutações) que o vírus original não tem.

Na biologia, chamamos esses vírus defeituosos de DelVGs (Genomas Virais com Deleção). Eles são como "fantasmas" ou "zumbis" que não conseguem se reproduzir sozinhos, mas se misturam com os vírus normais.

O Perigo:
Se houver muitos desses zumbis defeituosos na cena do crime (na amostra do paciente), a câmera de segurança pode capturar mais fotos deles do que dos vírus normais. Se o seu software de montagem de retrato falado for "ingênuo", ele vai olhar para as fotos, ver que a maioria das fotos tem uma tatuagem estranha, e concluir que todo o grupo tem essa tatuagem.

Resultado: O retrato falado fica errado. Você cria uma versão do vírus que não existe na realidade, misturando partes do vírus normal com partes do vírus defeituoso. Isso pode levar a erros graves, como achar que o vírus tem resistência a remédios quando na verdade não tem.

🛠️ A Solução: O "DIPScan" (O Detetive Inteligente)

Os autores deste artigo criaram uma nova ferramenta chamada DIPScan. Pense nela como um filtro de realidade ou um detetive superinteligente que trabalha no laboratório de biologia.

O DIPScan faz três coisas principais:

1. Enxerga o Invisível: Ele analisa as fotos (os dados genéticos) e percebe padrões estranhos. Por exemplo, ele nota que as pontas do vírus têm muitas fotos, mas o meio está vazio. Isso é a "assinatura" de um vírus defeituoso (que perdeu o meio).
2. Conta a Multidão: Ele calcula quantos vírus normais existem versus quantos vírus defeituosos existem. Se 60% dos vírus na amostra são defeituosos, o DIPScan sabe disso.
3. Corrige o Retrato: Esta é a parte mágica. Quando ele vê uma mutação (uma "tatuagem") que só aparece nos vírus defeituosos, ele diz: "Ei, isso não é do líder! Isso é só do zumbi. Vamos apagar essa tatuagem do retrato falado ou colocar um ponto de interrogação (N) até termos certeza."

🧩 Como Funciona a Mágica (A Analogia da Quebra de Pão)

Imagine que o vírus é um pão de forma inteiro.

• Vírus Normal: É o pão inteiro.
• Vírus Defeituoso (DelVG): É um pão que teve o miolo arrancado. Sobrou só a casca de cima e a casca de baixo.

Quando você mistura os dois e tenta tirar uma média, o centro do pão parece vazio ou estranho. O DIPScan olha para o pão, vê que o miolo está faltando em muitas fatias, identifica que aquelas fatias são "quebradas" e decide não usar as informações do miolo quebrado para desenhar o pão original. Ele foca apenas nas partes que vêm do pão inteiro.

📊 O Que Eles Descobriram?

Os cientistas testaram essa ferramenta de duas formas:

1. Em Laboratório (Simulação): Eles criaram vírus falsos no computador, misturando os normais com os defeituosos em várias proporções. O DIPScan foi incrível: conseguiu achar os defeitos quase 100% das vezes e corrigiu o "retrato falado" com muita precisão, muito melhor do que as ferramentas antigas que existiam.
2. Na Vida Real (Pacientes): Eles usaram dados reais de pacientes com gripe no Instituto Pasteur (França). Descobriram que cerca de 30% das amostras tinham esses vírus defeituosos. Sem o DIPScan, muitos desses vírus teriam sido "lidos" de forma errada.

Além disso, eles descobriram que os vírus defeituosos não quebram em qualquer lugar. Eles tendem a quebrar em "pontos quentes" (hotspots), quase sempre perto das pontas das peças genéticas do vírus (especialmente nos segmentos PB1, PB2 e PA). É como se o vírus fosse um prédio que sempre desmorona no mesmo andar.

🚀 Por Que Isso é Importante?

Hoje em dia, monitoramos vírus (como a gripe, Ebola ou SARS-CoV-2) para saber se eles estão mudando e ficando mais perigosos. Se nossos dados estiverem "sujos" com vírus defeituosos, podemos:

• Achar que o vírus mudou quando ele não mudou.
• Perder a capacidade de prever qual variante vai dominar.
• Criar vacinas ou remédios baseados em informações erradas.

