MPS-Sampling: La Rivoluzione per Scegliere Genomi Rappresentativi da Database Giganteschi!

Amici scienziati e curiosi del DNA, vi siete mai sentiti sommersi da una valanga di dati? Oggi voglio parlarvi di una sfida che, nel mio campo, è diventata quotidiana: come districarsi tra le montagne di sequenze genomiche che crescono a dismisura. I database esplodono di informazioni, ma c’è un “ma”: sono spesso ridondanti e la qualità dei dati è, diciamo, altalenante. Immaginate di dover studiare un’intera popolazione avendo a disposizione solo le foto di dieci persone, di cui nove sono gemelli identici e una è sfocata. Non proprio il massimo per farsi un’idea completa, vero?

Ecco, selezionare un sottoinsieme rappresentativo di genomi è un passo fondamentale per quasi ogni studio. Peccato che la maggior parte dei metodi attuali abbia dei limiti, sia un po’ di parte o semplicemente non riesca a gestire moli di dati enormi in tempi ragionevoli. Ma non temete, perché oggi vi presento una soluzione che, a mio parere, cambia le carte in tavola: MPS-Sampling (Multi-Protein Similarity-based Sampling).

Cos’è MPS-Sampling e Come Funziona questa Magia?

MPS-Sampling è un metodo che ho trovato incredibilmente veloce, scalabile ed efficiente per pescare genomi affidabili e davvero rappresentativi da dataset giganteschi. Il bello è che non si basa su informazioni tassonomiche preesistenti (che a volte sono incomplete o errate) né richiede la costruzione di complessi alberi filogenetici, evitando così i bias tipici di questi approcci. È come avere una bussola super precisa per navigare nell’oceano dei genomi.

Ma come fa? Vi spiego il trucco, passo dopo passo:

• L’Input: Famiglie di Proteine Omologhe. Si parte da famiglie di proteine omologhe, cioè proteine che svolgono funzioni simili in organismi diversi e che quindi condividono un antenato comune. Pensate alle proteine ribosomiali, presenti in quasi tutti gli esseri viventi. MPS-Sampling può gestire anche dati mancanti, il che è un gran vantaggio!
• Primo Step di Clustering: i Lin-cluster. Per ogni famiglia proteica, le sequenze vengono raggruppate in “Lin-cluster” usando uno strumento potentissimo chiamato Linclust (parte della suite MMseqs2). Questo strumento è veloce e preciso, e raggruppa sequenze molto simili tra loro. È come creare delle piccole “tribù” di proteine simili all’interno di ogni famiglia.
• Etichettatura e i Gruppi Elementari di Genomi (EGG). Ogni genoma viene poi descritto da un vettore di etichette, una per ogni famiglia proteica, che indica a quale Lin-cluster appartengono le sue proteine. I genomi che hanno esattamente la stessa “carta d’identità” di etichette vengono raggruppati in quelli che chiamiamo EGG (Elementary Groups of Genomes). A questo stadio, i genomi dentro uno stesso EGG sono considerati indistinguibili.
• (Opzionale ma Utile) Pre-connessione per Risparmiare Tempo. Per dataset molto grandi, c’è un passaggio opzionale che raggruppa preliminarmente gli EGG in “componenti pre-connesse”, velocizzando ulteriormente i calcoli successivi.
• Secondo Step di Clustering: gli MPS-cluster. Ora arriva il bello! Si calcola la similarità tra tutte le coppie di EGG (o tra quelle all’interno delle componenti pre-connesse) usando l’Indice di Dice. Questo indice misura la proporzione di Lin-cluster condivisi tra due EGG. In base a questi valori di similarità e a una soglia definita dall’utente (chiamata Δ, delta), gli EGG vengono raggruppati gerarchicamente in “MPS-cluster”. Se impostiamo Δ a 1, gli MPS-cluster coincideranno con gli EGG; abbassando Δ, otteniamo gruppi più ampi e quindi un campionamento più “stringente”.
• La Scelta dei Campioni: gli MPS-representative. Infine, da ogni MPS-cluster viene selezionato un genoma rappresentativo, l’MPS-representative. La scelta segue regole di priorità rigorose, che possono anche essere definite dall’utente (ad esempio, preferire genomi completi o ceppi tipo).

