WEBVTT Kind: captions Language: es 00:00:00.740 --> 00:00:01.740 Cool. 00:00:01.740 --> 00:00:02.740 Gracias. 00:00:02.740 --> 00:00:04.230 Espero que la gente vea mis diapositivas. 00:00:04.230 --> 00:00:05.590 So yeah I'm Niema Moshiri. 00:00:05.590 --> 00:00:07.819 I'm at UC San Diego. 00:00:07.819 --> 00:00:13.790 Estoy en el Departamento de Informática e Ingeniería y voy a estar hablando de un desarrollo 00:00:13.790 --> 00:00:16.200 reciente que hemos hecho llamado MSA viral. 00:00:16.200 --> 00:00:21.210 Básicamente un flujo de trabajo filogenético estándar, si alguna vez has visto una historia 00:00:21.210 --> 00:00:26.730 evolutiva de secuencias de virus, empiezas con estas secuencias iniciales al principio 00:00:26.730 --> 00:00:29.929 que no necesariamente se alinean muy bien. 00:00:29.929 --> 00:00:33.600 Y el primer paso es alinear varias secuencias para que se alineen. 00:00:33.600 --> 00:00:37.120 Alinearlos así nos dice cosas sobre, ya sabes, cuál es la homología de secuencia, cuáles 00:00:37.120 --> 00:00:38.120 son las relaciones entre las secuencias. 00:00:38.120 --> 00:00:39.120 Usando esta alineación, se estima una filogenia. 00:00:39.120 --> 00:00:43.330 Y luego arraigas la filogenia para determinar cuál es el ancestro común. 00:00:43.330 --> 00:00:47.980 Y luego hay un montón de otros análisis aguas abajo que podrían estar interesados 00:00:47.980 --> 00:00:50.250 en hacer, ya sabes, cosas como cuáles son los grupos de brotes que están sucediendo 00:00:50.250 --> 00:00:57.890 ¿sabes qué demografía creemos que están más en riesgo de infectarse por alguna enfermedad? 00:00:57.890 --> 00:01:01.280 Sí, muchas cosas que puedes hacer. 00:01:01.280 --> 00:01:07.070 Así que en general mi enfoque está en estos dos pasos: la alineación de secuencias múltiples 00:01:07.070 --> 00:01:10.530 y la inferencia filogenética que son realmente los cuellos de botella computacionales. 00:01:10.530 --> 00:01:19.450 Y en esta charla, me centraré solo en este paso: la alineación de secuencias múltiples. 00:01:19.450 --> 00:01:26.509 Así que el problema de alineación de secuencias múltiples es NP-Complete, lo que, TLDR, significa 00:01:26.509 --> 00:01:33.680 que no tenemos una solución de tiempo polinomial, y como resultado, muchas heurísticas se han 00:01:33.680 --> 00:01:35.570 desarrollado para aproximar soluciones. 00:01:35.570 --> 00:01:37.460 Son bastante precisos razonablemente. 00:01:37.460 --> 00:01:42.369 Algunas de las herramientas con las que la gente puede estar familiarizada son MUSCLE, 00:01:42.369 --> 00:01:43.369 ClustalOmega y MAFFT. 00:01:43.369 --> 00:01:46.299 Estas son algunas de las herramientas comunes que las implementan. 00:01:46.299 --> 00:01:52.319 Sin embargo, incluso estas heurísticas generalmente escalan cuadráticamente con respecto al número 00:01:52.319 --> 00:01:53.329 de secuencias. 00:01:53.329 --> 00:01:56.840 Así que en el caso del SARS-CoV-2, hemos tenido un crecimiento exponencial de secuenciación 00:01:56.840 --> 00:01:59.959 sucediendo donde, quiero decir, esto es una gran cosa para nosotros. 00:01:59.959 --> 00:02:06.030 Estamos obteniendo más y más datos de secuencias, pero la desventaja es que tenemos que analizar 00:02:06.030 --> 00:02:12.930 esos datos de secuencias y nuestras herramientas no se escalan correctamente. 00:02:12.930 --> 00:02:16.700 Así que ahora mismo, esto es obsoleto. 00:02:16.700 --> 00:02:20.200 Esto era de hace una semana o dos. 00:02:20.200 --> 00:02:22.940 Ahora estamos casi en 200.000 secuencias. 00:02:22.940 --> 00:02:30.120 Así que las herramientas simplemente no escalan para permitir el análisis en tiempo real. 00:02:30.120 --> 00:02:37.220 Entonces, ¿qué pasaría si, en cambio, supiéramos de antemano que nuestras secuencias van a 00:02:37.220 --> 00:02:41.890 ser súper similares y ya tenemos un genoma de referencia representativo de alta confianza 00:02:41.890 --> 00:02:44.540 contra el cual podemos compararlas? 00:02:44.540 --> 00:02:51.270 Así que aquí, estoy mostrando el genoma de referencia como una línea verde en la 00:02:51.270 --> 00:02:59.880 parte superior y cada una de esas otras secuencias de colores por debajo de ella son la secuencia 00:02:59.880 --> 00:03:01.400 que quiero alinear entre sí. 00:03:01.400 --> 00:03:05.750 En lugar de alinearlos entre ellos, lo que puedo hacer es alinear la primera secuencia 00:03:05.750 --> 00:03:06.750 contra el genoma de referencia. 00:03:06.750 --> 00:03:08.290 Alinee la segunda secuencia con el genoma de referencia. 00:03:08.290 --> 00:03:12.550 Siga alineando cada una de las secuencias de forma independiente directamente con el 00:03:12.550 --> 00:03:13.550 genoma de referencia. 