Nueva herramienta mejora el estudio de interacciones entre patógenos

Los microbios y virus pueden infectar células vivas, afectando cómo funcionan esas células. Para entender estas interacciones, es clave estudiar cómo la infección cambia la forma en que una célula huésped expresa sus genes, junto con cómo el microbio o virus expresa sus propios genes. Este entendimiento puede ayudarnos a averiguar cómo funcionan las infecciones y encontrar formas de tratarlas.

La reciente pandemia de COVID-19 destacó la importancia de estudiar tanto el huésped como el virus. Los investigadores ahora están examinando células individuales durante la infección para entender cómo reacciona el cuerpo a diferentes Patógenos.

#Métodos Actuales y Sus Desafíos

Los investigadores suelen infectar líneas celulares o animales con patógenos conocidos para investigar cómo estas infecciones impactan la Expresión Génica. Este análisis integrado puede revelar los mecanismos detrás de las enfermedades causadas por estos patógenos y ayudar a encontrar objetivos potenciales para tratamientos.

Sin embargo, los métodos existentes para estudiar la expresión génica durante las infecciones a menudo enfrentan desafíos. Por ejemplo, al analizar datos de Secuenciación de ARN de célula única (scRNAseq), los científicos generalmente tienen que seguir pasos complicados para procesar y alinear los datos leídos tanto del huésped como del patógeno. El proceso actual puede ser lento y engorroso, dificultando el análisis eficiente de grandes conjuntos de datos.

#Una Nueva Herramienta: scPathoQuant

Para abordar estos desafíos, se ha desarrollado una nueva herramienta llamada scPathoQuant (SPQ). SPQ simplifica el proceso de análisis de la expresión génica del patógeno a partir de datos de secuenciación de célula única. Agrupa todas las herramientas bioinformáticas necesarias en una biblioteca de Python fácil de usar que se puede ejecutar con un solo comando. Esto reduce la carga de trabajo para los investigadores y acelera el proceso de análisis.

SPQ realiza pasos clave, que incluyen:

1. Extraer lecturas no alineadas del genoma huésped.
2. Mapear las lecturas aisladas al genoma del patógeno específico.
3. Contar identificadores moleculares únicos (UMIs) para cuantificar los niveles de expresión génica.
4. Integrar los datos resultantes de nuevo en el conjunto de datos original para análisis posteriores.

Al agilizar estos pasos, SPQ permite a los usuarios examinar fácilmente tanto la expresión génica del huésped como la del patógeno.

#¿Cómo Funciona SPQ?

SPQ comienza extrayendo lecturas no alineadas, que son las secuencias que no coincidieron con el genoma del huésped, usando una herramienta llamada SAMtools. Luego alinea estas lecturas al genoma del patógeno utilizando bbmap o bowtie2, ambos conocidos por su velocidad y precisión.

Una vez que las lecturas están alineadas, SPQ cuenta las lecturas mapeadas usando HTSeq, proporcionando información detallada sobre tanto la expresión general del patógeno como de genes específicos. Luego, el programa integra estos datos de nuevo en el conjunto de datos original, permitiendo a los investigadores ver cómo los patógenos afectan la expresión génica del huésped.

SPQ también proporciona salidas útiles, como gráficos de violín que muestran la distribución de los recuentos del patógeno y mapas de cobertura de las lecturas alineadas al patógeno.

#Pruebas de SPQ

La efectividad de SPQ se ha probado utilizando datos de estudios previamente publicados. Estos estudios involucraron infecciones con VIH y SARS-CoV-2, ambos conocidos por impactar significativamente la salud humana.

En el caso del VIH, los investigadores compararon los resultados obtenidos usando SPQ con los de métodos tradicionales como CellRanger. Encontraron que SPQ proporcionó resultados comparables, identificando con precisión las células infectadas con VIH. La correlación entre los recuentos de lecturas de los diferentes métodos fue fuerte, confirmando la fiabilidad de SPQ.

De manera similar, SPQ fue probado con datos de infecciones por SARS-CoV-2. Los investigadores utilizaron datos de scRNAseq de células epiteliales bronquiales humanas infectadas con el virus. SPQ identificó con éxito las células infectadas y proporcionó recuentos de lecturas precisos de ARN viral. Los resultados mostraron una alta correlación con los obtenidos de CellRanger, indicando que SPQ funciona bien en la detección de lecturas virales.

#Coinfecciones y Su Impacto

Entender cómo las múltiples infecciones afectan la expresión génica del huésped es crucial para desarrollar tratamientos. SPQ puede detectar múltiples patógenos en un solo análisis, facilitando el estudio de coinfecciones.

Por ejemplo, los investigadores usaron SPQ para identificar tanto SARS-CoV-2 como otro virus llamado metapneumovirus en muestras de tejido pulmonar de un paciente. SPQ mostró el número de células infectadas y la abundancia de cada virus, ayudando a los investigadores a entender cómo podrían interactuar estas infecciones.

#Comparando SPQ con Otras Herramientas

Aparte de SPQ, hay otras herramientas diseñadas para detectar lecturas de patógenos en datos de secuenciación de ARN de célula única, como ViralTrack, PathogenTrack y Venus. Sin embargo, estas herramientas a menudo requieren pasos complicados de preprocesamiento y pueden ser menos eficientes que SPQ.

Cuando se comparó a SPQ con estas herramientas usando los mismos datos de infección por VIH, los resultados fueron consistentes en todos los métodos. A pesar de las ligeras variaciones en los resultados debido a diferentes algoritmos, SPQ demostró un fuerte rendimiento mientras requería menos tiempo computacional.

#Conclusión

SPQ representa un avance significativo en el análisis de interacciones patógeno-huésped. Su capacidad para simplificar el proceso de detección y cuantificación de la expresión génica del patógeno la convierte en una herramienta valiosa para los investigadores.

Esta herramienta no se limita solo a infecciones virales; también puede analizar bacterias intracelulares. Al proporcionar un método sencillo para estudiar infecciones a nivel de célula única, SPQ empodera a los científicos para entender mejor cómo los patógenos afectan a sus huéspedes y puede llevar al desarrollo de nuevas terapias.

Los investigadores pueden acceder a SPQ y sus conjuntos de datos asociados para contribuir aún más a la comprensión de las interacciones entre patógenos en la comunidad científica. Con SPQ, el futuro del estudio de infecciones se ve prometedor, permitiendo una investigación más eficiente y efectiva en el campo.