Il risultato? Una lista di genomi rappresentativi che riflette la diversità del dataset originale, pronta per le vostre analisi!

MPS-Sampling alla Prova dei Fatti: Un Test Impegnativo

Per vedere MPS-Sampling all’opera, l’abbiamo scatenato su un dataset bello grosso: 48 famiglie di proteine ribosomiali provenienti da ben 178.203 genomi batterici! Abbiamo generato set di genomi rappresentativi di varie dimensioni, arrivando a campionare dal 32,17% fino a un misero 0,3% del dataset completo. E indovinate un po’? Un’analisi approfondita ha mostrato che i genomi selezionati erano rappresentativi sia dal punto di vista tassonomico che filogenetico. Missione compiuta!

Abbiamo anche confrontato MPS-Sampling con altri due strumenti: Treemmer (basato su criteri filogenetici) e TaxSampler (un programmino fatto in casa basato sulla tassonomia). In termini di tempo di calcolo, MPS-Sampling è stato un fulmine: per generare un campione dal dataset batterico ci ha messo circa 1 ora (senza pre-connessione), e ogni campione aggiuntivo solo 4 minuti. Con la pre-connessione, il tempo per il primo campione è sceso a 17 minuti! Treemmer, per fare un confronto, ha impiegato 360 ore per un campione. Parliamo di un fattore di velocità di quasi 300 volte a favore di MPS-Sampling!

I Risultati Parlano Chiaro: Diversità e Rappresentatività al Top

Ma la velocità non è tutto. Ciò che conta è la qualità del campione. Ebbene, MPS-Sampling ha brillato anche qui.
Quando abbiamo mappato i genomi rappresentativi selezionati su un albero filogenetico batterico di riferimento, abbiamo visto che erano ben distribuiti lungo tutto l’albero, anche quando il numero di genomi campionati era bassissimo (ad esempio, con solo lo 0,3% dei genomi originali, Δ = 0.05). Questo significa che MPS-Sampling riesce a catturare la diversità filogenetica in modo eccellente.

Un aspetto interessante è che la proporzione relativa di lignaggi con tassonomia incompleta aumentava nei campioni. Questo non è un difetto, anzi! È coerente col fatto che questi genomi “orfani” di una classificazione precisa rappresentano una parte significativa e spesso trascurata della diversità batterica.

Dal punto di vista tassonomico, riducendo la densità di campionamento (cioè abbassando Δ), si osservava una progressiva riduzione del numero di genomi all’interno delle specie, poi delle specie all’interno dei generi, e così via, fino agli ordini e alle classi all’interno dei phyla. Per esempio, con Δ = 1, venivano eliminati circa due terzi dei genomi, ma quasi tutte le specie erano conservate, ciascuna rappresentata in media da un singolo genoma. Questo dimostra che MPS-Sampling è bravissimo a eliminare la ridondanza all’interno dei taxa.

Confrontando MPS-Sampling con Treemmer e TaxSampler, abbiamo notato che, a parità di dimensioni del campione, MPS-Sampling forniva campioni con una diversità filogenetica superiore. Inoltre, MPS-Sampling è più efficiente nel “dereplicare” i genomi all’interno dei taxa: per esempio, con un certo settaggio (Δ = 0.4), MPS-Sampling manteneva in media 3 genomi per famiglia, contro i 9 di Treemmer e i 6 di TaxSampler.

Un Occhio più da Vicino: Casi Studio Illuminanti

Per andare ancora più a fondo, abbiamo analizzato come i tre metodi si comportavano su tre famiglie batteriche note per la loro complessità e ridondanza: Lactobacillaceae, Bacillaceae ed Enterobacteriaceae. I risultati sono stati eloquenti. MPS-Sampling forniva campioni più affidabili, mentre Treemmer e TaxSampler tendevano a sovracampionare i grandi taxa con bassa diversità interna.