O DIPScan é como um filtro de qualidade que limpa os dados antes de eles serem usados para tomar decisões de saúde pública. Ele já está sendo usado rotineiramente no Instituto Pasteur para garantir que o que vemos nos relatórios seja a verdade sobre o vírus, e não uma ilusão criada pelos "zumbis" genéticos.

Resumo em uma frase: O DIPScan é um novo software que limpa a "sujeira" dos vírus defeituosos dos dados genéticos, garantindo que os cientistas vejam o vírus real e não uma versão distorcida dele.

Resumo técnico

Título do Estudo

Accounting for Defective Viral Genomes in viral consensus genome reconstruction, application to influenza virus
(Contabilização de Genomas Virais Defeituosos na reconstrução de genomas consenso viral, aplicação ao vírus influenza)

---

1. O Problema

A vigilância epidemiológica viral depende criticamente da geração precisa de genomas consenso a partir de dados de sequenciamento de nova geração (NGS). No entanto, a presença de Genomas Virais Contendo Deleções (DelVGs) — que resultam em partículas virais defeituosas interferentes (DIPs) — representa um desafio significativo.

• Mecanismo do Erro: Em amostras onde os DelVGs são abundantes (podendo superar o genoma completo em termos de cobertura), as leituras (reads) mapeadas para as extremidades do genoma (presentes tanto no genoma completo quanto no defeituoso) mostram alta cobertura, enquanto a região central (apenas no genoma completo) mostra baixa cobertura.
• Consequência: Mutações específicas dos DelVGs, que aparecem em uma grande proporção das leituras, são erroneamente incorporadas ao genoma consenso final. Isso pode levar a sequências quiméricas, introdução de códons de parada prematuros ou frameshifts, comprometendo a precisão da vigilância, a detecção de mutações de preocupação e a análise da diversidade genética.
• Limitação Atual: As ferramentas existentes para detecção de DIPs (como ViReMa, DG-Seq, VODKA) não são otimizadas para a construção automatizada de consenso em larga escala ou não corrigem a sequência consenso final.

2. Metodologia: O Fluxo de Trabalho DIPScan

Os autores desenvolveram o DIPScan, um fluxo de trabalho bioinformático baseado em Nextflow, projetado para detectar DelVGs e corrigir sequências consenso. O processo consiste em sete etapas principais:

1. Mapeamento de Leituras (Split Reads):
   • Utiliza uma abordagem de dois passos. Primeiro, mapeia leituras com o BWA-MEM2.
   • Segundo, extrai leituras não mapeadas ou com extremidades cortadas (clipped) e as realinha com o STAR (originalmente para RNA-Seq), capaz de mapear leituras que atravessam grandes deleções ("split reads").
2. Extração de Limites de Deleção: Identifica leituras com regiões "puladas" (skipped regions) no CIGAR string (>150 nucleotídeos) para definir coordenadas de início e fim das deleções.
3. Cálculo de Métricas: Calcula frequências de suporte, frequência total, e razões de cobertura local (início e fim da deleção) para filtrar ruído.
4. Seleção de Pontos de Quebra (Breakpoints): Filtra pontos de quebra com base em suporte de leituras (>100), frequência total esperada e razões de cobertura (início/fim < 1).
5. Estimativa de Proporção de DelVGs:
   • Divide o segmento genômico em regiões baseadas nos pontos de quebra.
   • Utiliza um sistema de equações lineares e o método dos Mínimos Quadrados Não Negativos (NNLS) para estimar a abundância relativa de cada DelVG e do genoma completo, resolvendo o problema de "Soma de Subconjuntos Múltiplos" para associar frequências de nucleotídeos às sequências.
   • Uma amostra é sinalizada como contendo DelVGs relevantes se a soma das proporções de DelVGs exceder 50%.
6. Correção do Consenso:
   • Identifica regiões de correção (extremidades do genoma onde os DelVGs dominam).
   • Analisa mutações nesses locais. Se a proporção do genoma completo for baixa (<2% ou abaixo de um limiar de confiança), a posição é marcada como ambígua ('N').
   • Se for possível distinguir a mutação do genoma completo da do DelVG (baseado na frequência estimada), a nucleotídeo correto do genoma completo é inserido; caso contrário, insere-se 'N'.
7. Saída: Gera um relatório de DelVGs detectados e uma sequência consenso corrigida.

