LolliPop: un método computacional para la deconcvolución de variantes de COVID-19 en aguas residuales

Área de la Ciencia:

• Microbiología ambiental
• Biología computacional
• Epidemiología

Sus antecedentes:

• La epidemiología basada en aguas residuales (WBE) es una herramienta clave para la vigilancia de patógenos, ofreciendo ventajas sobre los métodos clínicos.
• WBE proporciona estimaciones imparciales y detección temprana de cargas virales y brotes de variantes.
• Existen desafíos computacionales en el análisis de datos de WBE, particularmente para la deconcvolución de variantes.

Objetivo del estudio:

• Desarrollar un método computacional para estimar las abundancias relativas de variantes genómicas en muestras mixtas de aguas residuales.
• Abordar el problema de la deconcvolución de variantes utilizando datos de secuenciación de próxima generación de aguas residuales.

Principales métodos:

• Introducción de LolliPop, un nuevo método computacional para la deconcvolución de variantes.
• Aplicación de regularización temporal (penalización de cresta fusionada) adaptada a datos de secuenciación de series temporales de aguas residuales.
• Utilización de bootstrap y desarrollo de errores estándar analíticos para intervalos de confianza.

Principales resultados:

• LolliPop estima eficazmente las abundancias de variantes a partir de datos de secuenciación de aguas residuales.
• La regularización temporal mejora la robustez a altos niveles de datos faltantes comunes en muestras de aguas residuales.
• Los errores estándar analíticos proporcionan intervalos de confianza similares a los de bootstrap a un menor costo computacional.

Conclusiones:

• LolliPop es una herramienta computacional robusta para la deconcvolución de variantes en la vigilancia de aguas residuales.
• El método mejora la fiabilidad y eficiencia del análisis de datos de secuenciación de aguas residuales.
• LolliPop se puede aplicar a datos de vigilancia del mundo real, como se demostró con datos de aguas residuales suizas.