abr
26
La secuenciación metagenómica (mNGS) es una poderosa herramienta de diagnóstico para detectar patógenos causantes en pruebas microbiológicas clínicas. La clasificación rápida y precisa de las secuencias metagenómicas es un procedimiento crítico para la identificación de patógenos en el paso de laboratorio seco de las pruebas mNGS. Sin embargo, este paso crucial puede mejorarse clasificando las secuencias en un plazo clínicamente relevante.
Para hacer frente a este reto, un equipo de BGI Genomics dirigido por Xuebin Wang ha lanzado recientemente GPMeta, un método ultrarrápido de detección de patógenos, y ha publicado estos aspectos destacados en Briefings in Bioinformatics.
GPMeta puede identificar patógenos de forma rápida y precisa a través de datos de secuenciación mNGS complejos y masivos. Utilizando conjuntos de datos simulados y conjuntos de datos de secuenciación metagenómica de muestras clínicas, los resultados se compararon con herramientas utilizadas por la comunidad de investigadores bioinformáticos como Bowtie2, Bwa, Kraken2 y Centrifuge.
Los resultados muestran que GPMeta no sólo tiene una mayor precisión, sino que también exhibe una velocidad con un incremento de velocidad significativo. Además, GPMeta ofrece un algoritmo de agrupamiento GPMetaC, un modelo estadístico para agrupar y volver a puntuar alineaciones ambiguas con el fin de mejorar la discriminación de secuencias altamente homólogas de genomas microbianos con una identidad nucleotídica media >95%. Estos resultados subrayan el papel clave de GPMeta en el desarrollo de la prueba mNGS en enfermedades infecciosas que requieren tiempos de respuesta rápidos.
Antecedentes
La detección más rápida y temprana de los patógenos causantes es fundamental para una terapia antibiótica precisa en lugar de un tratamiento empírico. Puede detectar simultáneamente casi todos los microorganismos patógenos nuevos y conocidos en el cuerpo del paciente en una sola prueba y tiene enormes aplicaciones potenciales en el diagnóstico de infecciones.
La detección de mNGS consta de dos componentes: las manipulaciones experimentales en laboratorio húmedo, que incluyen el preprocesamiento de muestras clínicas, la extracción de ácido nucleico total, la preparación de bibliotecas y la secuenciación, y el análisis bioinformático en laboratorio seco, que incluye el preprocesamiento de datos de secuenciación brutos, la eliminación de secuencias de huéspedes humanos, la alineación de secuencias con la base de datos curada de patógenos y la clasificación taxonómica de secuencias microbianas.
El análisis bioinformático es el último paso crucial en la detección de mNGS, que debe completarse con rapidez y precisión para acelerar todo el proceso de detección. Sin embargo, existe una necesidad urgente de nuevas estrategias para acelerar el análisis bioinformático de la identificación de patógenos.
Para hacer frente a este reto, GPMeta utiliza un esquema de índice hash sucinto y admite múltiples GPU para llevar a cabo en bases de datos divididas de forma simultánea, lo que satisface una necesidad creciente de la capacidad para hacer frente a un número cada vez mayor de genomas microbianos.
En el conjunto de datos de 25 millones de lecturas, GPMeta y GPMetaC sólo necesitan menos de 3 minutos para completar todo el análisis de detección.
En el conjunto de datos de 110 millones de lecturas (volumen de datos de detección mNGS convencional), GPMeta y GPMetaC sólo necesitan 4 minutos para completar todo el análisis de detección.
Cuando se aplicó a la biblioteca completa de patógenos de 190Gb, GPMeta y GPMetaC la aceleraron 39-50 y 12-35 veces respectivamente en comparación con Bwa y Bowtie2.
La detección completa y el análisis GPMeta son 18 veces y 12 veces más rápidos que Bwa y Bowtie2 respectivamente.
GPMeta admite múltiples GPUs para realizar el alineamiento y la clasificación taxonómica de secuencias microbianas en bases de datos divididas simultáneamente y fusiona automáticamente los resultados de múltiples sub-bases de datos, lo que resulta significativo para mantenerse al día con la rápida expansión de la base de datos de genomas microbianos. Para sacar el máximo partido de GPMeta, es necesario estudiar más a fondo cómo integrarla mejor y con mayor facilidad en las prácticas clínicas.
Abril 26/2023 (EurekaAlert!) – Tomado de News Releases Copyright 2023 by the American Association for the Advancement of Science (AAAS)
Traducción realizada con la versión gratuita del traductor www.DeepL.com/Translator
Noticias anteriores a 2010
Suscripción AL Día
