Pathotypr: harmonised MTBC lineage assignment and resistance-associated variant detection for genomic surveillance

O artigo apresenta o Pathotypr, uma ferramenta de genotipagem baseada em *k-mers* e aprendizado de máquina que permite a atribuição harmonizada de linhagens e a detecção de variantes associadas à resistência em *Mycobacterium tuberculosis* de forma rápida e precisa, facilitando a vigilância global da tuberculose.

O essencial

Imagine que a tuberculose é como uma grande família de criminosos (o complexo Mycobacterium tuberculosis). Para combê-los, os cientistas precisam saber exatamente quem é quem (qual "clã" ou linhagem eles pertencem) e quais armas (drogas) eles são imunes.

O problema é que, até agora, as ferramentas para identificar esses criminosos eram lentas, confusas e muitas vezes não conseguiam reconhecer os membros mais raros ou novos da família.

Aqui está a explicação do novo "super-herói" chamado Pathotypr, usando analogias simples:

1. O Problema: Um Quebra-Cabeça Desorganizado

Antes, os cientistas tinham que montar quebra-cabeças gigantes (sequências de DNA) para identificar os criminosos.

• A lentidão: Era como tentar montar um quebra-cabeça de 10.000 peças olhando peça por peça. Demorava dias.
• A confusão: Alguns cientistas chamavam o mesmo grupo de "Clã A", outros de "Clã B". Não havia um nome oficial para todos, o que dificultava a cooperação entre países.
• Os invisíveis: Alguns grupos mais raros (como os que vivem em animais ou linhagens novas descobertas recentemente) eram ignorados pelas ferramentas antigas.

2. A Solução: O "Scanner de Impressão Digital" (Pathotypr)

Os autores criaram o Pathotypr, uma ferramenta de software que funciona como um scanner de impressões digitais super rápido e inteligente.

• Sem montar o quebra-cabeça (Alinhamento Livre): Em vez de montar o quebra-cabeça inteiro (o que é lento), o Pathotypr olha apenas para "pedacinhos" únicos do DNA (chamados k-mers). É como identificar uma pessoa apenas pela forma da sua orelha ou da sua cicatriz, sem precisar ver o rosto inteiro. Isso torna o processo extremamente rápido (cerca de 1 segundo por amostra!).
• O "Guru" da Família: O Pathotypr foi treinado com um mapa gigante de 26.000 criminosos diferentes. Ele aprendeu a reconhecer todos os 14 clãs conhecidos (incluindo os novos e os raros que as outras ferramentas ignoravam).
• O Detetive de Resistência: Além de dizer quem é o criminoso, ele verifica instantaneamente se ele é imune a antibióticos. Ele compara o DNA do criminoso com uma lista oficial de "armas" (mutações de resistência) para dizer: "Este bandido aguenta a droga X, mas morre com a droga Y".

3. Como Funciona na Prática?

Imagine que você tem uma pilha de cartas de DNA vindas de hospitais ao redor do mundo.

1. Entrada: Você joga as cartas (sejam elas já organizadas ou bagunçadas) no Pathotypr.
2. Processamento: O software corre como um raio. Ele diz: "Este é do Clã 4, vem da Ásia e é resistente à Isoniazida".
3. Saída: Em 24 horas, ele consegue analisar 88.000 amostras. As ferramentas antigas levariam quase dois anos para fazer o mesmo trabalho!

4. O Grande Teste: A "Fuga" para a Europa

Os autores testaram a ferramenta em um conjunto de dados da Europa (CRyPTIC). Eles usaram o Pathotypr para rastrear de onde vinham os casos de tuberculose resistente que entraram na Alemanha, Itália e Ucrânia.

• A Descoberta: Eles conseguiram traçar rotas de "imigração" de bactérias. Perceberam que muitos dos casos que entraram vindos de países como Turcomenistão e China eram "super-resistentes" (MDR), ou seja, muito mais perigosos do que os casos locais.
• A Analogia: É como se a polícia pudesse olhar para um suspeito em um aeroporto e, em um segundo, dizer: "Ele veio de tal país, pertence a tal gangue e carrega uma arma proibida".

