II. 3. Shotgun metagenomika – a teljesebb kép, de nem a teljes igazság

A shotgun metagenomika a minta teljes DNS-ét olvassa, így gazdagabb képet ad — de az értelmezési bizonytalanságok nem tűnnek el, csak áthelyeződnek.

A shotgun metagenomika nem egy adott gén, hanem a minta teljes DNS-tartalmának szekvenálása. Ez elvileg lehetővé teszi a baktériumok, vírusok, gombák, archeák és a gazdaszervezet DNS-ének együttes azonosítását, sőt a funkcionális gének – anyagcsere-útvonalak, antibiotikum-rezisztencia gének – térképezését is [19]. A technológia valóban lenyűgöző [3], [2].

A shotgun metagenomika ugyanezt az ezer szétdobott LEGO-készletet nem egy jellegzetes elemük alapján próbálja azonosítani, hanem minden egyes darabot lefotóz és megmér. Elvileg tehát sokkal több információ áll rendelkezésre. A probléma az, hogy a fényképek egy részén emberi ujjlenyomatok és a padló mintázata is rajta van (gazdaszervezeti DNS), a fotók minősége a fényképezőgép beállításától függ (DNS-kivonási protokoll), és a képfelismerő szoftver cserélésével ugyanazokból a fotókból teljesen más azonosítási eredmény születik (bioinformatikai pipeline). A részletgazdagabb kép tehát valóban gazdagabb – de az értelmezési bizonytalanságok nem tűnnek el, csak áthelyeződnek.

Korlátai azonban nem kevésbé figyelemreméltók:

• DNS-kivonási protokoll döntő hatása: Ugyanazt a mintát 21 különböző módszerrel vizsgálva a kutatók teljesen eltérő mikrobaképet kaptak. A kivonási eljárás önmagában meghatározza az eredményt – mielőtt egyetlen szekvenálási lépés megtörtént volna [19].
• Gazdaszervezeti DNS-túlsúly: A székletes mintákban az emberi sejtek DNS-e sok esetben elnyomja a mikrobák jelét. A ritka baktériumtörzsek így láthatatlanok maradnak, kivéve ha speciális „gazdaszervezeti DNS-depléciós" lépéseket alkalmaznak – amelyek azonban újabb torzításokat hozhatnak [21].
• Bioinformatikai pipeline sorsdöntő szerepe: Ugyanazt a nyers szekvenálási adatot különböző szoftverekkel (MetaPhlAn, Kraken, DIAMOND, stb.) feldolgozva teljesen eltérő taxonómiai és funkcionális profilokat kapunk. A CAMI (Critical Assessment of Metagenome Interpretation) nemzetközi összehasonlító vizsgálat szerint a pipeline-választás erősebben befolyásolja az eredményt, mint maga a biológiai különbség a minták között [22].
• Funkcionális gének jelenléte ≠ funkció: A shotgun megmutatja, hogy egy adott anyagcsere-gén jelen van-e a mintában – de nem azt, hogy az a gén aktív-e, kifejeződik-e, és valóban az adott folyamatot végzi-e a bélben. A gén jelenlétéből a funkcionális aktivitásra következtetni csak közvetett úton lehetséges.
• Magas költség, lassú eredmény: A teljes metagenomikai elemzés lényegesen drágább és időigényesebb, mint a 16S vizsgálat, ami klinikai monitorozási célra kevésbé alkalmas.

Az értékelő algoritmusok: interpoláció és hallucinálás

A shotgun metagenomika esetén az algoritmikus bizonytalanság egy fokkal összetettebb, mivel nem csak az összetétel meghatározásáról, hanem a funkcionális annotációról is szó van [19], [22]. A szoftver (pl. MetaPhlAn, Kraken, HUMAnN) a nyers szekvenálási adatokból taxonómiai és funkcionális profilokat állít elő – de mindkét lépésben jellemzők az interpolációs és hallucinációs hibák.

A taxonómiai szinten az interpoláció azt jelenti, hogy az ismeretlen genomtöredéket a program a legközelebbi ismert genomhoz illeszti, és arra a fajra attribuálja. Ha az adatbázis hiányos – márpedig a bélmikrobiom jelentős része még mindig referencia-szekvencia nélkül van –, a program becslése és nem mérése alapján rendeli hozzá a szekvenciát egy taxonhoz. A funkcionális annotáció során hasonló logikával: ha egy géntöredék 60–70%-os hasonlóságot mutat egy ismert anyagcsere-génnel, a szoftver annak funkcionáját rendeli hozzá – miközben 30–40%-os eltérés esetén a tényleges biokémiai aktivitás teljesen más lehet.

A shotgun-specifikus hallucinálás különösen a ritka taxonok és a gazdaszervezeti DNS-szennyeződés találkozásánál fordul elő: az emberi DNS töredékei néha baktérium-szekvenciaként kerülnek azonosításra, ha a referencia-adatbázis illesztési algoritmusa nem szűri ki megfelelően. A CAMI összehasonlító vizsgálatban ez azt eredményezte, hogy különböző pipeline-ok egymás eredményeivel akár 50%-ban is ellentmondó faj-azonosításokat adtak ugyanabból a mintából.

