Dans une étude récente publiée dans Communications naturelles, un groupe de chercheurs a évalué la prévalence de la co-infection et de la recombinaison intra-hôte dans plus de 2 millions de cas mondiaux de coronavirus 2 du syndrome respiratoire aigu sévère (SRAS-CoV-2) et a développé des stratégies pour une identification et une analyse précises des souches recombinantes.
Arrière-plan
Le virus SARS-CoV-2, connu pour son taux de mutation élevé, a conduit à l’émergence de nombreuses variantes depuis le début de la pandémie de maladie à coronavirus 2019 (COVID-19). La co-infection, dans laquelle un individu est infecté simultanément par plusieurs variants, est de plus en plus observée, avec un taux d’occurrence estimé entre 0,2 et 0,6 % environ. Ces co-infections, de gravité variable, ont été identifiées à l’échelle mondiale, y compris dans les cas bénins.
Les tendances récentes montrent la prédominance des lignées recombinantes, comme les variantes Omicron XBB, suggérant des co-infections fréquentes. Des recherches plus approfondies sont essentielles pour mieux comprendre la dynamique des co-infections et des recombinaisons du SRAS-CoV-2, ce qui pourrait avoir des implications significatives pour les stratégies de santé publique et le développement de vaccins.
À propos de l’étude
Dans l’étude, la base de données CoVEO a été utilisée pour le préfiltrage et la sélection initiale des échantillons de co-infection. Cette base de données PostgreSQL stocke les données mutationnelles des échantillons de séquençage du SRAS-CoV-2 téléchargés sur le portail de données européen COVID-19.
Pour un filtrage de qualité, parmi les 3 093 454 échantillons d’hôtes humains de la base de données CoVEO, ceux dont le nombre total de bases est inférieur à 100 000 ou dont la profondeur de séquençage est insuffisante ont été exclus. Cela a laissé 2 172 927 échantillons, qui ont ensuite été examinés à la recherche de mutations déterminantes uniques des variantes virales du SRAS-CoV-2. Contrairement aux listes précompilées, cette étude a utilisé une approche plus raffinée, utilisant un tableau de marqueurs pour identifier les mutations fortement indicatives de souches spécifiques.
L’identification des échantillons candidats de co-infection était basée sur la détection d’au moins 50 % des mutations uniques définissant les variantes provenant d’au moins deux souches différentes. Aucun filtrage allèle-fréquence n’a été appliqué à ce stade, permettant la reconnaissance de souches variantes, même mineures. Ce processus a donné 29 666 échantillons potentiels de co-infection.
La sélection finale des échantillons de co-infection impliquait le filtrage des candidats porteurs d’une proportion significative de ces mutations mutuellement exclusives. Un seuil strict garantissait que seuls les échantillons présentant une représentation génomique complète des variantes étaient inclus, ce qui aboutissait à 7 700 échantillons de co-infection.
L’étude a également comparé les dates de collecte de ces échantillons avec la prévalence de différentes variantes pour valider leur occurrence naturelle. De plus, la distribution des échantillons de co-infection a été examinée dans diverses études et emplacements afin d’identifier une contamination potentielle en laboratoire.
En explorant la diversité génétique, des mesures telles que le nombre de variantes concurrentes, l’entropie de l’information et la diversité génétique cumulée ont été utilisées. Ces mesures ont été corrélées aux taux de co-infection, fournissant ainsi des informations sur l’association entre la diversité virale et les co-infections.
Pour détecter les recombinants intra-hôte, l’étude a utilisé deux méthodologies distinctes. Premièrement, un pipeline a été développé pour identifier des échantillons recombinants potentiels sur la base des changements dans les fréquences alléliques (AF) lors de la définition des mutations. Cela impliquait de corriger les biais systématiques des AF et de calculer des rapports de cotes pour distinguer les échantillons avec et sans points d’arrêt potentiels. Cette analyse, axée sur des échantillons de co-infection avec exactement deux souches variantes, visait à détecter des changements dans les AF qui pourraient indiquer des événements de recombinaison.
L’étude a utilisé une approche indépendante en examinant de courtes lectures à partir des données de séquençage. Cela impliquait de rechercher des lectures qui chevauchaient les mutations définissant les deux souches parentales dans un échantillon. Les lectures ont été rigoureusement filtrées pour en déterminer la qualité, et celles portant les deux ensembles de mutations ont été considérées comme indicatives d’une recombinaison.
L’analyse a identifié des positions génomiques présentant des preuves suffisantes de recombinaison dans plusieurs échantillons comme points chauds potentiels de recombinaison. Ces régions ont ensuite été comparées aux points d’arrêt de recombinaison connus dans d’autres bases de données pour corroborer les résultats. De plus, les lectures recombinantes ont été examinées à la recherche de traces d’acide ribonucléique (ARN) sous-génomique, validant ainsi leur origine.
