Современные биоинформационные решения, используемые для анализа генетических данных

Эффективное противодействие биологическим угрозам как природного, так и техногенного характера требует наличия средств и методов быстрой и достоверной идентификации микроорганизмов и всестороннего изучения их основных биологических свойств. За последнее десятилетие арсенал отечественных микробиологов пополнили многочисленные методы анализа геномов патогенов, в первую очередь, основанные на секвенировании нуклеиновых кислот. Цель работы – выявить возможности современного технического и методического арсенала, применяемого для углубленного молекулярно-генетического изучения микроорганизмов, в том числе биоинформационных решений, используемых для анализа генетических данных. Источниковая база исследования – англоязычная научная литература, доступная через сеть «Интернет», документация биоинформационного программного обеспечения. Метод исследования – анализ научных источников от общего к частному. Рассматривали особенности платформ для секвенирования, основные этапы анализа генетической информации, актуальные биоинформационные утилиты, их взаимодействие и организацию в единый рабочий процесс. Результаты и обсуждение. Производительность современных генетических анализаторов позволяет проводить полную расшифровку бактериального генома в течение одних суток, включая время, требуемое для подготовки пробы к исследованию. Ключевым фактором, во многом определяющим эффективность применяемых молекулярно-генетических средств, является знание и грамотное применение соответствующего программного обеспечения. К основным этапам стандартного биоинформационного анализа первичных генетических данных относятся оценка качества секвенирования, предварительная обработка данных, их картирование на референсный геном или сборка генома de novo, аннотирование генома, типирование и выявление значимых генетических детерминант (устойчивости к антибактериальным препаратам, факторов патогенности и т.д.), филогенетический анализ. Для каждого из этапов разработаны биоинформационные утилиты, отличающиеся реализованными в них алгоритмами анализа. Заключение. С учетом специфики деятельности подразделений войск РХБ защиты ВС РФ, из числа известных программных продуктов наибольший интерес представляют утилиты с открытым исходным кодом, не требующие для своей работы доступа к удаленным ресурсам.

1. Morens DM, Fauci AS. Emerging pandemic diseases: how we got to COVID-19. Cell. 2020;182(5):1077–92. https://doi.org/10.1016/j.cell.2020.08.021

2. Smit M, Marinosci A, Agoritsas T, Calmy A. Prophylaxis for COVID-19: a systematic review. Clin Microbiol Infect. 2021;27(4):532–7. https://doi.org/10.1016/j.cmi.2021.01.013

3. Graña C, Ghosn L, Evrenoglou T, Jarde A, Minozzi S, Bergman H, et al. Efficacy and safety of COVID-19 vaccines. Cochrane Database Syst Rev. 2022;12(12):CD015477. https://doi.org/10.1002/14651858.CD015477

4. Sanger F, Air GM, Barrell BG, Brown NL, Coulson AR, Fiddes CA, et al. Nucleotide sequence of bacteriophage φX174 DNA. Nature. 1977;265(5596):687–95. https://doi.org/10.1038/265687a0

5. Watts D, MacBeath JRE. Automated fluorescent DNA sequencing on the ABI PRISM 310 Genetic Analyzer. In: DNA Sequencing Protocols. Methods in Molecular Biology, vol 167. Graham CA, Hill AJM, Eds. Humana Press; 2001. https://doi.org/10.1385/1-59259-113-2:153

6. Shendure J, Ji H. Next-generation DNA sequencing. Nat Biotechnol. 2008;26:1135-45. https://doi.org/10.1038/nbt1486

7. Hernandez D, François P, Farinelli L, Osterås M, Schrenzel J. De novo bacterial genome sequencing: millions of very short reads assembled on a desktop computer. Genome Res. 2008;18(5):802-9. https://doi.org/10.1101/gr.072033.107

8. Quail MA, Smith M, Coupland P, Otto TD, Harris SR, Connor TR, et al. A tale of three next generation sequencing platforms: comparison of Ion Torrent, Pacific Biosciences and Illumina MiSeq sequencers. BMC Genomics. 2012;13:341. https://doi.org/10.1186/1471-2164-13-341

9. Eid J, Fehr A, Gray J, Luong K, Lyle J, Otto G, et al. Real-time DNA sequencing from single polymerase molecules. Science. 2009;323(5910):133–38. https://doi.org/10.1126/science.1162986

10. Arumugam K, Bessarab I, Liu X, Natarajan G, Drautz-Moses DI, Wuertz S, et al. Improving recovery of member genomes from enrichment reactor microbial communities using MinION–based long read metagenomics. bioRxiv. 2018:465328. https://doi.org/10.1101/465328

11. Maljkovic Berry I, Melendrez MC, Bishop-Lilly KA, Rutvisuttinunt W, Pollett S, Talundzic E, et al. Next generation sequencing and bioinformatics methodologies for infectious disease research and public health: approaches, applications, and considerations for development of laboratory capacity. J Infect Dis. 2020;221(Suppl 3):S292–S307. https://doi.org/10.1093/infdis/jiz286

