WEBVTT Kind: captions Language: es 00:00:01.160 --> 00:00:02.850 Impresionante, sí, gracias por la introducción. 00:00:02.850 --> 00:00:05.110 Con suerte, la gente puede ver mi pantalla. 00:00:05.110 --> 00:00:06.110 Sí, hola a todos. 00:00:06.110 --> 00:00:07.680 Como se mencionó, mi nombre es Niema Moshiri. 00:00:07.680 --> 00:00:12.210 Soy Profesor Asistente en el Departamento de Ciencias de la Computación e Ingeniería 00:00:12.210 --> 00:00:13.210 en UC San Diego. 00:00:13.210 --> 00:00:16.930 Mi charla se centrará en algunos métodos que mi laboratorio desarrolló usando los 00:00:16.930 --> 00:00:19.060 fondos de la NSF para acelerar el análisis genómico viral. 00:00:19.060 --> 00:00:24.750 Específicamente, la charla de hoy se va a centrar en cómo hemos habilitado el alineamiento 00:00:24.750 --> 00:00:28.880 de secuencias múltiples guiado por referencias escalables de genomas virales completos. 00:00:28.880 --> 00:00:34.140 De hecho, hemos hecho muchas otras aceleraciones, así que no tuve tiempo de hablar de hoy. 00:00:34.140 --> 00:00:40.780 Terminaré con un enlace a mi sitio web si la gente tiene curiosidad acerca de cómo 00:00:40.780 --> 00:00:44.130 otra cosa se podría acelerar otros aspectos de este tipo de análisis. 00:00:44.130 --> 00:00:45.340 Así que empecemos. 00:00:45.340 --> 00:00:52.630 Solo para dar un poco de contexto - aquí hay un marco para un flujo de trabajo de filogenia 00:00:52.630 --> 00:00:53.630 viral estándar. 00:00:53.630 --> 00:00:56.879 Y, sabes, antes de hablar de esto, la filogenia viral es muy importante para poder estudiar 00:00:56.879 --> 00:01:00.300 cómo el virus está mutando con el tiempo. 00:01:00.300 --> 00:01:02.739 ¿Cómo es, una especie de ramificación? 00:01:02.739 --> 00:01:06.710 ¿Cómo están relacionadas las diferentes muestras que recolectamos en todo el mundo? 00:01:06.710 --> 00:01:11.540 Hay un montón de usos en el mundo de la epidemiología molecular viral que están fuera del alcance 00:01:11.540 --> 00:01:15.229 de esta charla, pero generalmente, tener una filogenia inferida a partir de genomas virales 00:01:15.229 --> 00:01:16.229 es muy útil. 00:01:16.229 --> 00:01:20.439 Normalmente el flujo de trabajo comienza así cuando se empieza con un montón de secuencias 00:01:20.439 --> 00:01:22.850 virales sin alinear, que estoy mostrando aquí. 00:01:22.850 --> 00:01:29.270 El primer paso es por lo general la alineación de secuencias múltiples donde se trata de 00:01:29.270 --> 00:01:34.755 tipo de colocar estas lagunas en el tipo diferente de posiciones de cada una de las secuencias 00:01:34.755 --> 00:01:36.500 para conseguir que se alinean mejor. 00:01:36.500 --> 00:01:40.340 Esto te da una noción de homología de secuencias después de hacer esto. 00:01:40.340 --> 00:01:44.299 Luego, dada la alineación de secuencias múltiples, podemos realizar inferencia filogenética 00:01:44.299 --> 00:01:48.219 para tratar de inferir una relación evolutiva no enraizada entre estas secuencias. 00:01:48.219 --> 00:01:54.170 Luego, típicamente después de eso, hacemos lo que se llama enraizamiento para determinar 00:01:54.170 --> 00:01:56.780 cuál es el ancestro común más probable de todas las secuencias. 00:01:56.780 --> 00:02:01.360 Ese tipo de entonces nos dice cuál fue el avance en la historia evolutiva del tiempo 00:02:01.360 --> 00:02:02.360 de estas secuencias. 00:02:02.360 --> 00:02:05.469 Luego, tal vez haga algunos análisis adicionales. 00:02:05.469 --> 00:02:08.670 Tal vez haga un clúster de transmisión. 00:02:08.670 --> 00:02:13.900 Hay muchos otros análisis que puedes hacer sobre la filogenia y las secuencias. 00:02:13.900 --> 00:02:24.280 Pero este es el tipo de bloques de construcción de cómo hacer todos estos otros análisis. 00:02:24.280 --> 00:02:31.140 Así que típicamente estos pasos aquí son los cuellos de botella computacionales clave. 