Delphy kartlägger 100,000 virussekvenser på en dag

Delphy kartlägger 100 000 virussekvenser på ett dygn

När ett nytt virus sprids vill epidemiologer veta hur smittan kom in, hur många gånger den introducerades och vilka fall som hänger samman. Den etablerade analysmetoden, bayesiansk fylogenetik, bygger inte ett enda släktträd över viruset utan många möjliga träd. Därmed bevaras den verkliga osäkerheten om hur utbrottet utvecklades. Problemet har varit att analyser av tusentals sekvenser från ett utbrott tagit mycket lång tid. En referentgranskad studie publicerad i Nature som publicerades den 16 september beskriver Delphy, ett verktyg som är utformat för att minska denna flaskhals med flera storleksordningar och köras direkt i en vanlig webbläsare.

Att spara skillnaderna

De flesta fylogenetiska verktyg behandlar varje genom som en fullständig sträng av genetiska bokstäver och jämför dem från början vid varje analyssteg. Under ett utbrott är viruskopiorna i omlopp däremot genetiskt mycket lika. Delphy utnyttjar den likheten. Verktyget använder en struktur som kallas explicit mutation-annotated tree och som fungerar ungefär som en fil med versionshistorik: i stället för att spara varje fullständigt dokument registreras bara det som har ändrats mellan versionerna. En närliggande teknisk studie publicerad i Genetics visar att denna representation kan ge upp till 1 000 gånger högre statistisk effektivitet när sekvenserna skiljer sig åt på få positioner. Effektiviteten är en del av Delphys konstruktion och samverkar med optimerade beräkningsrutiner för att ge de hastighetsvinster som beskrivs i Nature-studien.

För att förstå varför hastigheten spelar roll behöver man se vad en bayesiansk analys faktiskt ger. En konventionell metod returnerar det träd som har bäst stöd i materialet. Bayesiansk inferens behåller många alternativa träd och visar hur osäkra tidpunkter och släktskapsförhållanden fortfarande är. Analytikern kan då redovisa sannolikheten för att två kluster hänger samman och hur säker slutsatsen är. Den öppenheten spelar roll när folkhälsobeslut beror på om fall har en gemensam nära anfader eller har kommit in oberoende av varandra. Priset har varit hög beräkningskostnad: antalet möjliga trädformer växer enormt när sekvenserna blir fler, och etablerade plattformar som BEAST 2 kräver långa körningar och specialistbedömningar.

Författarna uppger att Delphy bearbetade ett simulerat dataset med 100 000 sekvenser på ett dygn och gav resultat som enligt dem var jämförbara med etablerade bayesianska analyser (Nature). Resultatet har inte reproducerats oberoende. Delphy stöder för närvarande ett snävare urval av populationsmodeller än en generell plattform som BEAST 2. Verktyget är därför specialiserat på utbrott och utgör inte någon allmän ersättare för evolutionsanalyser.

Från simulering till ett pågående utbrott

Delphy har nu prövats utanför testdata. Ett inlägg på Virological.org dokumenterar hur forskare använde Delphys webbgränssnitt under 2026 års utbrott av Bundibugyo-virus i Demokratiska republiken Kongo och Uganda. Det bekräftar att verktyget har använts i en pågående utbrottssituation, men det finns ännu inga belägg för att det ändrade ett specifikt folkhälsobeslut eller förkortade någon insats.

Den webbläsarbaserade utformningen har betydelse för tillgängligheten. Broad Institute, som hade en central roll i arbetet, framhåller att detta är en del av Delphys tänkta värde i utbrottsinsatser. Hälsomyndigheter skulle därmed kunna inleda en analys utan ett kluster för högpresterande databehandling. Tillgången till verktyget för allmänheten, licensvillkoren och de praktiska hårdvarukraven kunde inte fastställas i undersökningen.

Snabbare beräkningar kan inte heller rätta till problemen innan sekvenserna når programmet. En separat analys av Bundibugyo-virus visar förhållandena tidigare i processen: innan något släktträd kunde byggas behövde forskarna rensa bort avvikande värden som berodde på sekvenseringsfel och felaktigt registrerade datum i 626 genom. Snabbare analyser kan inte kompensera för försenad provtagning, bristande sekvenskvalitet eller luckor i övervakningen.

Den referentgranskade studien visar att rekonstruktion av utbrott med bayesianska metoder kan skalas upp betydligt längre än vad som tidigare har demonstrerats, åtminstone i författarnas tester. Nästa viktiga belägg blir om utbrottsteam kan återskapa hastigheten med röriga data från verkligheten och använda den sparade tiden till att fatta ett konkret beslut.