Árukategória (2024-es piaci adatok alapján): 200.000–400.000+ Ft. Elvégzési idő: 4–8 hét. Klinikai döntési következmény: a 16S-hez hasonlóan jelenleg korlátozott; kutatási és specifikus klinikai indikációkban (pl. antibiotikum-rezisztencia gének szűrése) értékes.

Mit jelent mindez a beteg számára?

A shotgun metagenomika vonzó ígérete a teljesség: nem csak azt mutatja meg, kik vannak jelen, hanem elvileg azt is, milyen funkcionális képességekkel rendelkeznek [19], [22]. Ez kétségkívül egy szinttel mélyebb betekintés a 16S amplikon-szekvenálásnál. A valóságban azonban a részletgazdagabb adat ugyanolyan értelmezési nehézségeket hoz magával – sőt, néhányat fokoz.

A legnagyobb félreértés a shotgun vizsgálattal kapcsolatban az, hogy az adatok gazdagsága magában foglal klinikai egyértelműséget is. Nem foglalja [19], [22]. Egy anyagcsere-gén jelenléte a bélmikrobiomban csupán annyit jelent, hogy a gén ott van – nem azt, hogy aktív, nem azt, hogy elegendő mennyiségben fejeződik ki, és nem azt, hogy a termelt metabolit klinikusan releváns mennyiségben jut el a szövetekbe. A „gén → fehérje → funkció → klinikai hatás" láncolatnak minden lépése megköveteli a saját mérési módszerét.

Ráadásul a shotgun vizsgálat 200–400.000+ forintos ára azt a várakozást keltheti, hogy az eredmény pontosabb vagy megbízhatóbb választ ad az FMT vagy más beavatkozás várható sikerére. Ez jelenleg nem megalapozott várakozás [19], [22]. Az ár a technológia komplexitását tükrözi – nem a klinikai döntéstámogatás minőségét.

Ahol a shotgun valódi előnnyel rendelkezik a 16S-hez képest: specifikus, előre meghatározott klinikai kérdések esetén. Például antibiotikum-rezisztencia gének azonosítása kórházi fertőzés gyanújakor, vagy virális és gombás közösségek vizsgálata immunhiányos betegekben – ezek olyan indikációk, ahol a teljes DNS-tartalom ismerete valódi terápiás következménnyel jár. FMT-szelekció vagy általános diszbiózis-diagnózis céljára azonban jelenleg nem rendelkezik igazolt, 16S-t meghaladó klinikai hasznosságával [19], [22].

Shotgun metagenomika — négy módszertani buktató

A shotgun metagenomika a teljes DNS-tartalom szekvenálásával átfogóbb képet ad, mint a 16S, de saját, jól dokumentált korlátai vannak:

1. A mintaelőkészítés erősen torzít. Costea és munkatársai 2017-es nagy összehasonlító vizsgálatában ugyanazon székletmintákat 21 különböző extrakciós protokollal dolgozták fel, és teljesen eltérő mikrobaképet kaptak — már a kivonási módszer önmagában meghatározza a végeredményt [19]. Ez ipari standard nélkül a vizsgálatok közötti összehasonlítást gyakorlatilag lehetetlenné teszi.

2. Túl sok emberi (gazda-)DNS a mintában. Különösen szövet- vagy bőrmintáknál a humán DNS arányában elnyomja a mikrobiális jelet. Ennek kezelésére kémiai gazda-DNS-leürítő lépéseket alkalmaznak, de ezek új torzításokat vihetnek be [476]. Bélminta esetén ez kisebb gond, de nem zéró — főleg nyálkahártya-érzékeny állapotokban (pl. aktív IBD).

3. A bioinformatikai pipeline-választás sorsdöntő. A CAMI (Critical Assessment of Metagenome Interpretation) nemzetközi benchmark-projekt szisztematikusan kimutatta: ugyanazon nyers adatból különböző szoftverek (MetaPhlAn, Kraken, MEGAHIT, mOTUs stb.) különböző mikrobiom-portrékat építenek fel. A pipeline-választás erősebben befolyásolja a kimenetet, mint maga a biológiai különbség a minták között [22].

4. Általános, módszerfüggő torzítás. McLaren és munkatársai 2019-es eLife közleménye átfogóan dokumentálja: a mikrobiom-mérésekben rendszeresen megjelennek olyan szisztematikus, módszerfüggő torzítások, amelyek miatt különböző protokollok eredményei közvetlenül nem hasonlíthatók össze korrekciós eljárás nélkül [21]. Egyazon beteg két különböző laborban végzett shotgun-vizsgálata nem feltétlenül ugyanarra a következtetésre vezet.

A klinikai üzenet azonos a 16S-éhez: a shotgun metagenomika is csak ugyanazon mintavételi módszer, labor és értékelési algoritmus mellett alkalmas longitudinális követésre.