00:02:31.140 --> 00:02:35.300 La alineación de secuencias múltiples y luego la inferencia filogenética. 00:02:35.300 --> 00:02:44.099 En la charla de hoy, no voy a hablar de inferencia filogenética voy a estar acercándome a la 00:02:44.099 --> 00:02:45.390 alineación de secuencias múltiples. 00:02:45.390 --> 00:02:50.410 Así que, algún contexto - alineación de secuencias múltiples esto es lo que se llama 00:02:50.410 --> 00:02:52.030 un problema computacional NP-Complete. 00:02:52.030 --> 00:02:57.989 Lo que eso significa - hay un término muy técnico de informática - pero básicamente 00:02:57.989 --> 00:03:02.390 lo que esto significa es que no hay una solución exacta de tiempo polinomial. 00:03:02.390 --> 00:03:14.800 Básicamente me dio un montón de secuencias y me pidió que se me ocurriera la alineación 00:03:14.800 --> 00:03:16.159 óptima de secuencias múltiples. 00:03:16.159 --> 00:03:20.310 No hay manera de hacer esto en tiempo polinomial. 00:03:20.310 --> 00:03:22.580 Es muy muy lento. 00:03:22.580 --> 00:03:28.830 Heurística se han desarrollado para proporcionar optim- para proporcionar soluciones aproximadas. 00:03:28.830 --> 00:03:36.620 Por ejemplo, es posible que haya oído hablar de ClustalOmega, MUSCLE y MAFFT. 00:03:36.620 --> 00:03:42.700 Estas son algunas herramientas estándar que se utilizan en el espacio. 00:03:42.700 --> 00:03:47.450 Sin embargo, incluso estas heurísticas - generalmente escalan cuadráticamente con respecto al número 00:03:47.450 --> 00:03:48.450 de secuencias. 00:03:48.450 --> 00:03:57.769 Para el contexto, la base de datos GISAID, que es la base de datos donde la mayoría 00:03:57.769 --> 00:04:03.570 de la gente está almacenando sus genomas completos de SARS-CoV-2, esta base de datos 00:04:03.570 --> 00:04:08.670 está creciendo extremadamente rápidamente y a partir de hoy tenemos más de 15 millones 00:04:08.670 --> 00:04:11.210 de secuencias de SARS-CoV-2 disponibles de todo el mundo. 00:04:11.210 --> 00:04:15.620 La próxima epidemia será secuenciar genomas en tiempo real. 00:04:15.620 --> 00:04:19.590 Esta va a ser una herramienta que esperamos seguir utilizando en las epidemias virales 00:04:19.590 --> 00:04:20.590 por venir. 00:04:20.590 --> 00:04:25.759 Podemos esperar que esto sea aún más significativo de un problema de big data. 00:04:25.759 --> 00:04:29.320 Actualmente con estas herramientas como ClustalOmega, MAFFT y MUSCLE, estamos viendo tiempos de 00:04:29.320 --> 00:04:35.570 ejecución de décadas a siglos, que, ya sabes, por razones obvias, si estamos tratando de 00:04:35.570 --> 00:04:42.039 hacer análisis molecular en tiempo real, décadas o siglos es un poco demasiado lento. 00:04:42.039 --> 00:04:44.360 Entonces, ¿cómo podemos acelerar esto? 00:04:44.360 --> 00:04:51.229 Bueno, resulta que el problema es en realidad un poco más fácil de lo que estamos tratando 00:04:51.229 --> 00:04:52.229 de resolver. 00:04:52.229 --> 00:04:56.620 La alineación de secuencias múltiples, en general, es como asumir que no hay homología 00:04:56.620 --> 00:04:57.620 de las secuencias en absoluto. 00:04:57.620 --> 00:04:58.940 Este es el tiempo que lleva alinear secuencias completamente arbitrarias. 00:04:58.940 --> 00:05:09.180 Pero el SARS-CoV-2 y con los virus en general tenemos un problema mucho más simple, ¿verdad? 00:05:09.180 --> 00:05:11.630 Tenemos mucha homología de secuencias. 00:05:11.630 --> 00:05:18.479 Incluso si el virus está mutando, ya sabes, significativamente en todo el mundo, cada 00:05:18.479 --> 00:05:23.281 secuencia viral que obtenemos va a ser casi idéntica al gen de referencia. 00:05:23.281 --> 00:05:30.050 No va a ser exactamente idéntico, pero va a ser casi idéntico. 00:05:30.050 --> 00:05:37.509 Así que en realidad nos enfrentamos a un problema computacional mucho más simple que 00:05:37.509 --> 00:05:41.289 es la alineación de secuencias múltiples de secuencias muy similares. 