Новый мощный метод для анализа микробиома
Ученые из Медицинской школы Икан на горе Синай, компании Sema4 и других институтов разработали более точный метод идентификации отдельных видов и штаммов микробов в сообществе. Метод имеет важное значение для анализа микробиома с потенциальным долгосрочным применением в клинической практике. Работа опубликована в Nature Biotechnology.
Микробиомы — это сообщества бактерий, вирусов и других микробов. Нарушение естественного микробиома связано с различными заболеваниями. Успешный анализ зависит от возможности идентифицировать отдельные виды и штаммы.
Большинство существующих методов обеспечивают недостаточное разрешение и неэффективны для характеристики мобильных генетических элементов (MGE), которые могут перемещаться между видами бактерий.
В новой работе ученые впервые использовали технологию Single Molecule, Real-Time Sequencing и новые вычислительные инструменты для классификации микробов, анализируя как их генетический код, так и паттерны метилирования ДНК — второй код, регулирующий активность генов. Этот подход с использованием длинных ридов оказался точнее стандартных протоколов (например, 16S секвенирования или секвенирования короткими ридами), исправляя ошибки в идентификации. Ключевое преимущество — метод позволяет связать мобильные генетические элементы с их бактериальными хозяевами, что помогает точнее предсказывать вирулентность, устойчивость к антибиотикам и другие важные признаки.
«Мы обнаружили, что паттерны метилирования ДНК можно использовать как высокоинформативные естественные штрих-коды, чтобы различать виды микробов, связывать MGE с геномами хозяев и проводить более точный анализ микробиома», — сказал Ганг Фанг, старший автор статьи.
В пилотных проектах метод позволил различать даже близкородственные виды и штаммы бактерий. Метод был проверен на сообществах низкой и средней сложности. В настоящее время команда разрабатывает более продвинутые технологии для анализа высокосложных сообществ, например, экологических микробиомов.
«Этот проект демонстрирует мощь совместного анализа многих типов данных для получения информации, недоступной более простым подходам», — отметил Эрик Шац, соавтор работы.