Hivatkozások

[2] Qin J, Li R, Raes J et al. A human gut microbial gene catalogue established by metagenomic sequencing. Nature. 2010. Link

124 európai egyén székletmintáiból végzett Illumina-alapú metagenomikai szekvenálás (576,7 Gb szekvencia) 3,3 millió nem-redundáns mikrobiális gén katalógusát eredményezte, amely körülbelül 150-szer nagyobb az emberi génkészletnél. A gének nagyrészt közösek voltak az egyének között, és több mint 99\%-uk bakteriális eredetű. A kohorsz becsült 1 000–1 150 prevalens baktériumfajt hordozott, egyénenként legalább 160 fajjal. A tanulmány meghatározza a minimális bélmetagenomot és a minimális bélbaktérium-genomot az összes egyénben jelenlévő funkciók alapján. Az eredmények alapvető referenciát adnak az emberi bélmikrobiota genetikai potenciáljához.

[3] Turnbaugh PJ, Ley RE, Hamady M, Fraser-Liggett CM, Knight R, Gordon JI. The Human Microbiome Project. Nature. 2007. Link

Stratégiai keret, amely a Human Microbiome Project megközelítését vázolja az emberi genetikai és metabolikus táj mikrobiális komponenseinek jellemzésére. A kezdeményezés célja annak megállapítása, hogy a mikrobiota hogyan járul hozzá a normál fiziológiához és a betegségekre való hajlamhoz. Alapvető programadó dokumentum a nagyléptékű, populációszintű mikrobiomkutatáshoz.

[19] Costea PI, Zeller G, Sunagawa S et al. Towards Standards for Human Fecal Sample Processing in Metagenomic Studies. Nature Biotechnology. 2017. Link

21 reprezentatív DNS-kivonási protokollt teszteltek azonos székletmintákon, és összevetették a könyvtárkészítés és tárolás hatásaival a biológiai egyénen belüli variációval. A DNS-kivonás bizonyult a legnagyobb technikai hatású tényezőnek a metagenomikai eredményekben. A protokollokat DNS-mennyiség, -minőség, közösségi diverzitás-torzítások és Gram-pozitív/Gram-negatív arány alapján rangsorolták. A szerzők egy standardizált, laboratóriumok közötti átvihetőséggel validált DNS-kivonási módszert javasolnak, amelyet ismert összetételű mock-közösséggel ellenőriztek emberi széklet-metagenomikához.

[21] McLaren MR, Willis AD, Callahan BJ. Consistent and Correctable Bias in Metagenomic Sequencing Experiments. eLife. 2019. Link

A marker-gén és metagenomikai szekvenálási mérések szisztematikusan torzítanak bizonyos taxonok detektálása felé, ami a különböző protokollokkal mért taxon-abundanciákat mennyiségileg összehasonlíthatatlanná és hibás biológiai következtetésekre hajlamossá teszi. A szerzők egy valós kísérleti tulajdonságokon alapuló matematikai modellt javasolnak a torzítás leírására, és definiált baktériumközösségekből származó 16S rRNS- és shotgun-metagenomikai adatokkal validálják. A modell jobban illeszkedik a kísérleti adatokra, mint a korábbi, bonyolultabb keretrendszerek, és utat kínál a torzítás korrekciójára.

[22] Sczyrba A, Hofmann P, Belmann P et al. Critical Assessment of Metagenome Interpretation -- A Benchmark of Metagenomics Software. Nature Methods. 2017. Link

A Critical Assessment of Metagenome Interpretation (CAMI) kihívás metagenomikai szoftvereket hasonlított össze ~700 újonnan szekvenált mikroorganizmusból és ~600 új vírusból és plazmidból álló, rendkívül komplex realisztikus adatkészleteken. Az assembly és binning jól teljesített egyedi genomokkal reprezentált fajoknál, de jelentősen romlott közelrokon törzsek jelenlétében. A taxonómiai profilozás és binning magas taxonómiai szinteken volt megbízható, családi szint alatt markáns teljesítményesés volt. A paraméterbeállítások erősen befolyásolták a teljesítményt, kiemelve a reprodukálhatóság jelentőségét. A CAMI útmutatást ad a szoftverválasztáshoz.

[476] Marotz CA, Sanders JG, Zuniga C et al. Improving Saliva Shotgun Metagenomics by Chemical Host DNA Depletion. Microbiome. 2018. Link

Gazdaszervezet-dominált orális minták shotgun metagenomikai szekvenálásának optimalizálására három kereskedelmi host-depletion kitet, méretszűrést és egy új ozmotikus lízis + propidium-monoazid (lyPMA) eljárást hasonlítottak össze humán nyálmintákon. A lyPMA bizonyult a leghatékonyabbnak: a gazda-DNS arány 89,29 ± 0,03%-ról 8,53 ± 0,10%-ra csökkent. Emellett a lyPMA-kezelt minták mutatták a legkisebb taxonómiai torzítást a kezeletlen kontrollhoz képest. A módszer javasolt a mikrobiális DNS dúsítására gazdadús orális mintákból metagenomikai vizsgálatokban.