Avaliando as Mutações Virais pra Controlar Surto
Um novo método analisa como as mutações afetam as taxas de transmissão do vírus.
Brian Lee, Ahmed Abdul Quadeer, Muhammad Saqib Sohail, Elizabeth Finney, Syed Faraz Ahmed, Matthew R. McKay, John P. Barton
― 7 min ler
Índice
Os vírus podem mudar com o tempo. Essas mudanças, conhecidas como Mutações, podem ajudar eles a infectar novos hospedeiros de forma mais eficaz. Por exemplo, algumas mutações podem ajudar o vírus a aumentar a quantidade de vírus no corpo ou dificultar para o sistema imunológico reconhecer e combater o vírus. Identificar quais mutações ajudam um vírus a se espalhar pode ser vital para controlar surtos e reconhecer novas Variantes que podem escapar da resposta imunológica. Mas descobrir como mutações específicas influenciam o quão bem um vírus se espalha pode ser complicado.
Para resolver esse problema, os pesquisadores criaram um método que pode avaliar o impacto de mutações individuais, especificamente variantes de nucleotídeos únicos (SNVs), sobre como eficientemente um vírus se espalha. Esse método combina informações genéticas de várias áreas de surtos. Ele usa um modelo simples de propagação de doenças que facilita a aplicação em grandes quantidades de dados. Um dos principais benefícios dessa abordagem é que ela não precisa agrupar sequências de vírus em "variantes" definidas. Em vez disso, examina as sequências diretamente para determinar como as mudanças na Transmissão viral podem ser explicadas pelas mutações únicas presentes em diferentes vírus.
Os pesquisadores analisaram mais de 7,4 milhões de sequências de SARS-CoV-2, o vírus que causa a COVID-19, de diferentes partes do mundo. O objetivo deles era ver como as mutações influenciavam a maneira como o vírus se espalhava ao longo da pandemia. A maioria das mutações em SARS-CoV-2 teve pouco efeito na capacidade de espalhar. No entanto, conjuntos específicos de mutações estavam ligados a taxas de transmissão mais altas, especialmente em uma parte do vírus conhecida como Spike e outras áreas chave de seu código genético.
Um aspecto importante da pesquisa é que o método foi sensível o suficiente para identificar variantes que se espalhavam mais rapidamente antes de se tornarem comuns. Por exemplo, eles conseguiram observar o aumento de certas variantes como Alpha e Delta na Grã-Bretanha e Omicron na África do Sul muito cedo, mesmo quando essas variantes ainda não eram dominantes na população.
O Modelo Usado para Estimativa
Para quantificar como as mutações influenciavam a propagação do vírus, os pesquisadores desenvolveram um modelo baseado em um método chamado processo de ramificação estocástica. Esse modelo ajuda a entender como as infecções ocorrem dentro de uma população. Ele considera quantas pessoas um indivíduo infectado pode infectar, levando em conta as variações na propagação da Infecção.
No essencial, o modelo atribui um número efetivo de reprodução a cada variante, significando sua capacidade de transmissão. A capacidade geral de transmissão de cada variante é determinada somando os efeitos de suas mutações individuais. Usando uma técnica estatística chamada inferência Bayesiana, eles estimaram os efeitos de transmissão de cada mutação para explicar as mudanças observadas na propagação do vírus ao longo do tempo.
Analisando dados de vários surtos, eles descobriram que podiam estimar de forma eficiente como diferentes mutações impactavam a propagação do vírus. Mesmo com dados limitados, o método se mostrou confiável.
Resultados do Estudo
A análise revelou que, enquanto a maioria das mutações no vírus SARS-CoV-2 era neutra, algumas mutações aumentaram significativamente as taxas de transmissão. Essas mutações costumavam se agrupar em regiões específicas do material genético do vírus, particularmente na proteína Spike, que é crucial para a capacidade do vírus de entrar nas células humanas.
Das principais mutações identificadas, muitas estavam concentradas na subunidade S1 da proteína Spike. O estudo destacou várias mutações que foram fortemente selecionadas devido aos seus efeitos na transmissão do vírus, incluindo aquelas que permitiram ao vírus escapar da resposta imunológica e aumentar sua infectividade.
Os pesquisadores encontraram aumentos substanciais nas taxas de transmissão para variantes notáveis. Por exemplo, eles estimaram que a variante Alpha teve um aumento na transmissão de cerca de 170% em comparação com a cepa original. A variante Delta também mostrou uma vantagem significativa na transmissão.
Detecção Precoce de Variantes
Uma das capacidades notáveis do método é sua habilidade de detectar forte seleção por mutações benéficas, mesmo quando estão presentes em baixas frequências. Monitorando a ascensão das variantes Alpha, Delta e Omicron ao longo do tempo, os pesquisadores rastrearam mudanças na rapidez com que essas variantes se espalhavam.
