deluxpore: a Nextflow pipeline for demultiplexing Illumina dual-indexed Nanopore libraries

O artigo apresenta o deluxpore, um pipeline Nextflow que permite o desmultiplexamento preciso de bibliotecas de Nanopore com índices duplos do Illumina, superando desafios como fragmentos de adaptadores residuais e altas taxas de erro para viabilizar a combinação de captura de alvos e sequenciamento de longa leitura.

O essencial

Imagine que você é um carteiro em uma cidade muito grande e caótica. O seu trabalho é entregar cartas (dados genéticos) para milhares de casas diferentes (amostras de bactérias ou vírus).

Aqui está a história do deluxpore, explicada de forma simples:

1. O Problema: A Carta Rasgada e Suja

Normalmente, para enviar muitas cartas de uma vez, usamos um sistema de códigos de barras (índices) na frente de cada envelope. Em laboratórios de DNA, fazemos isso com máquinas de "leitura curta" (Illumina), que são muito precisas, como uma máquina de escrever perfeita.

Mas, recentemente, os cientistas descobriram que ler o DNA inteiro de uma vez (como a máquina da Oxford Nanopore) é muito melhor para entender a história completa dos micróbios. O problema é que essa máquina nova é um pouco "desastrada": ela comete muitos erros de digitação (como se a carta chegasse com a tinta borrada ou rasgada).

Além disso, para estudar bactérias raras, os cientistas precisam primeiro "filtrar" o DNA para pegar apenas as partes importantes (como usar um peneira). Esse filtro foi feito pensando nas máquinas antigas e perfeitas. Quando tentam usar o filtro nas máquinas novas e desastradas, o sistema de endereçamento (os códigos de barras) fica confuso. A máquina nova não consegue ler o código de barras porque ele está meio apagado ou em um lugar estranho no envelope.

Resultado: As cartas chegam, mas ninguém sabe para quem elas são. O laboratório fica cheio de envelopes misturados e inúteis.

2. A Solução: O "Deluxpore" (O Carteiro Inteligente)

Os autores criaram um novo software chamado deluxpore. Pense nele como um carteiro superinteligente que foi treinado especificamente para lidar com envelopes rasgados e sujos.

Em vez de tentar ler o código de barras perfeitamente (o que é impossível quando a tinta está borrada), o deluxpore faz o seguinte:

• Ele procura por "pedaços" de reconhecimento: Em vez de ler a palavra inteira, ele olha para partes do código que ainda estão legíveis.
• Ele usa a "distância" da memória: Ele compara o que vê com uma lista de endereços possíveis. Se o código estiver escrito como "C3R1", ele sabe que provavelmente é "C3R2", porque é o mais parecido (usando uma lógica matemática chamada distância de Levenshtein).
• Ele é flexível: Se um lado do envelope (o código i5) estiver muito danificado, mas o outro lado (o código i7) estiver legível, ele consegue adivinhar o destino. Se os dois estiverem legíveis, ele confirma com certeza.

3. O Teste: A Prova de Fogo

Os cientistas criaram uma simulação (como um "simulador de trânsito") para testar se o deluxpore funcionava de verdade. Eles criaram 96 envelopes diferentes e os enviaram através de uma máquina que comete erros.

• O Cenário Ruim (96 amostras misturadas): Quando tentaram usar códigos de barras que se repetiam entre várias amostras (como usar o mesmo número de apartamento para várias pessoas), o sistema falhou muito. Apenas 11% das cartas foram entregues corretamente quando a qualidade era baixa.
• O Cenário Bom (8 amostras únicas): Eles mudaram a estratégia. Em vez de misturar tudo, usaram códigos de barras únicos para cada amostra (como se cada casa tivesse um nome único, não apenas um número).
  • Resultado: Com essa estratégia simples, o deluxpore conseguiu entregar 91,7% das cartas corretamente, mesmo com a máquina "desastrada".

4. A Lição Principal

O estudo descobriu duas coisas importantes para o futuro:

1. A qualidade importa: Para que o sistema funcione bem, a "tinta" do DNA precisa ser de boa qualidade (pelo menos Q20). Se estiver muito borrada, nem o carteiro mais inteligente consegue ajudar.
2. O planejamento é tudo: Não adianta ter o melhor software se você misturar os códigos de barras de forma confusa. A melhor estratégia é usar códigos únicos para cada amostra, evitando pares de códigos que parecem muito entre si (como confundir "04" com "06").

Resumo Final

O deluxpore é uma ferramenta que permite aos cientistas usar a tecnologia de leitura rápida e barata de DNA (Nanopore) para estudar micróbios raros, mesmo que a máquina cometa erros. Ele faz isso "consertando" a confusão dos códigos de barras, desde que os cientistas planejem bem seus experimentos e usem códigos de barras únicos.

É como ter um sistema de correio que consegue entregar suas cartas mesmo que o carteiro tenha tido um dia ruim e borrado a tinta, desde que você tenha escrito seu nome e endereço de forma clara e única!

