Delphy v dnevu obdela 100,000 virusnih zaporedij

Ko se začne širiti nov virus, epidemiologi želijo vedeti, kako je prišel na območje izbruha, kolikokrat je bil vnesen in kateri primeri so med seboj povezani. Standardni analitični pristop, Bayesova filogenetika, ne izdela enega samega filogenetskega drevesa, temveč več verjetnih dreves in tako ohrani dejansko negotovost glede zgodovine izbruha. Težava je, da je bila taka analiza na tisočih zaporedij izbruha zelo počasna. Recenzirana študija, objavljena 16. septembra v reviji Nature, opisuje Delphy, orodje, zasnovano za zmanjšanje tega ozkega grla za več velikostnih redov, ki deluje v običajnem spletnem brskalniku.

Shranjevanje razlik

Večina filogenetskih orodij obravnava vsak genom kot celotno zaporedje genetskih črk in ga v vsakem koraku analize primerja znova. Med izbruhom pa so krožeče kopije virusa gensko zelo podobne. Delphy to podobnost izkoristi. Uporablja strukturo, imenovano eksplicitno drevo, označeno z mutacijami, ki deluje podobno kot datoteka z zgodovino različic: namesto da bi shranila vsak celoten dokument, zabeleži le spremembe med različicami. Sorodni tehnični članek, objavljen v reviji Genetics, navaja, da lahko tak prikaz prinese do 1.000-krat večjo statistično učinkovitost, kadar se zaporedja razlikujejo na majhnem številu mest. Ta učinkovitost je eden od elementov Delphyjeve zasnove; skupaj z optimiziranimi računskimi postopki omogoča izboljšave hitrosti, opisane v članku v reviji Nature.

Da bi razumeli, zakaj je hitrost pomembna, je treba pogledati, kaj Bayesova analiza dejansko pokaže. Konvencionalna metoda vrne drevo, ki ima glede na podatke največ podpore. Bayesovo sklepanje ohrani več alternativnih dreves in pokaže, kako negotova sta še časovni potek ter povezava med njimi. Analitik tako ne more poročati le, da sta dva grozda najverjetneje povezana, temveč tudi, kako zanesljiv je ta sklep. Ta previdnost je pomembna, kadar so odločitve javnega zdravstva odvisne od tega, ali imajo primeri nedavnega skupnega prednika ali pa so v izbruh prišli neodvisno. Cena za to je bila doslej računska zahtevnost: število možnih oblik drevesa z naraščanjem števila zaporedij hitro narašča, uveljavljene platforme, kot je BEAST 2, pa zahtevajo dolgotrajne izračune in strokovno presojo.

Avtorji navajajo, da je Delphy simulirani nabor 100.000 zaporedij obdelal v enem dnevu, rezultati pa so bili po njihovem opisu primerljivi z uveljavljenimi Bayesovimi analizami (Nature). Tega primerjalnega preizkusa še ni neodvisno ponovila druga raziskovalna skupina. Delphy trenutno podpira ožji nabor populacijskih modelov kot splošnonamenska platforma BEAST 2, zato je namensko orodje za izbruhe in ne univerzalna zamenjava za evolucijsko analizo.

Od simulacije do dejanskega izbruha

Delphy ni več omejen na testne nabore podatkov. Objava na Virological.org dokumentira, kako so raziskovalci spletni vmesnik Delphyja uporabili med izbruhom virusa Bundibugyo leta 2026 v Demokratični republiki Kongo in Ugandi. To potrjuje uporabo v dejanskem okolju izbruha, vendar za zdaj ni dokazov, da je vplivala na katero od konkretnih odločitev javnega zdravstva ali skrajšala čas do izvedbe ukrepa.

Zasnova, ki temelji na brskalniku, je pomembna za dostopnost. Broad Institute, ki je imel pri delu osrednjo vlogo, to opisuje kot del predvidene vrednosti Delphyja pri odzivu na izbruhe: zdravstvenim organom bi lahko omogočila začetek analize brez računalniškega grozda za visoko zmogljivo računanje. Javna dostopnost, licenčni pogoji in praktične strojne zahteve v tej preiskavi niso bili ugotovljeni.

Hitrejša analiza ne more odpraviti napak, nastalih pred vnosom zaporedij v programsko opremo. Ločena analiza virusa Bundibugyo kaže, kaj se dogaja prej: raziskovalci so morali iz 626 genomov odstraniti osamelce, ki so bili posledica napak pri sekvenciranju in napačno zabeleženih datumov, preden so sploh lahko začeli izdelovati drevo. Hitrejša analiza ne more nadomestiti poznega zbiranja vzorcev, slabe kakovosti zaporedij ali vrzeli v epidemiološkem nadzoru.

Rezultati recenzirane študije kažejo, da je mogoče rekonstrukcijo izbruha z Bayesovimi metodami razširiti na veliko večji obseg, kot je bilo doslej prikazano, vsaj v preizkusih avtorjev. Naslednji pomemben preizkus bo, ali lahko ekipe, ki spremljajo izbruhe, to hitrost ponovijo z nepopolnimi in neenotnimi podatki iz prakse ter prihranjeni čas uporabijo kot podlago za konkretno odločitev.