00:05:41.289 --> 00:05:44.979 Entonces, ¿cómo podemos usar esa función para acelerar este análisis? 00:05:44.979 --> 00:05:50.060 Podemos hacer lo que se llama un enfoque de alineación a referencia. 00:05:50.060 --> 00:05:58.311 Así que en lugar de tratar de alinear todo con el otro a la vez, lo que podríamos hacer 00:05:58.311 --> 00:06:03.000 es alineaciones individuales en cuanto a pares contra una unidad de referencia. 00:06:03.000 --> 00:06:09.610 Así que en esta figura, la barra verde más gruesa en la parte superior representa la 00:06:09.610 --> 00:06:14.170 referencia a nuestro genoma de ámbito 2, y cada uno de estos otros genomas de color 00:06:14.170 --> 00:06:17.789 representa una secuencia que recojo del mundo real. 00:06:17.789 --> 00:06:21.930 Quiero alinear cada uno de estos con el genoma de referencia. 00:06:21.930 --> 00:06:23.280 Lo que podría hacer es uno por uno puedo alinear independientemente cada una de estas 00:06:23.280 --> 00:06:24.867 secuencias del genoma contra el genoma de referencia, que podría hacer cada uno de 00:06:24.867 --> 00:06:33.539 estos bastante rápido y puedo hacer una paralelización masiva porque cada una de estas alineaciones 00:06:33.539 --> 00:06:37.380 de pares a la referencia se puede hacer de forma completamente independiente. 00:06:37.380 --> 00:06:43.060 Puedo paralelizar sin embargo muchos núcleos mi computadora tiene, puedo lanzar que muchos 00:06:43.060 --> 00:06:45.030 en este problema. 00:06:45.030 --> 00:06:54.160 Luego, una vez que haya competido con todas esas líneas de emparejamiento a la referencia, 00:06:54.160 --> 00:07:00.139 podría usar el genoma de la llave - puedo usar sus anclajes, sus posiciones como anclajes 00:07:00.139 --> 00:07:04.220 para crear las columnas de mi línea de secuencia múltiple. 00:07:04.220 --> 00:07:10.729 Por ejemplo, tal vez empezaré con la primera posición del genoma de referencia y veré, 00:07:10.729 --> 00:07:17.650 bueno, en la secuencia roja esta es la letra que se alinea con esa posición. 00:07:17.650 --> 00:07:20.880 En la secuencia naranja, esta es la letra. 00:07:20.880 --> 00:07:23.949 En la secuencia rosa, esta es la letra. 00:07:23.949 --> 00:07:28.169 En la secuencia azul, esta es la letra. 00:07:28.169 --> 00:07:36.080 Y puedo combinar todas esas letras en una columna de mi alineación de secuencia múltiple. 00:07:36.080 --> 00:07:43.160 Y podría hacer lo mismo para la segunda posición de mi genoma de referencia, lo mismo para 00:07:43.160 --> 00:07:46.960 la tercera posición, cuarta posición, todo el camino. 00:07:46.960 --> 00:07:52.490 Y tipo de posición por posición puedo construir mi alineación de secuencia múltiple. 00:07:52.490 --> 00:07:58.820 Esta idea, esto es realmente bueno porque es masivamente paralelizable y se escala linealmente 00:07:58.820 --> 00:08:03.050 con el número de secuencias en lugar de cuadrática. 00:08:03.050 --> 00:08:06.569 Así que también tiene una escalabilidad mucho mejor. 00:08:06.569 --> 00:08:09.199 ¿Tenemos que implementar este enfoque desde cero? 00:08:09.199 --> 00:08:10.470 En realidad no. 00:08:10.470 --> 00:08:15.816 Resulta que si uno da un paso atrás y piensa en este problema, esto es realmente equivalente, 00:08:15.816 --> 00:08:16.911 en cierto sentido, al problema del mapeo de lectura larga. 00:08:16.911 --> 00:08:20.349 Demos un paso atrás y volvamos a pensar cuál es el problema que estamos abordando. 00:08:20.349 --> 00:08:28.419 Nuestra entrada es un genoma de referencia y un montón de secuencias largas que son 00:08:28.419 --> 00:08:30.990 muy similares al genoma de referencia. 00:08:30.990 --> 00:08:34.060 Nuestra salida es una alineación de cada una de esas secuencias contra el genoma de 00:08:34.060 --> 00:08:35.060 referencia. 