Resumo técnico

Título: deluxpore: um pipeline Nextflow para desmultiplexagem de bibliotecas Nanopore com índices duplos Illumina

1. O Problema

A combinação de metagenômica de captura de alvo (target capture) e sequenciamento de leitura longa (Nanopore/ONT) é uma abordagem poderosa para caracterizar táxons microbianos raros e seus genes funcionais. No entanto, existe uma incompatibilidade técnica crítica:

• Os protocolos de captura de alvo estabelecidos são otimizados para plataformas de leitura curta (Illumina) e utilizam bibliotecas com índices duplos (i5 e i7).
• Os kits de barcoding nativos do ONT são incompatíveis com esses protocolos de captura.
• Uma solução híbrida (preparar bibliotecas Illumina, realizar a captura e depois converter para Nanopore) é viável, mas carece de software especializado para desmultiplexagem.
• Desafios Específicos: Os desmultiplexadores padrão do Illumina falham em dados do Nanopore devido à:
  1. Alta taxa de erro de leitura bruta do Nanopore (5–15% vs. 0,1–1% do Illumina), que obscurece as sequências curtas dos índices.
  2. Variabilidade posicional das leituras longas.
  3. Presença de fragmentos de adaptadores residuais que confundem os algoritmos tradicionais.

2. Metodologia (deluxpore)

O deluxpore é um pipeline automatizado desenvolvido em Nextflow, Python e Bash, projetado para desmultiplexar leituras do Nanopore provenientes de bibliotecas com índices duplos do Illumina (NEBNext e Nextera).

Fluxo de Trabalho:

1. Pré-processamento: Remoção de adaptadores do Nanopore e filtragem de qualidade (usando Porechop e Chopper). As leituras são convertidas para FASTA.
2. Identificação de Sequências de Adaptador: Alinhamento via BLAST contra um banco de dados personalizado contendo apenas as sequências completas de oligos presentes no desenho experimental. Isso reduz o custo computacional e mapeamentos espúrios.
3. Extração e Correspondência de Índices:
   • Extração das sequências de índices únicos (i5 e i7) adjacentes às regiões mapeadas.
   • Comparação com a biblioteca de referência de índices utilizando a distância de Levenshtein para encontrar o par de índices (i5/i7) com melhor correspondência, tolerando erros de sequenciamento.
4. Atribuição de Amostras:
   • Lógica hierárquica baseada em: (1) menor distância de Levenshtein, (2) posição de alinhamento (i5 perto do início, i7 perto do fim) e (3) validação contra o desenho experimental.
   • Atribuição de Índice Único: Se o desenho experimental permitir, leituras podem ser atribuídas com base em apenas um índice (caso o outro falhe), aumentando a recuperação de dados.
   • Atribuição de Índice Duplo: Necessária quando índices são compartilhados entre amostras (design combinatório).

3. Contribuições Principais

• Software Especializado: Primeira ferramenta capaz de lidar com a variabilidade posicional e altas taxas de erro do Nanopore em bibliotecas de captura de alvo com índices Illumina.
• Pipeline Robusto: Implementação escalável em Nextflow, permitindo execução paralela em estações de trabalho locais ou ambientes HPC.
• Análise de Desenho Experimental: Identificação de pares de índices com alto "crosstalk" (interferência cruzada) no conjunto NEBNext Primer Set A e fornecimento de uma configuração otimizada de 8 amostras.
• Definição de Limites de Qualidade: Estabelecimento de limiares de qualidade (Q-score) necessários para desmultiplexagem precisa neste contexto híbrido.

4. Resultados e Benchmarks

O estudo foi validado através de simulações com 18 réplicas em dois conjuntos de dados:

• Conjunto de 96 amostras (Design Combinatório): Cada índice é compartilhado entre várias amostras.
  • Desempenho pobre em Q10 (11,8% de atribuição).
  • Necessita de Q30 para atingir desempenho aceitável, mas ainda com variabilidade.
• Conjunto de 8 amostras (Design de Índices Únicos): Cada amostra possui um par de índices exclusivo (filtrando pares de alto crosstalk).
  • Recuperação de Amostras: 91,7% em Q20 e 97,5% em Q30.
  • Precisão: >98% de precisão na atribuição de índices em Q20.
  • Redução de Erros: A remoção de pares de índices confusos (ex: i704-i706) reduziu a atribuição cruzada para níveis negligenciáveis (≤0,7%).

Fatores Críticos Identificados:

• A falha na desmultiplexagem deve-se principalmente ao encurtamento da sequência (truncamento) que impede a leitura completa dos índices, e não necessariamente à qualidade de basecalling dos índices em si.
• Designs experimentais com atribuição única de índice para amostra superam significativamente designs combinatórios em cenários de qualidade moderada (Q20).

5. Significado e Conclusão

O deluxpore preenche uma lacuna crítica na bioinformática, permitindo a integração robusta de captura de alvo com sequenciamento de leitura longa.

• Recomendação Prática: Para obter desmultiplexagem precisa, os autores recomendam um mínimo de qualidade de dados Q20 e o uso de desenhos experimentais com atribuição única de índice (evitando combinações que gerem alto crosstalk).
• Impacto: A ferramenta viabiliza workflows de alto rendimento para a descoberta de diversidade funcional oculta em comunidades microbianas complexas, superando as limitações de sensibilidade das abordagens de shotgun tradicionais.

O código fonte, documentação e dados de benchmarking estão disponíveis publicamente no GitHub e Zenodo sob licença GPL v3.0.