Delphy kaardistab päevaga 100,000 viirusejärjestust

Uue viiruse leviku korral tahavad epidemioloogid teada, kuidas see piirkonda jõudis, mitu korda sinna sisse toodi ja millised haigusjuhud on omavahel seotud. Tavapärane analüüsimeetod, Bayesi fülogeneetika, ei koosta üht viiruse sugupuud, vaid hulga tõenäolisi puid, säilitades haiguspuhangu ajaloo tegeliku ebakindluse. Probleem on kiiruses: tuhandete haiguspuhangujärjestuste analüüs on seni olnud väga aeglane. 16. septembril avaldatud eelretsenseeritud uuring ajakirjas Nature kirjeldab Delphyt, tööriista, mis vähendab seda pudelikaela suurusjärkude võrra ja töötab tavalises veebibrauseris.

Erinevuste talletamine

Enamik fülogeneetilisi tööriistu käsitleb iga genoomi täieliku geneetiliste tähtede jadana ja võrdleb neid igas analüüsietapis uuesti. Haiguspuhangu ajal on leviva viiruse koopiad aga geneetiliselt väga sarnased. Delphy kasutab seda sarnasust ära. Tööriist kasutab ekspitsiitset mutatsioonidega märgendatud puud, mis toimib ligikaudu nagu versiooniajaloo fail: iga täieliku dokumendi salvestamise asemel pannakse kirja vaid versioonidevahelised muutused. Sarnane tehniline artikkel ajakirjas Genetics leiab, et kui järjestused erinevad vähestes kohtades, võib selline esitus anda statistilises tõhususes kuni 1000-kordse võidu. See on üks Delphy ülesehituse alustest. Sellele lisanduvad optimeeritud arvutusvõtted, mis annavad Nature uuringus kirjeldatud kiiruse.

Miks kiirus oluline on, selgub Bayesi analüüsi olemusest. Tavapärane meetod tagastab ühe kõige tugevama toetusega puu. Bayesi järeldus säilitab mitu alternatiivset puud ning näitab, kui ebakindlaks jäävad nende ajastus ja omavahelised seosed. Analüütik saab hinnata, kui tõenäoliselt on kaks klastrit seotud, ja väljendada ka selle hinnangu kindlust. Aus ebakindluse kirjeldus on oluline, kui rahvatervise otsused sõltuvad sellest, kas haigusjuhud pärinevad lähiminevikus samast eellasest või jõudsid piirkonda üksteisest sõltumatult. Selle hind on arvutusmaht: võimalike puukujude arv kasvab järjestuste arvu suurenedes väga kiiresti ning väljakujunenud platvormid, nagu BEAST 2, vajavad pikki arvutusi ja spetsialisti hinnangut.

Autorite sõnul töötles Delphy ühe päevaga simuleeritud andmestikku, milles oli 100 000 järjestust, ning sai tulemused, mida nad kirjeldavad väljakujunenud Bayesi analüüsidega võrreldavatena (Nature). Seda võrdlust ei ole sõltumatult korratud. Delphy toetab praegu piiratumat valikut populatsioonimudeleid kui üldotstarbeline platvorm BEAST 2, mistõttu on tegu haiguspuhangutele mõeldud tööriista, mitte evolutsioonianalüüsi universaalse asendajaga.

Testandmetest käimasoleva haiguspuhanguni

Delphyt on kasutatud ka päris haiguspuhangu ajal. Virological.org-i postituses kirjeldatakse tööriista veebiliidese kasutamist 2026. aasta Bundibugyo viiruse puhangus Kongo Demokraatlikus Vabariigis ja Ugandas. See kinnitab Delphy kasutamist käimasoleva haiguspuhangu ajal, kuid seni pole tõendeid, et tööriist oleks mõjutanud konkreetset rahvaterviseotsust või lühendanud meetmete rakendamiseni kulunud aega.

Brauseripõhine lahendus võib muuta tööriista terviseasutustele paremini kättesaadavaks. Broad Institute, millel oli töös keskne roll, kirjeldab seda Delphy kavandatud väärtusena haiguspuhangutele reageerimisel: analüüsi võib saada alustada ilma suure jõudlusega arvutusklastrita. Avalik kättesaadavus, litsentsitingimused ja tegelikud riistvaranõuded jäid uurimise käigus kindlaks tegemata.

Kiirus ei lahenda aga seda, mis juhtub enne järjestuste jõudmist tarkvarasse. Eraldi Bundibugyo analüüs näitab, milline on töö eelnev tegelikkus: enne puude koostamist pidid teadlased 626 genoomi hulgast eemaldama järjestusvigadest ja valesti märgitud kuupäevadest põhjustatud kõrvalekalded. Kiirem analüüs ei korva proovide hilinenud kogumist, järjestuste halba kvaliteeti ega puudulikku seiret.

Eelretsenseeritud uuring näitab, et Bayesi meetoditel põhinevat haiguspuhangu rekonstrueerimist saab teha senisest palju suuremas mahus, vähemalt autorite katsetes. Järgmine oluline tõend on see, kas haiguspuhangutega tegelevad meeskonnad suudavad seda kiirust korrata ebatäiuslike pärisandmetega ning kasutada säästetud aega tegeliku otsuse toetamiseks.