Delphy картографира 100,000 вирусни последователности за ден

Когато нов вирус започне да се разпространява, епидемиолозите искат да разберат как е пристигнал, колко пъти е бил внесен и кои случаи са свързани. Стандартният аналитичен подход, байесовата филогенетика, изгражда не едно вирусно родословно дърво, а множество вероятни дървета. Така се запазва реалната несигурност около историята на епидемията. Проблемът е, че анализът на хиляди последователности досега беше болезнено бавен. Рецензирано изследване, публикувано в Nature на 16 септември (връзка), описва Delphy — инструмент, създаден да намали това изчислително затруднение с порядъци и да работи в обикновен уеб браузър.

Съхраняване на различията

Повечето филогенетични инструменти разглеждат всеки геном като пълен низ от генетични букви и сравняват всички низове отначало при всяка стъпка от анализа. По време на епидемията обаче циркулиращите копия на вируса са генетично много сходни. Delphy използва именно това сходство. Инструментът работи със структура, наречена дърво с изрично отбелязани мутации. Тя наподобява файл с история на версиите: вместо да съхранява всеки пълен документ, записва само промените между отделните версии. Свързана техническа статия, публикувана в Genetics, съобщава, че тази форма на представяне може да осигури до 1 000 пъти по-висока статистическа ефективност при последователности, които се различават на малко позиции. Тази ефективност е един от елементите в дизайна на Delphy, който съчетава структурата с оптимизирани изчислителни процедури за постигане на описаната в Nature скорост.

За да се разбере защо скоростта е важна, трябва да се види какво всъщност дава байесовият анализ. Конвенционалният метод връща едно дърво, което най-добре се подкрепя от данните. Байесовият извод запазва множество алтернативни дървета и показва доколко несигурни остават времето и връзките между тях. Анализаторът може да посочи не само, че две групи вероятно са свързани, но и доколко е уверен в това заключение. Тази точност е важна, когато решенията за общественото здраве зависят от това дали случаите имат общ скорошен предшественик, или са попаднали в популацията независимо един от друг. Цената е изчислителна: броят на възможните форми на дървото нараства огромно с броя на последователностите, а утвърдени платформи като BEAST 2 изискват дълги изчисления и специализирана преценка.

Според авторите Delphy обработил симулиран набор от 100 000 последователности за един ден, като резултатите били съпоставими с тези от утвърдени байесови анализи (Nature). Този резултат не е независимо възпроизведен. Delphy поддържа по-тесен набор от популационни модели в сравнение с универсална платформа като BEAST 2. Затова той е специализиран инструмент за анализ на епидемии, а не общ заместител на софтуера за еволюционен анализ.

От симулация към активна епидемия

Delphy вече се използва и извън тестови набори данни. Публикация във Virological.org документира как изследователи са приложили уеб интерфейса на Delphy по време на епидемията от вируса Бундибугио през 2026 г. в Демократична република Конго и Уганда. Това потвърждава използването му в реална епидемия, но засега няма данни, че инструментът е променил конкретно решение на здравните власти или е съкратил времето до предприемането на мерки.

Работата през браузър има значение за достъпността. Broad Institute, който има централна роля в разработването, посочва това като част от предназначението на Delphy за реакция при епидемии. Така здравните агенции биха могли да започнат анализ без клъстер за високопроизводителни изчисления. Публичната достъпност, лицензионните условия и практическите изисквания към хардуера остават неустановени.

Скоростта не може да поправи проблемите, възникнали преди постъпването на последователностите в софтуера. Отделен анализ на Бундибугио показва как изглежда тази предходна работа: преди да започне изграждането на дърво, изследователите трябвало да отстранят от 626 генома отклонения, причинени от грешки при секвенирането и неправилно записани дати. По-бързият анализ не може да компенсира закъснялото вземане на проби, ниското качество на последователностите или липсващото наблюдение.

Рецензираните резултати показват, че реконструкцията на епидемии с байесови методи може да се мащабира много повече, поне в тестовете на авторите. Следващото важно доказателство ще бъде дали екипите, работещи по епидемии, могат да постигнат същата скорост с несъвършени данни от реалния свят и да използват спестеното време, за да подпомогнат конкретно решение.