3. Contribuições Principais

• Desenvolvimento do DIPScan: Uma ferramenta automatizada, escalável e reprodutível (via Nextflow) que integra detecção de DelVGs e correção de consenso em um único fluxo.
• Abordagem Híbrida de Mapeamento: Combina BWA-MEM2 e STAR para capturar tanto mapeamentos perfeitos quanto leituras divididas por grandes deleções.
• Modelagem Matemática de Abundância: Uso de NNLS para estimar com precisão a proporção de genomas completos versus defeituosos, permitindo decisões informadas sobre quais mutações manter ou descartar no consenso.
• Integração em Rotina: O fluxo já está sendo utilizado rotineiramente no Centro Nacional de Referência para Vírus Respiratórios (NRC) do Instituto Pasteur.

4. Resultados

O estudo foi validado em dois conjuntos de dados: simulados e reais (551 amostras de pacientes do Instituto Pasteur).

• Dados Simulados (110 conjuntos):
  • Detecção de Pontos de Quebra: O DIPScan alcançou 100% de precisão (sem falsos positivos) e um escore F1 de 96,9%, superando ferramentas como ViReMa, DG-Seq e VODKA2, que apresentaram altas taxas de falsos positivos.
  • Estimativa de Proporção: Alta correlação (Pearson r = 0,99) entre as proporções conhecidas e as estimadas.
  • Correção de Consenso: Em mutações específicas de DelVG, o DIPScan corrigiu ou mascarou corretamente a maioria dos casos, evitando a incorporação de erros.
• Dados Reais (Influenza A/H1N1, A/H3N2, B/Victoria):
  • Prevalência: Cerca de 30% das amostras de alta qualidade continham segmentos defeituosos, com maior incidência nos segmentos de polimerase (PB1, PB2, PA).
  • Concordância: Houve 92,8% de concordância entre a detecção manual e o DIPScan. Quando focado em DelVGs predominantes (>50%), a sensibilidade foi de 99% e precisão de 88%.
  • Correção: Em segmentos defeituosos, 53,1% sofreram correção de pelo menos uma posição. O DIPScan alterou nucleotídeos em 17,7% dos casos e inseriu 'N' em 82,2% (para evitar erros).
  • Validação de Ground Truth: Em um conjunto de 25 posições de validação manual, 96% foram tratadas corretamente (alteradas, mantidas ou mascaradas).
  • Hotspots: A análise confirmou "hotspots" de pontos de quebra nas extremidades dos segmentos PB1, PB2 e PA, variando conforme o subtipo viral.

5. Significado e Impacto

• Melhoria da Vigilância Genômica: O DIPScan resolve um problema crítico na reconstrução de genomas consenso, garantindo que as sequências depositadas em bancos de dados públicos (como GISAID/NCBI) representem fielmente o genoma viral funcional e não artefatos de partículas defeituosas.
• Escalabilidade: Por ser um fluxo Nextflow, é adaptável a grandes volumes de dados, essencial para a vigilância pós-pandemia e sazonal de influenza.
• Aplicação Clínica e de Pesquisa: A correção automática permite estudos mais precisos sobre a evolução viral, resistência a medicamentos e persistência viral, além de identificar corretamente mutações de preocupação que poderiam ser mascaradas por ruído de DelVGs.
• Futuro: Os autores planejam estender a ferramenta para outros vírus (RSV, SARS-CoV-2) e melhorar a detecção de outros tipos de genomas defeituosos (cópias reversas, rearranjos).

Em suma, o DIPScan representa um avanço metodológico crucial para a bioinformática virológica, transformando a maneira como os genomas virais são processados em ambientes de vigilância de rotina, garantindo maior fidelidade aos dados biológicos reais.