12. Besser J, Carleton HA, Gerner-Smidt P, Lindsey RL, Trees E. Next-generation sequencing technologies and their application to the study and control of bacterial infections. Clin Microbiol Infect. 2018;24(4):335–41. https://doi.org/10.1016/j.cmi.2017.10.013

13. Robinson JM, Pasternak Z, Mason CE, Elhaik E. Forensic applications of microbiomics: a review. Front Microbiol. 2021;11:608101. https://doi.org/10.3389/fmicb.2020.608101

14. Allali I, Arnold JW, Roach J, Cadenas MB, Butz N, Hassan HM, et al. A comparison of sequencing platforms and bioinformatics pipelines for compositional analysis of the gut microbiome. BMC Microbiol. 2017;17(1):194. https://doi.org/10.1186/s12866-017-1101-8

15. Chaudhari HG, Prajapati S, Wardah ZH, Raol G, Prajapati V, Patel R, et al. Decoding the microbial universe with metagenomics: a brief insight. Front Genet. 2023;14:1119740. https://doi.org/10.3389/fgene.2023.1119740

16. Vincent AT, Derome N, Boyle B, Culley AI, Charette SJ. Next-generation sequencing (NGS) in the microbiological world: How to make the most of your money. J Microbiol Methods. 2017;138:60–71. https://doi.org/10.1016/j.mimet.2016.02.016

17. Lema NK, Gemeda MT, Woldesemayat AA. Recent advances in metagenomic approaches, applications, and challenge. Curr Microbiol. 2023;80(11):347. https://doi.org/10.1007/s00284-023-03451-5

18. Cornet L, Baurain D. Contamination detection in genomic data: more is not enough. Genome Biol. 2022;23:60. https://doi.org/10.1186/s13059-022-02619-9

19. Bush SJ, Connor TR, Peto TEA, Crook DW, Walker AS. Evaluation of methods for detecting human reads in microbial sequencing datasets. Microb Genom. 2020;6(7):mgen000393. https://doi.org/10.1099/mgen.0.000393

20. Salzberg SL, Breitwieser FP, Kumar A, Hao H, Burger P, Rodriguez FJ, et al. Next-generation sequencing in neuropathologic diagnosis of infections of the nervous system. Neurol Neuroimmunol Neuroinflamm. 2016;3(4):e251. https://doi.org/10.1212/NXI.0000000000000251

21. Brennan C, Salido RA, Belda-Ferre P, Bryant M, Cowart C, Tiu MD, et al. Maximizing the potential of high-throughput next-generation sequencing through precise normalization based on read count distribution. mSystems. 2023;8(4):e0000623. https://doi.org/10.1128/msystems.00006-23

22. Portik DM, Brown CT, Pierce-Ward NT. Evaluation of taxonomic classification and profiling methods for long-read shotgun metagenomic sequencing datasets. BMC Bioinformatics. 2022;23(1):541. https://doi.org/10.1186/s12859-022-05103-0

23. Reinert K, Langmead B, Weese D, Evers DJ. Alignment of next-generation sequencing reads. Annu Rev Genomics Hum Genet. 2015;16:133-51. https://doi.org/10.1146/annurev-genom-090413-025358

24. Liu Y, Shen X, Gong Y, Liu Y, Song B, Zeng X. Sequence Alignment/Map format: a comprehensive review of approaches and applications. Brief Bioinform. 2023;24(5):bbad320. https://doi.org/10.1093/bib/bbad320

25. Antipov D, Raiko M, Lapidus A, Pevzner PA. Plasmid detection and assembly in genomic and metagenomic data sets. Genome Res. 2019;29(6):961-8. https://doi.org/10.1101/gr.241299.118

26. Gupta SK, Raza S, Unno T. Comparison of de-novo assembly tools for plasmid metagenome analysis. Genes Genomics. 2019;41(9):1077–83. https://doi.org/10.1007/s13258-019-00839-1

27. Gurevich A, Saveliev V, Vyahhi N, Tesler G, QUAST: quality assessment tool for genome assemblies. Bioinformatics. 2013;8(29):1072–5. https://doi.org/10.1093/bioinformatics/btt086

28. Huang B, Wei G, Wang B, Ju F, Zhong Y, Shi Z, et al. Filling gaps of genome scaffolds via probabilistic searching optical maps against assembly graph. BMC Bioinformatics. 2021;22(1):533. https://doi.org/10.1186/s12859-021-04448-2

29. Lu J, Rincon N, Wood DE, Breitwieser FP, Pockrandt C, Langmead B, et al. Metagenome analysis using the Kraken software suite. Nat Protoc. 2022;17(12):2815–39. https://doi.org/10.1038/s41596-022-00738-y

30. Nascimento M, Sousa A, Ramirez M, Francisco AP, Carriço JA, Vaz C. PHYLOViZ 2.0: providing scalable data integration and visualization for multiple phylogenetic inference methods. Bioinformatics. 2017;33(1):128–9. https://doi.org/10.1093/bioinformatics/btw582

31. Rose R, Golosova O, Sukhomlinov D, Tiunov A, Prosperi M. Flexible design of multiple metagenomics classification pipelines with UGENE. Bioinformatics. 2018;11(35):1963–5. https://doi.org/10.1093/bioinformatics/bty901