5. Por que isso é importante para você?

• Velocidade: Em uma epidemia, tempo é vida. Saber rapidamente qual droga funciona permite tratar o paciente certo, na hora certa.
• União: Agora, um laboratório no Brasil e outro na Alemanha podem usar a mesma "língua" para falar sobre os clãs da tuberculose, facilitando a cooperação global.
• Acessibilidade: A ferramenta é gratuita, funciona em computadores comuns (não precisa de supercomputadores) e tem uma interface fácil de usar, como um aplicativo de celular.

Resumo da Ópera:
O Pathotypr é como um tradutor universal e um detector de mentiras para a tuberculose. Ele transforma dados genéticos complexos e lentos em respostas rápidas e claras: "Quem é este bicho?", "De onde ele veio?" e "Como matá-lo?". Isso ajuda a salvar vidas e a controlar a disseminação da doença pelo mundo.

Resumo técnico

Título: Pathotypr: Atribuição de linhagem harmonizada do complexo Mycobacterium tuberculosis (MTBC) e detecção de variantes associadas à resistência para vigilância genómica.

1. O Problema

A vigilância genómica da tuberculose enfrenta desafios críticos que limitam a sua eficácia e interoperabilidade:

• Falta de Harmonização: Existem inconsistências na nomenclatura das linhagens do MTBC (ex: M. africanum vs. Linhagens 5 e 6; clados animais vs. espécies separadas), dificultando a comparação de dados entre laboratórios e ao longo do tempo.
• Limitações das Ferramentas Atuais: Ferramentas existentes (como TB-Profiler, KvarQ, SNP-IT) muitas vezes não suportam todas as linhagens reconhecidas (especialmente as novas, como a Linhagem 10, e os clados animais A1-A2), dependem de atualizações manuais de marcadores ou exigem mapeamento de alinhamento, o que é computacionalmente custoso.
• Viés de Classificação: A classificação baseada em genotipagem direcionada pode falhar em linhagens raras ou recém-descobertas, e a atribuição de linhagem e a detecção de resistência muitas vezes são feitas em fluxos de trabalho desconexos.
• Necessidade de Velocidade: A detecção de surtos e a vigilância transfronteiriça exigem resultados rápidos, mas muitas ferramentas de genómica não conseguem processar grandes conjuntos de dados em tempo quase real.

2. Metodologia

Os autores desenvolveram o Pathotypr, uma ferramenta de código aberto e alignment-free (sem alinhamento) escrita em Rust, projetada para funcionar tanto em assemblies de genomas completos quanto em leituras brutas (FASTQ).

• Reconstrução Filogenética: Foi construída uma filogenia de máxima verossimilhança utilizando 26.813 genomas do MTBC e 609.003 sítios polimórficos.
• Derivação de Marcadores: A partir desta filogenia, foram extraídos 2.145 SNPs definidores de linhagem (localizados nos ramos estaminais que levam a cada linhagem/clado monofilético), excluindo variantes homoplásticas e missense para garantir estabilidade evolutiva.
• Arquitetura do Software: O Pathotypr integra cinco módulos:
  1. Train: Treina um classificador Random Forest baseado em contagens de k-mers (hashing de k-mers em 2²⁰ buckets) a partir de assemblies rotuladas.
  2. Predict: Atribui linhagens a novos assemblies usando o modelo treinado (sem alinhamento).
  3. Classify: Verifica assemblies contra o painel de marcadores SNP definidores de linhagem e resistência.
  4. Split-FASTQ: Realiza genotipagem direta a partir de leituras brutas (FASTQ) sem alinhamento, chamando variantes com base na profundidade de leitura e frequência alélica.
  5. Match: Identifica o genoma de referência mais próximo para cada amostra, melhorando a precisão do mapeamento subsequente.
• Validação: O desempenho foi testado em quatro conjuntos de dados distintos: 498 assemblies RefSeq, 254 assemblies independentes, 88.071 amostras do conjunto UShER-TB e 7.148 isolados do consórcio CRyPTIC (com dados fenotípicos de suscetibilidade a drogas).

