Afanc: taxonomic deconvolution and probabilistic lineage assignment for pathogen genomic surveillance

Resumo Técnico de "Afanc: deconvolução taxonômica e atribuição de linhagem probabilística para vigilância genômica de patógenos"

Declaração do Problema
A vigilância genômica de patógenos confiável requer ferramentas que possam alcançar simultaneamente uma ampla sensibilidade taxonômica e uma atribuição de linhagem ou clado de alta resolução. As metodologias atuais geralmente abordam apenas uma dessas tarefas. Métodos baseados em distância genômica ou conteúdo de sequência (ex: Kraken 2, Bracken) oferecem triagem rápida e de amplo espectro, mas lutam com a especificidade quando táxons relacionados ocupam espaços de sequência sobrepostos, resultando frequentemente em atribuições ambíguas ou falsos-positivos de baixo nível. Por outro lado, abordagens baseadas em marcadores (ex: Mykrobe, TB-Profiler) fornecem classificação de alta resolução dentro de sistemas bem caracterizados, mas dependem de conjuntos de marcadores curados, assumem separação suficiente entre as classes e apresentam desempenho insatisfatório quando a evidência é incompleta, sobreposta ou hierarquicamente ambígua. Além disso, os fluxos de trabalho existentes frequentemente falham em representar explicitamente a incerteza ou lidar com sinais taxonômicos mistos, forçando atribuições excessivamente confiantes em cenários complexos.

Metodologia
Os autores apresentam o Afanc, um framework extensível projetado para integrar construção de banco de dados, deconvolução taxonômica e atribuição de linhagem probabilística. O sistema consiste em quatro subferramentas discretas:

1. get_dataset: Baixa montagens genômicas do GenBank com base em listas taxonômicas definidas pelo usuário.
2. autodatabase: Constrói um banco de dados de referência reconciliando as montagens de entrada com a taxonomia do NCBI. Utiliza um índice de distância baseado em Mash para filtrar as montagens, retendo apenas membros representativos e de alta qualidade de cada painel taxonômico para remover outliers e sequências redundantes antes da construção do banco de dados.
3. screen: Perfila conjuntos de reads de entrada contra o banco de dados construído. Este módulo executa um fluxo de trabalho de cinco estágios:
   • Relatório Kraken 2: Gera um relatório taxonômico inicial.
   • Deconvolução de Relatório: Um algoritmo inovador analisa a árvore hierárquica do Kraken 2 para identificar táxons suportados. Ele redistribui reads ambíguos de nós não suportados para táxons vizinhos suportados usando redistribuição de reads ponderada por evidência. Este processo utiliza limiares elásticos calculados a partir de valores de similaridade pai-filho (derivados do índice Mash) em vez de cutoffs globais fixos, permitindo a detecção sensível de táxons de baixa abundância enquanto minimiza falsos-positivos.
   • Mapeamento Competitivo: Os reads são mapeados para montagens de referência associadas aos táxons detectados.
   • Chamada de Variantes: SNPs são chamados a partir dos reads mapeados.
   • Classificação de Linhagem: Se um modelo de linhagem existir para o táxon detectado, o perfil de SNP é passado para um classificador Bayesiano.
4. classify: Permite a aplicação de modelos de linhagem a arquivos VCF existentes sem a necessidade de executar todo o fluxo de trabalho de triagem.

O mecanismo de classificação de linhagem utiliza um classificador de SNP baseado em Bayes operando em duas famílias de modelos: modelos Canônico-Épsilon-Bayesiano (CEB), que utilizam emissões pseudo-empíricas baseadas em marcadores canônicos, e modelos empíricos Semi-Bayesianos (SB), que estimam probabilidades de emissão a partir de frequências alélicas empíricas. O classificador distingue explicitamente entre "ausência chamável" (evidência negativa) e "falta de dados" (sítios não chamados), excluindo estes últimos dos cálculos de verossimilhança para evitar a penalização de amostras de baixa cobertura.