No caso da variante Alpha na Grã-Bretanha, as vantagens inferidas de suas mutações se tornaram evidentes mesmo quando Alpha representava apenas uma pequena porcentagem das infecções. Da mesma forma, a variante Delta mostrou um forte aumento em suas estimativas de transmissão quando foi rotulada como variante de preocupação.
Identificando Variantes com Alto Potencial de Crescimento
Os pesquisadores buscaram identificar quais variantes estavam experimentando um crescimento forte em diferentes momentos. Eles criaram um sistema para classificar grupos de mutações como “alto crescimento” quando excediam um certo limite em sua vantagem estimada na transmissão.
Ao analisar os dados, descobriram que uma proporção significativa de mutações atribuídas a variantes importantes havia sido sinalizada como de alto crescimento no início de seu surgimento. Essa habilidade de identificar rapidamente mutações benéficas poderia ajudar a informar os esforços de saúde pública e melhorar as respostas a surtos.
Mutações com Potencial Impacto
Enquanto muitas variantes bem conhecidas foram identificadas através da pesquisa, o estudo também apontou que algumas mutações fora da proteína Spike poderiam ter efeitos significativos na transmissão. Por exemplo, certas mutações na proteína Nucleocapsid e em outras regiões não Spike mostraram potencial para aumentar a capacidade de propagação do vírus.
Essas descobertas enfatizam a necessidade de estudar não apenas as mutações bem conhecidas da Spike, mas também aquelas em outras partes do vírus que podem contribuir para vantagens de transmissão.
Limitações do Modelo
Apesar das forças do modelo, existem algumas limitações. Os pesquisadores notaram que seu modelo assume um intervalo de tempo relativamente curto entre infecções, o que pode não ser adequado para todos os vírus. Eles também reconhecem que algumas complexidades, como as interações entre mutações e seus efeitos na imunidade, podem variar ao longo do tempo.
Além disso, o modelo não diferencia entre mutações que ajudam o vírus a escapar das respostas imunológicas e aquelas que aumentam sua capacidade de infectar células. Embora estime com precisão a contribuição geral de mutações específicas, detalhes sobre como essas mutações trabalham juntas podem exigir mais investigação.
Direções Futuras
A pesquisa demonstra que entender as mutações virais e seus efeitos na transmissão é crucial para gerenciar surtos. Identificar mutações que aumentam a transmissão cedo pode guiar as respostas de saúde pública.
O modelo desenvolvido para este estudo também poderia ser adaptado para outros vírus, como o da gripe, melhorando sua utilidade na compreensão da dinâmica viral em uma variedade de patógenos. Combinando dados de vigilância genômica com essa abordagem analítica, as organizações de saúde podem identificar variantes emergentes mais rapidamente e entender como diferentes mutações contribuem para a propagação viral.
Em conclusão, acompanhar as mutações virais é essencial para controlar surtos de forma eficaz e se preparar para futuros desafios de saúde pública. Os avanços nas métodos para analisar essas mutações desempenharão um papel crítico na manutenção da saúde pública.
Título: Inferring effects of mutations on SARS-CoV-2 transmission from genomic surveillance data
Resumo: New and more transmissible variants of SARS-CoV-2 have arisen multiple times over the course of the pandemic. Rapidly identifying mutations that affect transmission could improve our understanding of viral biology and highlight new variants that warrant further study. Here we develop a generic, analytical epidemiological model to infer the transmission effects of mutations from genomic surveillance data. Applying our model to SARS-CoV-2 data across many regions, we find multiple mutations that substantially affect the transmission rate, both within and outside the Spike protein. The mutations that we infer to have the largest effects on transmission are strongly supported by experimental evidence. Importantly, our model detects lineages with increased transmission even at low frequencies. As an example, we infer significant transmission advantages for the Alpha, Delta, and Omicron variants shortly after their appearances in regional data, when their local frequencies were only around 1-2%. Our model thus facilitates the rapid identification of variants and mutations that affect transmission from genomic surveillance data.
Autores: Brian Lee, Ahmed Abdul Quadeer, Muhammad Saqib Sohail, Elizabeth Finney, Syed Faraz Ahmed, Matthew R. McKay, John P. Barton
Última atualização: 2024-09-30 00:00:00
Idioma: English
Fonte URL: https://www.medrxiv.org/content/10.1101/2021.12.31.21268591
Fonte PDF: https://www.medrxiv.org/content/10.1101/2021.12.31.21268591.full.pdf
Licença: https://creativecommons.org/licenses/by-nc/4.0/
Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.
Obrigado ao medrxiv pela utilização da sua interoperabilidade de acesso aberto.