Résultats de l’étude
Dans la base de données CoVEO, les échantillons de co-infection ont été déterminés sur la base de la présence d’une proportion significative de mutations définissant des variantes mutuellement exclusives provenant d’au moins deux souches virales différentes. Le nombre d’échantillons de co-infection identifiés variait en fonction du seuil fixé pour ces mutations. Un seuil strict de 80 % a conduit à l’identification de 7 700 échantillons de co-infection provenant de plus de 2,1 millions d’échantillons d’hôtes humains de bonne qualité, reflétant un taux de co-infection de 0,35 %. Ce taux s’aligne sur les études précédentes.
Les co-infections les plus courantes impliquaient des combinaisons de Delta et Omicron (BA.1), Alpha et Iota et d’autres variantes. La prévalence de la co-infection correspondait au nombre d’échantillons attribués à chaque variante dans la base de données, ce qui suggère une corrélation avec la répartition géographique et temporelle des variantes.
Pour garantir la fiabilité de ces résultats, l’étude a également examiné la possibilité d’une contamination en laboratoire. Bien que certaines études aient montré des taux de co-infection supérieurs à la moyenne, la méthode de détection rigoureuse utilisée dans cette étude suggère que le taux de co-infection de 0,35 % est une estimation prudente. La répartition des échantillons de co-infection dans diverses études a réduit la probabilité qu’une contamination influence les résultats globaux.
Géographiquement, les échantillons de co-infection ont été répartis de manière assez uniforme, bien que des variations dues à différentes capacités et stratégies de séquençage aient été notées. Par exemple, la France a montré une prévalence plus élevée, mais cela a été influencé par un nombre total d’échantillons plus faible et des études spécifiques axées sur les co-infections. Dans les pays disposant d’un plus grand nombre d’échantillons, les taux de co-infection variaient, soulignant la nécessité d’une surveillance mondiale systématique. La chronologie des cas de co-infection dans les pays disposant de plus de 1 000 échantillons de bonne qualité a indiqué que les co-infections étaient plus probables lorsque plusieurs variants circulaient simultanément.
L’étude a également étudié la présence d’une recombinaison intra-hôte dans des échantillons de co-infection en examinant les changements dans l’Afs des mutations déterminantes. Cependant, le biais des amorces de la réaction en chaîne par polymérase (PCR) affectait souvent la précision des Afs mesurés. Malgré cela, l’analyse a identifié 13 échantillons recombinants potentiels, provenant principalement de co-infections Delta – Omicron (BA.1). Certains échantillons issus d’études avec des mélanges artificiels de variants ont également été identifiés comme recombinants, ce qui a soulevé des questions sur la méthodologie de détection.
Une autre méthode consistait à examiner les données brutes de séquençage pour les lectures portant des mutations provenant de plusieurs souches. Une corrélation significative a été trouvée entre la densité de ces mutations et la présence de lectures superposées. Les régions du génome qui présentaient des signes de recombinaison ne correspondaient pas toujours à celles identifiées dans d’autres bases de données.
En étudiant des échantillons non artificiels, certaines régions génomiques ont été identifiées comme des points chauds potentiels de recombinaison, en particulier au sein des gènes S et M des co-infections Delta – Omicron (BA.1). Cependant, dans les 13 échantillons initialement signalés pour une recombinaison potentielle, aucune preuve concluante de lectures recombinantes aux points d’arrêt présumés n’a été trouvée, soulignant la complexité et les défis liés à la détection de la recombinaison intra-hôte dans le SRAS-CoV-2.
La répartition géographique des cas de co-infection, bien que globalement cohérente, a montré des variations influencées par les stratégies locales d’échantillonnage et les capacités de séquençage. Cette inégalité souligne l’importance d’une surveillance continue et systématique à l’échelle mondiale pour capturer avec précision la dynamique des co-infections virales.
En étudiant les recombinaisons intra-hôtes, l’étude a exploré les complexités des distributions AF et l’analyse des données brutes de séquençage. L’identification de recombinants potentiels, en particulier dans des échantillons impliquant des combinaisons de variantes courantes comme Delta et Omicron, fournit des informations fascinantes.
En fin de compte, l’approche de l’étude consistant à analyser plus de 2 millions d’échantillons pour les co-infections et les recombinants du virus SARS-CoV-2 offre un cadre robuste qui équilibre les critères de détection stricts avec les défis pratiques de l’analyse des données génomiques à grande échelle.
