Dans une étude récente publiée dans PLoS ONEles chercheurs ont découvert des caractéristiques génomiques distinctes des variantes Delta et Omicron du coronavirus du syndrome respiratoire aigu sévère 2 (SRAS-CoV-2).
Comprendre le SRAS-CoV-2, l’agent pathogène causal de la pandémie de maladie à coronavirus 2019 (COVID-19), reste difficile. Il a été suggéré que le génome du SRAS-CoV-2 pourrait s’être formé en raison de la recombinaison de génomes proches de ceux des coronavirus de chauve-souris et de pangolin (CoV). Il est essentiel d’enquêter sur l’origine du SRAS-CoV-2 pour prévenir l’apparition de pandémies à l’avenir.
Les variantes SARS-CoV-2 Delta et Omicron présentent des mutations communes et uniques dans la protéine de pointe. Auparavant, les auteurs décrivaient GenomeBits [a statistical algorithm that maps nucleotide bases into a finite alternating sum series of distributed terms of binary values (0, 1)] et a révélé des modèles génomiques distincts pour les variantes SARS-CoV-2 Alpha, Beta, Gamma, Epsilon et Eta.
L’étude et les conclusions
Dans la présente étude, les chercheurs ont appliqué la méthode GenomeBits pour découvrir les modèles distinctifs des séquences génomiques SARS-CoV-2 Delta et Omicron. Les données de séquence génomique ont été obtenues à partir du référentiel de l’initiative mondiale sur le partage des données sur la grippe aviaire (GISAID). Dans les diagrammes de similarité générés à l’aide de l’algorithme de Waterman-Eggert avec le logiciel d’alignement lalign36, les auteurs ont observé un écart plus important de la variante Omicron (B.1.1.529) que la variante Delta (AY.4.2) par rapport au SARS-CoV-2 ancestral (Wuhan -Hu-1) séquences.
Les séquences de la variante Delta d’Espagne présentaient des déviations plus importantes lorsqu’elles étaient interrogées par rapport aux séquences Omicron d’Espagne. Des variations similaires ont été notées avec les séquences Delta des États-Unis (US) par rapport aux séquences Omicron des États-Unis. Les méthodes de similarité conventionnelles fournissent des informations limitées sur les bases nucléotidiques : adénine (A), cytosine (C), thymine (T) et guanine (G), et il pourrait être difficile de déterminer les paramètres pour obtenir un alignement optimal. De plus, les ressources de calcul augmentent considérablement en fonction du nombre et de la longueur des séquences.
Au contraire, la méthode GenomeBits fonctionne efficacement avec moins de temps de traitement pour les données génomiques massives. La technique considère une série de sommes alternées avec des termes de variables nucléotidiques converties en valeurs binaires (0, 1). La différence significative entre GenomeBits et les autres techniques de représentation binaire réside dans les signes alternés (±) des termes dans les sommes de GenomeBits. Autrement dit, si un terme à une position de nucléotide donnée est négatif, alors le terme successif serait négatif, et vice versa.
Dans la représentation GenomeBits, les auteurs ont observé que les courbes des séquences Delta reflétaient celles des séquences Omicron. Cela est devenu plus important lorsque les deux courbes ont été moyennées. Les régions de valeurs moyennes nulles (faible bruit) ou constantes indiquaient une mise en miroir parfaite. La technique illustrée et ordonnée (constante) à la transition désordonnée (pic) près de la protéine non structurelle (NSP)-5 polymérase dans la région du cadre de lecture ouvert (ORF)-1a jusqu’à la partie de la protéine de pointe.
Des motifs distincts ont également été observés autour de la région des pointes. Les courbes désordonnées (pics) ont divergé rapidement, dénotant des dissemblances avec l’augmentation de la position de base. Les termes positifs et négatifs se sont en partie annulés, convergeant vers des valeurs non nulles. De plus, une réduction du bruit des données a pu être observée en incluant des fenêtres glissantes de différentes tailles jusqu’à 500 bases.
conclusion
Les chercheurs ont observé des transitions constantes et maximales autour de la région de la protéine de pointe des variantes SARS-CoV-2 Delta et Omicron à l’aide de la méthode GenomeBits. Les représentations numériques des séquences génomiques ont joué un rôle déterminant dans la bioinformatique et pourraient aider à gérer d’énormes données de séquence. GenomeBits pourrait aider à la future surveillance bioinformatique des maladies infectieuses, et les méthodes de cartographie séquence-numérique prévaudraient probablement pour caractériser de nouvelles séquences.