Prendiamo il genere Lactiplantibacillus (nelle Lactobacillaceae): ha una diversità filogenetica molto bassa. MPS-Sampling lo ha correttamente ridotto a un solo rappresentante. Treemmer, invece, ne manteneva da 9 a 41, e TaxSampler 18 specie! Un altro esempio è il genere Bacillus (nelle Bacillaceae), composto da 126 specie molto imparentate: chiaramente sovracampionato da TaxSampler e Treemmer. Ancora più problematico, dato che Bacillus non è monofiletico, campionare a livello di genere con TaxSampler porta a omettere una grossa fetta della sua reale diversità.

Le Enterobacteriaceae sono un altro caso da manuale di ridondanza, con il 99% dei genomi estremamente simili. MPS-Sampling ha dereplicato questa famiglia in modo efficiente, con questi genomi ridondanti che rappresentavano solo il 5-7% dei campioni. Al contrario, con Treemmer e TaxSampler, questi genomi “cloni” costituivano rispettivamente il 92-94% e il 62-82% dei campioni di Enterobacteriaceae. Questi esempi dimostrano che MPS-Sampling adatta la densità del campionamento al livello di ridondanza dei dati, fornendo campioni più coerenti con la diversità filogenetica reale.

Oltre i Batteri: Versatilità e Considerazioni Finali

MPS-Sampling, ispirato ai lavori classici di Sørensen sull’Indice di Dice e il clustering gerarchico, è quindi un metodo potente. L’uso dell’Indice di Dice è veloce e ha proprietà interessanti, mentre il clustering gerarchico con “complete-linkage” assicura che all’interno di ogni MPS-cluster la diversità sia controllata: la similarità tra ogni coppia di EGG è sempre maggiore della soglia Δ. Questo garantisce alta specificità, preferendo un leggero rischio di sovracampionamento (cioè mantenere qualche genoma in più del necessario) piuttosto che perdere rappresentatività.

Una cosa da tenere a mente è che questo tipo di clustering non gestisce bene gli “outlier”, cioè i genomi molto diversi da tutti gli altri. Qui, gli outlier diventano semplicemente MPS-cluster contenenti un singolo genoma. È importante ricordare che, sebbene alcuni di questi singoletti possano essere artefatti (errori di sequenziamento, contaminazioni), molti riflettono la frazione reale ma sottocampionata della biodiversità o lignaggi completamente nuovi.

Sebbene in questo studio abbiamo usato MPS-Sampling per genomi batterici, può essere applicato a qualsiasi tipo di genoma (completi, assemblati da metagenomi, ecc.) e da qualsiasi organismo (Archea, Eucarioti, Virus), a patto di poter assemblare famiglie di proteine omologhe. Noi abbiamo usato proteine ribosomiali e famiglie di proteine “core”, ottime per confronti su larga scala evolutiva. Per scale più piccole (ad esempio, all’interno di una specie), sarebbe più appropriato usare sequenze nucleotidiche o famiglie proteiche che evolvono più rapidamente.

Certo, come tutti gli algoritmi, MPS-Sampling è sensibile alla qualità dei dati. Tuttavia, è relativamente robusto a errori nell’assemblaggio delle famiglie proteiche e a dati mancanti (perdite geniche, sequenziamento incompleto), perché integra l’informazione da molte famiglie proteiche. Anche di fronte a trasferimenti genici orizzontali (HGT) o chimerismo genomico, il segnale portato dalle sequenze “aliene” tende ad essere dominato dal segnale delle altre proteine, permettendo un corretto raggruppamento. Chiaramente, livelli molto alti di HGT o errori sistematici possono influenzare il risultato, ma il sistema mostra una buona resilienza.

In conclusione, MPS-Sampling si presenta come uno strumento estremamente performante per affrontare la sfida della dereplicazione di grandi dataset genomici, conservando la maggior parte della diversità evolutiva originale, sia tassonomica che filogenetica, a varie scale. E lo fa in modo rapido, scalabile e, soprattutto, intelligente, anche quando la tassonomia tradizionale potrebbe trarci in inganno. Un vero passo avanti per chi, come me, naviga quotidianamente nel mare magnum dei dati genomici!

Fonte: Springer