Visualizando el movimiento viral con Spread.gl

Estudiar cómo los virus se mueven de un lugar a otro nos ayuda a entender su propagación y su impacto en la salud. Hay varias herramientas de software para analizar este movimiento, conocido como Filogeografía. Estas herramientas permiten a los investigadores ver cómo cambian los virus con el tiempo y el espacio, creando una línea de tiempo de su expansión.

#Herramientas para Análisis Filogeográfico

Existen diferentes paquetes de software para este análisis. Algunos populares son BEAST, TreeTime y PastML. El software BEAST utiliza un método llamado inferencia bayesiana, que ayuda a estimar las probabilidades de diferentes escenarios sobre el movimiento viral. Otras herramientas, como TreeTime y PastML, utilizan métodos de máxima verosimilitud para hacer estimaciones similares.

Aunque el uso de modelos discretos para el análisis filogeográfico es más común, todavía se están investigando tanto métodos discretos como continuos para ver cuál funciona mejor en situaciones específicas. Esto es importante para asegurarnos de obtener resultados precisos y mejorar cómo estudiamos el movimiento viral.

#Visualizando Datos

Para ayudar a entender los datos del análisis filogeográfico, se han desarrollado varias herramientas de Visualización. Una de las más conocidas es Nextstrain. Este software ofrece visuales interactivas que muestran las relaciones de ramificación entre los virus y la línea de tiempo de su propagación de manera clara. Los usuarios pueden personalizar las visuales para incluir información geográfica, especies anfitrionas u otros datos relevantes.

Nextstrain tiene tres partes principales en su interfaz visual: un árbol que muestra cómo se relacionan diferentes tipos de virus, una línea de tiempo de cómo se movieron entre lugares y una vista de las diferencias genéticas en los virus. Otras opciones de software disponibles para visualización incluyen SPREAD, SpreaD3 y SPREAD4, que están diseñados para soportar diferentes tipos de análisis.

Sin embargo, muchas herramientas de visualización tienen limitaciones. Algunas pueden requerir habilidades de programación para usarlas de manera efectiva, mientras que otras pueden depender de software externo o tener problemas de compatibilidad con diferentes dispositivos o navegadores web.

#Introduciendo Spread.gl

Para superar algunos de los desafíos que enfrentan las herramientas existentes, se ha desarrollado una nueva aplicación llamada spread.gl. Esta aplicación está diseñada para ofrecer visualizaciones de movimiento viral de alto rendimiento y suaves. Es basada en la web, lo que significa que los usuarios pueden acceder a ella desde sus navegadores sin necesidad de instalar software especial.

Una característica notable de spread.gl es la capacidad de visualizar múltiples capas de datos al mismo tiempo. Por ejemplo, los investigadores pueden superponer Datos Ambientales, como temperatura o humedad, sobre los datos de movimiento viral para ver cómo estos factores pueden influir en la propagación de los virus.

La aplicación está construida sobre un marco llamado kepler.gl, que es bueno manejando grandes conjuntos de datos. La privacidad de los datos también se considera, ya que toda la información se almacena localmente en el navegador del usuario, abordando las preocupaciones sobre datos de salud sensibles.

#Formatos de Datos Soportados

Spread.gl puede aceptar varios formatos de datos, incluyendo CSV, JSON y GeoJSON. Estos formatos son útiles para representar diferentes tipos de información geográfica relacionada con los datos virales. Además, incluye características que convierten la salida de herramientas de análisis filogenético populares en formatos que spread.gl puede usar, asegurando que los usuarios puedan visualizar sus datos sin complicados pasos.

#Características Clave de Spread.gl

Una de las características significativas de spread.gl es la capacidad de visualizar capas de datos ambientales. Los investigadores pueden añadir puntos que representen la temperatura media, la densidad poblacional u otras variables que podrían impactar la propagación del virus. Esto puede ofrecer perspectivas útiles sobre qué factores podrían estar influyendo en el movimiento de los virus a lo largo del tiempo.

Los usuarios pueden ajustar fácilmente varias configuraciones en la aplicación para personalizar sus visualizaciones. Por ejemplo, pueden cambiar el orden de las capas de datos, ajustar cómo aparecen o controlar la transparencia de esas capas para tener visuales más claras.

Una vez que los usuarios han creado sus visualizaciones deseadas, pueden exportarlas en varios formatos. Esto incluye imágenes, archivos HTML para compartir fácilmente, e incluso PDFs usando extensiones de navegador.

#Ejemplos de Visualización Filogeográfica

Para ilustrar cómo spread.gl puede visualizar movimiento viral, consideremos tres estudios de caso diferentes que representan virus específicos y su propagación a lo largo del tiempo.

#Ejemplo 1: SARS-CoV-2 en Inglaterra

En un estudio, los investigadores examinaron la propagación de una variante de COVID-19 conocida como B.1.1.7, que surgió en Inglaterra. Usaron más de 17,000 muestras de genoma para modelar su movimiento. Al visualizar los datos en spread.gl, pudieron ver cómo el virus se movió a través de diferentes regiones con el tiempo.

Esta visualización mostró los diversos puntos de muestreo y conexiones entre ellos, con una representación clara de la propagación y las linajes. El alto rendimiento de spread.gl permitió animaciones suaves que mostraron el movimiento del virus mientras evolucionaba.

#Ejemplo 2: Virus del Dengue en Brasil

En otro estudio centrado en el virus del dengue (YFV) en Brasil, los investigadores analizaron el brote de 2016 a 2019. Reunieron datos de diferentes fuentes, incluidos datos de temperatura, para entender la relación entre factores ambientales y la propagación del virus.

Usando spread.gl, superpusieron datos de temperatura promedio sobre su visualización del movimiento viral, mostrando cómo los cambios de temperatura podrían correlacionarse con los patrones de dispersión del virus. Esta integración de datos ambientales ofreció perspectivas valiosas que podrían ayudar en la gestión de futuros brotes.

#Ejemplo 3: Virus de la Diarrea Epidémica Porcina en China

Un tercer estudio de caso involucró el virus de la diarrea epidémica porcina (PEDV) en China. Los investigadores miraron datos de múltiples provincias y examinaron varios factores ambientales, como tasas de consumo de cerdo y otras variables económicas que podrían influir en la propagación del virus.

En spread.gl, visualizaron la dispersión del PEDV y destacaron cómo ciertos factores ambientales podrían estar asociados con su movimiento. El uso de un código de colores para diferentes provincias basado en el consumo de cerdo ayudó a identificar posibles conexiones entre los niveles de consumo y la propagación viral.

#Conclusión

El desarrollo de herramientas como spread.gl representa un avance significativo en el campo del análisis filogeográfico. Al permitir a los investigadores visualizar movimientos virales junto con otros datos importantes, se puede mejorar enormemente la comprensión de cómo se propagan los virus. Esto, a su vez, puede apoyar mejores respuestas de salud pública e informar estrategias para controlar futuros brotes. A medida que las herramientas mejoran y más datos se vuelven disponibles, el estudio del movimiento viral seguirá evolucionando, contribuyendo a nuestro conocimiento general de las enfermedades infecciosas y su impacto en la sociedad.