3. Principais Contribuições

• Cobertura Completa de Linhagens: É a única ferramenta que suporta todas as 14 linhagens reconhecidas atualmente (Linhagens humanas L1-L10 e clados animais A1-A4), incluindo a recém-descoberta Linhagem 10 e clados animais frequentemente ignorados.
• Abordagem Híbrida e Rápida: Combina a precisão de marcadores SNP com a velocidade de um classificador de Random Forest baseado em k-mers, eliminando a necessidade de alinhamento de referência, o que reduz drasticamente o tempo de processamento.
• Genotipagem de Resistência Integrada: Utiliza o Catálogo de Mutação da OMS (2ª edição, 2023) para prever resistência a múltiplos fármacos, integrando isso diretamente com a atribuição de linhagem.
• Interface Acessível: Disponível como ferramenta de linha de comando e como uma aplicação de desktop com interface gráfica (GUI), permitindo uso em hardware padrão (<8 GB de RAM).
• Seleção de Referência Otimizada: O módulo Match melhora a precisão da chamada de variantes ao selecionar a referência genética mais próxima, reduzindo falsos positivos de heterogeneidade intra-hospedeiro.

4. Resultados

• Precisão de Linhagem:
  • 100% de concordância entre os métodos baseados em marcadores e alignment-free em 498 genomas completos.
  • 100% de precisão em 254 assemblies independentes não utilizados no treinamento.
  • No conjunto de 88.071 amostras UShER-TB, houve 100% de concordância na linhagem raiz com o TB-Profiler para linhagens compartilhadas. O Pathotypr identificou corretamente linhagens ausentes no TB-Profiler (L10, A1, A2).
• Desempenho de Resistência (CRyPTIC):
  • Concordância geral genótipo-fenótipo de 85,0%.
  • Alta sensibilidade e especificidade para os fármacos críticos: Rifampicina (95,8% sensibilidade, 95,0% especificidade) e Isoniazida (93,0% sensibilidade, 97,9% especificidade).
  • Desempenho mais baixo para antibióticos de segunda linha com marcadores menos definidos (ex: amicacina, linezolida), devido à restrição intencional a marcadores de alta confiança (Grau 1 e 2 da OMS).
• Velocidade:
  • Tempo de execução de aproximadamente 1 segundo por amostra.
  • Processamento de 88.071 amostras em cerca de 24 horas (em 4 threads), comparado a uma estimativa de 636 dias para o TB-Profiler sob condições equivalentes.
• Aplicação Epidemiológica:
  • Na análise do conjunto CRyPTIC, o Pathotypr permitiu reconstruir 135 eventos prováveis de introdução de TB na Alemanha, Itália e Ucrânia.
  • Identificou que 33,7% dos isolados associados a introduções carregavam genótipos MDR (Multirresistente) ou pre-XDR, destacando o potencial da ferramenta para vigilância de surtos transfronteiriços.

5. Significado

O Pathotypr preenche uma lacuna crítica na vigilância genómica da tuberculose ao oferecer uma solução rápida, harmonizada e interoperável.

• Vigilância Transfronteiriça: Ao padronizar a nomenclatura de linhagens (incluindo as raras e animais) e permitir a análise rápida de grandes volumes de dados, facilita a comparação de dados entre países e laboratórios.
• Escalabilidade: A capacidade de processar dezenas de milhares de amostras em tempo quase real torna viável a implementação de vigilância genómica em larga escala, essencial para a detecção precoce de surtos e resistência.
• Acessibilidade: A disponibilidade como aplicação de desktop e a baixa exigência computacional democratizam o acesso à análise genómica avançada, permitindo que laboratórios com recursos limitados participem de redes de vigilância global.

Em resumo, o Pathotypr representa um avanço significativo na capacidade de monitorar a evolução e a disseminação da tuberculose, combinando precisão taxonômica completa com eficiência computacional.