00:08:35.060 --> 00:08:36.060 Este es exactamente el mismo problema computacional que la asignación de lecturas largas. 00:08:36.060 --> 00:08:37.450 En lugar de tener que reinventar la rueda, podríamos simplemente construir a partir 00:08:37.450 --> 00:08:38.551 de todas estas técnicas realmente avanzadas que la gente ha construido para resolver el 00:08:38.551 --> 00:08:42.479 problema del mapeo de lectura larga y simplemente aplicarlo a este contexto. 00:08:42.479 --> 00:08:44.940 Con ese objetivo, desarrollé una herramienta llamada ViralMSA y lo que hace es simplemente 00:08:44.940 --> 00:08:46.890 envolver los mapeadores de lectura largos existentes para realizar esta alineación 00:08:46.890 --> 00:08:48.400 de secuencias múltiples guiada por referencia. 00:08:48.400 --> 00:08:53.370 Trata cada uno de esos genomas que he recopilado como lecturas largas y trata el genoma de 00:08:53.370 --> 00:08:55.830 referencia como un genoma de referencia. 00:08:55.830 --> 00:09:02.540 Solo llama a ese mapeador de lectura - Me envuelvo contra algunos mapeadores de lectura 00:09:02.540 --> 00:09:08.450 diferentes solo para demostrar flexibilidad - pero principalmente sugiero que la gente 00:09:08.450 --> 00:09:10.190 use Minimap2 para la velocidad y la precisión. 00:09:10.190 --> 00:09:19.010 Luego, dados esos resultados de mapeo leídos, puedo entonces - o dados los resultados de 00:09:19.010 --> 00:09:23.810 mapeo - puedo simplemente compilarlos en una sola línea de secuencia múltiple. 00:09:23.810 --> 00:09:30.459 Así que todo lo que tienes que hacer para ejecutar ViralMSA es darle a ViralMSA un genoma 00:09:30.459 --> 00:09:33.110 de referencia y un montón de secuencias para alinear. 00:09:33.110 --> 00:09:37.690 Se encargará automáticamente de indexar el genoma de referencia, tal vez si le das 00:09:37.690 --> 00:09:42.890 un número accesorio se encargará de descargar e indexar el genoma de referencia. 00:09:42.890 --> 00:09:49.370 Se encargará de todo el pre-procesamiento y todas las cosas de downstream y solo saldrá 00:09:49.370 --> 00:09:55.610 - llamará al mapeador de lectura, fusionará los resultados en la alineación SQL múltiple, 00:09:55.610 --> 00:09:59.930 y solo generará un único archivo estándar que es tu alineación de secuencias múltiples. 00:09:59.930 --> 00:10:03.180 ¿Cómo funciona frente a las herramientas existentes? 00:10:03.180 --> 00:10:09.071 Hicimos un experimento de referencia en el que comparamos el tiempo de ejecución de 00:10:09.071 --> 00:10:14.910 ViralMSA alrededor de Minimap 2 en comparación con Virulign, que es un enfoque de alineación 00:10:14.910 --> 00:10:20.190 existente con referencia, pero que solo implementa su propia desde cero alineado con referencia. 00:10:20.190 --> 00:10:22.850 También comparamos con MAFFT, que se considera típicamente una de las herramientas de segmento 00:10:22.850 --> 00:10:24.089 múltiple más utilizadas. 00:10:24.089 --> 00:10:26.470 En este gráfico, en el eje horizontal tengo el número de secuencias. 00:10:26.470 --> 00:10:29.490 En el eje vertical tengo el tiempo total de ejecución en segundos. 00:10:29.490 --> 00:10:34.249 Esto se hizo en secuencias completas del genoma del SARS-CoV-2, por lo que la longitud del 00:10:34.249 --> 00:10:35.450 genoma es de aproximadamente 29.000. 00:10:35.450 --> 00:10:41.399 Como podemos ver, la línea azul, que es ViralMSA, es órdenes de magnitud más rápido que las 00:10:41.399 --> 00:10:42.399 herramientas existentes. 00:10:42.399 --> 00:10:44.709 En comparación con VIRULIGN, que también está escalando linealmente, estamos obteniendo 00:10:44.709 --> 00:10:48.190 - y por cierto, esta parcela es una parcela de escala de registro - así que en comparación 00:10:48.190 --> 00:10:49.190 con VIRULIGN, somos aproximadamente mil veces más rápidos. 