Antecedentes

Cuando se propagan enfermedades infecciosas emergentes o variantes virales, los datos de secuencias genómicas constituyen un recurso fundamental para determinar las rutas de transmisión y la velocidad de mutación. Las autoridades sanitarias reconstruyen la historia evolutiva del virus mediante filogenias para estimar cuándo, dónde y cómo se introdujo y propagó el virus. La técnica reconocida como el marco estadístico más preciso en este proceso es la filogenética bayesiana. Esto se debe a que permite estimar simultáneamente indicadores clave de dinámica, como la tasa de evolución y el número básico de reproducción de infecciones, reflejando sistemáticamente la incertidumbre.

El problema es la carga computacional. Las herramientas de análisis filogenético bayesiano existentes utilizan el algoritmo de Monte Carlo por Cadenas de Markov (MCMC). Cuando el número de muestras supera las centenas, el tiempo de computación aumenta exponencialmente, requiriendo días o incluso semanas para completar el análisis. Durante una pandemia, cuando se reciben decenas o cientos de miles de datos de genomas completos del campo de batalla, las técnicas tradicionales tienen dificultades para contribuir a tiempo a la toma de decisiones de prevención y control en tiempo real. Las instituciones de salud pública en países o regiones en desarrollo que carecen de infraestructura de computación de alto rendimiento ni siquiera se atreven a aplicar directamente los resultados más recientes del análisis filogenético en la prevención y el control de enfermedades.

Hallazgos clave

El equipo de investigación ha presentado Delphy, un nuevo marco computacional capaz de procesar grandes volúmenes de datos genómicos virales acumulados de manera casi en tiempo real. El núcleo de Delphy es una estructura de actualización bayesiana en línea que, en lugar de recalcular todo el árbol filogenético desde cero cada vez que llegan nuevos datos, integra orgánicamente las nuevas secuencias en la distribución de probabilidad posterior del árbol filogenético previamente aprendido.

Gracias a la optimización del algoritmo, Delphy ha reducido drásticamente la complejidad computacional incluso cuando el número de muestras aumenta acumulativamente. Mientras que las herramientas tradicionales requerían decenas de horas en clústeres de alto rendimiento para procesar miles de secuencias, Delfi puede completar el análisis bayesiano en menos de una decena de minutos utilizando una computadora de nivel de estación de trabajo convencional. A pesar de este aumento en la velocidad, la precisión estadística se mantiene en los niveles más altos. Las validaciones mediante experimentos simulados y conjuntos de datos genómicos de enfermedades infecciosas reales demostraron que las estimaciones del tiempo de divergencia y la distribución de probabilidad posterior de la topología del árbol filogenético alcanzaron una precisión comparable a la del método MCMC completo tradicional. Esto significa que es posible realizar análisis filodinámicos de alto nivel con un costo computacional mínimo, incluso en entornos con recursos limitados.

Significado y perspectivas

La aparición de Delphy representa un punto de inflexión para transformar el paradigma de la vigilancia genómica de un análisis posterior centralizado a una vigilancia en tiempo real descentralizada y local. Esto se debe a que los laboratorios locales pueden realizar análisis filogenéticos directamente en el momento en que se generan los datos y retroalimentar los resultados de inmediato a las operaciones de control epidemiológico. Se ha establecido la base para que las instituciones de salud pública de todo el mundo operen de forma autónoma análisis bayesianos precisos y estandarizados, manteniendo su propia soberanía de datos.

Sin embargo, aún quedan desafíos. En patógenos con altas tasas de recombinación o mutaciones complejas de inserción/deleción, se requiere un modelado filogenético adicional más allá del modelo simple de mutación puntual. Tampoco se puede descartar el riesgo de sesgos en el proceso de actualización a largo plazo si se acumulan variaciones en la calidad de los nuevos datos o errores de secuenciación. Las investigaciones futuras requerirán la expansión de pipelines que automatizen el proceso de refinamiento de datos y acepten con flexibilidad diversos mecanismos de mutación.