Portal InstitucionalUFPEL

28/01/2021 - 30/04/2023

Ciências Biológicas

O sequenciamento de DNA de nova geração permitiu um aumento expressivo na velocidade para obtenção de grandes volumes de dados genômicos, bem como de outras áreas das ciências ômicas, como transcriptômica e metagenômica. A metagenômica, também chamada “genômica ambiental”, consiste na análise em larga de escala de dados derivados de sequenciamento de DNA de amostras complexas (metagenoma), que muitas vezes apresentam uma grande variedade de microorganismo. Após a obtenção dos dados em um estudo de metagenoma é necessário se atribuir cada sequência identificada à uma determinada unidade taxonômica operacional, que pode ser um gênero, espécie ou mesmo sub-espécie que compartilha um determinado grau de similaridade de sequência . Este processo é denominado binning, e muitas das abordagens utilizam métodos de de alinhamento ou mapeamento de leituras como base, como BLAST, USEARCH ou Diamond, sendo necessária a comparação de cada leitura produzido durante a etapa de sequenciamento contra um banco de dados de sequências de genes, proteínas ou genomas completos, o que torna o processo computacionalmente intensivo. Exemplo de abordagem que utilizam este tipo de metodologia incluem MEGAN e MG-RAST. De modo a reduzir o custo computacional, estratégias que não utilizam alinhamento de sequência (alignment-free) vem sendo desenvolvidas, tanto para o processo de binning quanto para a classificação de amostras completas. Mais recentemente, a utilização de métodos baseados em aprendizagem profunda (deep learning), muitas vezes baseados em redes neurais recorrentes ou com estruturas convolucionais, também bem sendo empregadas em comparações de sequências. A ferramenta Seeker, por exemplo, utilizada a arquitetura de memória de longo-curto prazo (long-short term memory, LSTM), uma variação de RNN, para classificação de leituras de metagenoma de modo a discriminar sequências derivadas de bacteriófagos. Por conta disso, avanços recentes na área de RNN, como as arquiteturas baseadas em “atenção”, cuja performance vem se demonstrando superior ao LSTM para classificação de texto, podem ser também possíveis candidatas no desenvolvimento de novas soluções alignment-free para dados metagenômicos. No contexto da pandemia de COVID19, quando Fongaro et al reportaram a presença de SARS-Cov2, agente etiológico da doença, em águas de esgoto coletadas no estado de Santa Catarina em Novembro de 2019, antes dos primeiros casos da doença serem oficialmente reportados na China, país onde a pandemia se iniciou. O monitoramento de água de esgoto para coronavirus, bem como outros doenças, vem sendo discutido em outros países, como os Estados Unidos, onde o Center for Disease Control (CDC) tem iniciado iniciativas como o National Wastewater Surveillance System (https://www.cdc.gov/coronavirus/2019-ncov/cases-updates/wastewater-surveillance.html). A utilização de técnicas de metagenômica para a análise em larga escala de microorganismos presentes em amostras de esgoto para fins de vigilância epidemiológica vem sendo discutida, sobretudo tendo em vista as possibilidades na detecção de vírus e genes de resistẽncia à antibióticos , possibilitando assim maior agilidade na detecção de surtos.