00:10:49.190 --> 00:10:51.149 Y con MAFFT, no somos tan rápidos, pero se puede ver que debido a que MAFFT escala cuadrática, 00:10:51.149 --> 00:10:54.030 nuestra velocidad con respecto a MAFFT está aumentando a medida que avanza el tiempo. 00:10:54.030 --> 00:10:55.030 Incluso en solo mil secuencias. 00:10:55.030 --> 00:10:56.030 golpeamos aproximadamente mil veces más rápido y esa brecha aumenta. 00:10:56.030 --> 00:10:57.030 Ahora, pueden estar preguntándose, bien, bueno, rápido es bueno pero ¿cuál es el 00:10:57.030 --> 00:10:58.030 punto si no me da buenas alineaciones? 00:10:58.030 --> 00:10:59.030 También comparamos la precisión. 00:10:59.030 --> 00:11:00.930 Lo que hicimos fue tomar la alineación de secuencias múltiples calculada por MAFFT, 00:11:00.930 --> 00:11:02.819 tomar la alineación de secuencias múltiples calculada por ViralMSA en un montón de alineaciones 00:11:02.819 --> 00:11:05.209 curadas a mano del VIH, Ébola, y estoy en blanco en el tercer virus, pero básicamente 00:11:05.209 --> 00:11:10.590 tomamos virus que habíamos curado alineaciones de Los álamo- oh en realidad, no - esta trama 00:11:10.590 --> 00:11:11.590 es solo de HIV-1. 00:11:11.590 --> 00:11:13.660 Desde el Laboratorio Nacional de Los álamos tomamos sus alineaciones de secuencia múltiple 00:11:13.660 --> 00:11:16.300 y las usamos como verdad de tierra. 00:11:16.300 --> 00:11:17.488 Luego vimos cómo se mapea en ViralMSA comparar contra la tierra verdad comisariada alineación 00:11:17.488 --> 00:11:18.488 de secuencias múltiples. 00:11:18.488 --> 00:11:20.209 Si calculamos las distancias de emparejamiento de las secuencias que obtenemos en nuestra 00:11:20.209 --> 00:11:24.899 alineación, y luego hacemos una prueba de manto para la precisión - encontramos la 00:11:24.899 --> 00:11:27.100 correlación entre nuestras distancias de emparejamiento, y el emparejamiento se calcula 00:11:27.100 --> 00:11:29.120 directamente desde la verdadera alineación de secuencias múltiples, vemos que la correlación 00:11:29.120 --> 00:11:30.120 es insignificantemente diferente. 00:11:30.120 --> 00:11:32.850 Aquí, ya sabes, obtenemos un coeficiente de correlación como 0.994 para el MSA viral 00:11:32.850 --> 00:11:35.440 en comparación con 0.997 para el cálculo de distancia por pares. 00:11:35.440 --> 00:11:36.440 En realidad, cuando calculamos las filogenias, las filogenias inferidas utilizando los elementos 00:11:36.440 --> 00:11:41.180 de secuencia múltiple ViralMSA son en realidad ligeramente más alta precisión topológica 00:11:41.180 --> 00:11:43.800 que los estimados a partir de MAFFT. 00:11:43.800 --> 00:11:48.820 Así que, insignificantemente, pero aún así lo que estamos mostrando es que estos son 00:11:48.820 --> 00:11:52.910 esencialmente equivalentes en términos de precisión para todos los efectos. 00:11:52.910 --> 00:11:56.269 La conclusión - ViralMSA es una herramienta que permite la rápida alineación de secuencias 00:11:56.269 --> 00:11:59.430 múltiples de ultra grandes conjuntos de datos virales. 00:11:59.430 --> 00:12:05.960 Es de código abierto, puedes encontrarlo en GitHub, y ya sabes, por favor considera 00:12:05.960 --> 00:12:07.970 usarlo en tus análisis virales. 00:12:07.970 --> 00:12:13.450 Y agradecimientos - Quiero agradecer a Heng Li, él es el desarrollador de Minimap2 y 00:12:13.450 --> 00:12:15.139 es realmente su experiencia en el desarrollo de Minimap2 que permite la velocidad y el 00:12:15.139 --> 00:12:16.139 rendimiento de ViralMSA. 00:12:16.139 --> 00:12:17.760 Quiero agradecer a la NSF por la subvención que apoya este proyecto. 00:12:17.760 --> 00:12:19.490 Y la investigación también fue apoyada mediante créditos de investigación de la plataforma 00:12:19.490 --> 00:12:20.490 Google Cloud. 00:12:20.490 --> 00:12:23.610 Así que voy a ahorrar tiempo para cualquier pregunta o estoy feliz de terminar aquí.