Principais Contribuições

• Framework Híbrido: O Afanc preenche a lacuna entre a triagem taxonômica ampla e a atribuição de linhagem em escala fina, integrando curadoria de banco de dados, deconvolução de relatório e classificação probabilística em um único fluxo de trabalho.
• Limiar Elástico e Redistribuição de Reads: O desenvolvimento de um algoritmo inovador para deconvolução de relatórios do Kraken 2 que utiliza limiares elásticos e específicos para cada táxon e redistribuição de reads ponderada por evidência para resolver conjuntos de dados complexos e compostos sem depender de cutoffs globais frágeis.
• Tratamento Explícito de Incerteza: O framework representa explicitamente a ambiguidade e a evidência incompleta, relatando amostras não classificadas ou sinais de linhagem mais próximos, em vez de forçar atribuições discretas incorretas.
• Construção de Banco de Dados com Controle de Qualidade: O módulo autodatabase garante a qualidade da referência ao filtrar montagens atípicas ou de baixa qualidade usando métricas de distância Mash antes da classificação.

Resultados
Os autores avaliaram o Afanc através de três sistemas de patógenos distintos:

1. Mycobacteriaceae (Perfil Taxonômico): O Afanc atribuiu corretamente espécies e subespécies em todas as coortes de cobertura simuladas, incluindo aquelas com apenas 1% de amplitude genômica. Superou o Kraken 2, Bracken, KrakenUniq e Mykrobe tanto em sensibilidade quanto em precisão, particularmente em cenários de baixa cobertura e amostras mistas. Em conjuntos de dados mistos, o Afanc recuperou todos os táxons esperados, enquanto ferramentas comparadoras produziram atribuições espúrias ou falharam em detectar constituintes em menor cobertura.
2. Mycobacterium tuberculosis (Classificação de Linhagem): Em um conjunto de dados de 958 amostras, o Afanc atribuiu 955 amostras (99,7%) com resolução harmonizada com zero chamadas de ramo errado. Superou o TB-Profiler (99,6% corretas, 2 ramos errados) e o Mykrobe (98,7% corretas, 1 ramo errado). Em resolução total, o Afanc alcançou 99,3% de atribuições exatas ou compatíveis com a hierarquia.
3. Plasmodium falciparum (Predição de Geolinagem): O Afanc atribuiu 18.830/20.712 amostras a linhagens regionais, superando o Malaria-Profiler (75,1%) em 15,8 pontos percentuais. A melhoria foi consistente entre as regiões, embora a África Central tenha permanecido uma classe desafiadora para ambas as ferramentas devido à sobreposição biológica.
4. Vírus da Mpox (Atribuição de Clado/Linhagem): O Afanc não produziu nenhuma chamada de ramo errado. Quando as predições foram harmonizadas com a resolução dos metadados disponíveis, alcançou 99,4% de compatibilidade, distinguindo com sucesso linhagens de surtos rasos e em rápida evolução.

Significância e Alegações
O artigo afirma que o Afanc fornece um framework reutilizável para converter evidências taxonômicas amplas e ruidosas em inferências de nível de linhagem interpretáveis através de diversos sistemas de patógenos (bactérias, parasitas e vírus). Sua principal contribuição não é um novo catálogo de marcadores para um organismo específico, mas um fluxo de trabalho unificado que vincula a curadoria de banco de dados, deconvolução taxonômica e classificação probabilística.

Os autores posicionam o Afanc como uma camada de classificação para vigilância genômica que aborda pontos críticos de falha nos fluxos de trabalho atuais: má qualidade do banco de dados de referência, má interpretação de relatórios taxonômicos complexos e a incapacidade de lidar com sinais mistos ou de baixa cobertura. Ao preservar a incerteza e lidar explicitamente com evidências incompletas, o Afanc suporta interpretações epidemiológicas e evolutivas onde as classes concorrentes são fracamente separadas. O estudo conclui que a classificação de patógenos de alta resolução pode ser incorporada dentro de um único framework extensível, tornando-o adequado para ambientes de vigilância onde os alvos de patógenos e os dados de referência evoluem ao longo do tempo.