00:03:13.550 --> 00:03:16.080 Y luego usando las posiciones del genoma de referencia como anclas, puedo fusionar las 00:03:16.080 --> 00:03:19.650 alineaciones de pares individuales en una línea de secuencia múltiple. 00:03:19.650 --> 00:03:24.940 Así que tome la primera columna de mi asignación de secuencia múltiple ver- en la primera 00:03:24.940 --> 00:03:30.650 secuencia esta es la posición que coincidía, luego esta posición coincidió en la segunda, 00:03:30.650 --> 00:03:35.570 y la tercera, y luego simplemente colapsarlos juntos. 00:03:35.570 --> 00:03:41.470 Puedo hacer esto para cada posición del genoma de referencia y ahora tengo una línea de 00:03:41.470 --> 00:03:42.540 secuencia múltiple. 00:03:42.540 --> 00:03:44.900 Y lo bueno es que este paralelismo es estupendo. 00:03:44.900 --> 00:03:46.790 Cada secuencia puede alinearse con la referencia de forma independiente y simultánea, y se 00:03:46.790 --> 00:03:48.850 escala linealmente con el número de secuencias en lugar de cuadráticamente. 00:03:48.850 --> 00:03:56.560 Pero permítanme dar un paso atrás muy rápido y pensar en este enfoque. 00:03:56.560 --> 00:04:02.050 Mi entrada es un genoma de referencia y un montón de secuencias que son muy similares 00:04:02.050 --> 00:04:07.830 a ese genoma de referencia, y mi salida es una alineación de cada secuencia contra el 00:04:07.830 --> 00:04:09.070 genoma de referencia. 00:04:09.070 --> 00:04:10.930 Así que si la gente está familiarizada con la secuencia de lectura larga, este es exactamente 00:04:10.930 --> 00:04:13.260 el mismo problema computacional que mapear lecturas largas a un genoma de referencia. 00:04:13.260 --> 00:04:17.820 Así que mi pregunta era: ¿puedo aprovechar las herramientas de asignación de lectura 00:04:17.820 --> 00:04:21.350 bien implementadas existentes para habilitar este tipo de alineación de secuencias múltiples 00:04:21.350 --> 00:04:22.350 guiadas por referencia escalable? 00:04:22.350 --> 00:04:23.350 Así que desarrollé una herramienta llamada ViralMSA que envuelve los mapeadores de lectura 00:04:23.350 --> 00:04:24.350 existentes para realizar la alineación de secuencias múltiples guiadas por referencia. 00:04:24.350 --> 00:04:25.350 Me envuelvo alrededor de algunos de ellos, pero hay una herramienta específicamente, 00:04:25.350 --> 00:04:27.669 Minimap2, que es una especie de estándar de oro en este momento para lo que estoy haciendo. 00:04:27.669 --> 00:04:32.249 Así que solo recomiendo usar mi herramienta con ese mapeador de lectura específico, pero 00:04:32.249 --> 00:04:36.540 envuelvo algunos de ellos para demostrar que puedo evolucionar esta herramienta naturalmente 00:04:36.540 --> 00:04:38.889 a medida que las tecnologías de mapeo de lectura evolucionan también. 00:04:38.889 --> 00:04:39.889 Así que básicamente, simplemente proporcionas el genoma de referencia viral MSA y las secuencias 00:04:39.889 --> 00:04:40.889 para alinearse y luego se encargará de indexar el genoma de referencia y hacer cualquier 00:04:40.889 --> 00:04:44.199 pre-procesamiento que necesite hacer, y llamará al mapeador de lectura y luego fusionará 00:04:44.199 --> 00:04:45.370 los resultados en una alineación de secuencias múltiples. 00:04:45.370 --> 00:04:47.326 Y aquí puede ver una comparación de este enfoque con las herramientas de mejores prácticas 00:04:47.326 --> 00:04:48.326 existentes. 00:04:48.326 --> 00:04:51.669 Así que mi herramienta es la línea azul en la parte inferior y luego las otras dos 00:04:51.669 --> 00:05:00.419 líneas son otras herramientas y se ve que, en general, es múltiples órdenes de magnitud 00:05:00.419 --> 00:05:04.419 más rápido que lo que la gente generalmente está haciendo en este momento, y se escala 00:05:04.419 --> 00:05:05.419 muy bien. 00:05:05.419 --> 00:05:06.979 Y las alineaciones de secuencia que obtenemos son muy precisas. 00:05:06.979 --> 00:05:09.999 En conclusión, esta herramienta que he desarrollado permite una rápida alineación de secuencias 00:05:09.999 --> 00:05:10.999 múltiples de genomas virales. 00:05:10.999 --> 00:05:11.999 Es de código abierto. 00:05:11.999 --> 00:05:17.889 Se puede obtener en línea, y con suerte si usted hace cualquier análisis viral considerar 00:05:17.889 --> 00:05:18.889 su uso. 00:05:18.889 --> 00:05:21.810 Así que algunos reconocimientos: Heng Li desarrollado Minimap2, que es una especie 00:05:21.810 --> 00:05:27.740 de la esencia de la velocidad y este trabajo fue apoyado por NSF y Google. 00:05:27.740 --> 00:05:31.939 Y sí, dejaré preguntas para la charla o más tarde en la sesión.