IF36.1｜Viridian重装SARS-CoV-2基因组，修正全球系统错误

用单一amplicon-aware流程重处理全部公共数据，大幅减少系统错误，构建更可靠全球系统发育树。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

SARS-CoV-2大流行期间，全球测序主要采用tiled amplicon方法，即通过重叠引物扩增基因组片段并拼接。然而，病毒持续进化导致引物结合位点突变，引起amplicon dropout，而许多组装软件在缺失数据时错误地填充参考序列，造成基因组中大量系统性错误，尤其是“回复突变”假象。这些错误与特定测序中心、时间及变异株相关，严重影响系统发育树推断和下游进化、流行病学分析。此前社区通过手动掩蔽问题位点和分支来缓解，但耗时且不彻底。

科学问题

卡在哪里： 此前缺乏统一的、amplicon-aware的组装流程，且公共数据中引物方案和组装管线元数据严重缺失，导致无法有效识别和纠正系统性错误。现有ARTIC工作流在Nanopore数据上indel错误较多，且未针对amplicon dropout进行专门处理。

本文要回答： 开发一个针对tiled amplicon数据的组装工具Viridian，重新处理所有公共SARS-CoV-2原始测序数据，生成高质量共识序列，并构建一个需要更少掩蔽的全球系统发育树。

技术路线

作者主要用了：Viridian组装、模拟数据、真实标准集、大规模重处理、系统发育树构建、PyR0生长率分析。

作者开发了Viridian，一个amplicon-aware的组装工具，能自动识别引物方案，按amplicon分别组装并合并，最后通过重映射进行QC和掩蔽。他们首先用模拟数据和已知真相的真实数据集验证Viridian的性能，然后将其应用于非洲早期Omicron数据集和全部ENA/SRA公共数据（截至2024年6月），并与GenBank现有组装进行比较。通过统计回复突变数量、Pango谱系一致性、生长率估计不确定性等指标，量化Viridian对系统发育树质量的改进。

图 1　Fig. 1。图1通过卡通树和真实树展示amplicon dropout导致的错误填充参考序列如何产生虚假的回复突变。在Omicron分支中，位置22813（K417N）出现大量紫色（祖先型）叶子，这些叶子不聚集在特定亚支，提示是组装错误而非真实回复突变。

核心亮点

亮点 1｜Viridian大幅减少组装错误

在非洲早期Omicron数据集（n=12,287）上，Viridian的总错误数仅为31-86个，而ARTIC工作流为219-2,148个，原始组装为1,069-10,909个。Viridian几乎完全消除了系统性位置错误，尤其在引物结合区域。模拟数据和真实标准集也显示Viridian在Nanopore数据上indel错误显著少于ARTIC-ONT（0 vs 54）。

图 2　Fig. 2。图2时间线总结了与测序和一致性调用相关的问题事件，包括引物二聚体、9-bp缺失、spike 95/142位点dropout、ARTIC v.4引入的假突变以及Omicron样本中的问题。绿色三角形标记ARTIC引物方案版本发布，显示问题随方案更新而波动。

亮点 2｜全球树回复突变显著减少

比较Viridian和GenBank交集集（n=3,311,456）构建的树，Viridian树中具有大量回复突变的位置更少。例如，GenBank树有63个位置具有200次以上回复突变，而Viridian树只有20个。散点图显示几乎所有位置的回复突变数在Viridian树中都更低，表明Viridian树需要的掩蔽更少。

图 3　Fig. 3。图3在非洲早期Omicron数据集上比较Viridian、原始组装和ARTIC工作流的错误率。Viridian的错误率极低，几乎为零，而原始组装和ARTIC-ONT在特定区域（如引物结合区）有大量错误。总错误数和错误位点数均显示Viridian远优于其他方法。

亮点 3｜生长率估计精度提高三倍

使用PyR0模型比较基于Viridian和GenBank树的谱系生长率估计，发现Viridian树使后验密度标准差平均降低超过三倍，尤其对B和BA衍生谱系改善最大。这表明更准确的基因组序列直接提升了流行病学参数估计的可靠性。

图 4　Fig. 4。图4比较Viridian和GenBank树中每个基因组位置的回复突变数量。Viridian曲线下降更快，表明具有大量回复突变的位置更少。散点图显示大多数位置在Viridian树中回复突变更少，只有少数位置（如22786、8835、15521）Viridian较高。

亮点 4｜Pango谱系高度一致但更特异

在交集集中，Viridian与GenBank组装的Pango谱系分配一致性达99.02%，且Viridian分配更特异（60%的父子不一致中Viridian为子谱系）。没有Viridian组装被分配为“未指定”，而GenBank有87个。

图 5　Fig. 5。图5展示使用PyR0模型估计的谱系生长率不确定性差异。负值表示Viridian树的标准差更小。大多数谱系点位于零以下，表明Viridian树显著降低了生长率估计的不确定性，尤其对B和BA衍生谱系。

亮点 5｜全球树包含447万样本

最终Viridian全球树包含4,471,579个样本，覆盖2020年1月至2024年6月。该树在构建时采用了先高质量样本后低质量样本、按时间排序的策略，避免了重组基因组对树结构的干扰。树已公开于https://viridian.taxonium.org。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： Viridian组装、模拟数据、真实标准集、大规模重处理、系统发育树构建、PyR0生长率分析
• 公开数据： 原文未给出公开组学登录号
• 代码： 公开仓库 https://github.com/iqbal-lab-org/viridian、https://github.com/nebiolabs/VarSkip
• 谁该点开原文： 从事病原体基因组学、系统发育学、流行病学建模以及大规模测序数据处理的生物信息学研究人员。

带走一句

对于大规模病原体基因组分析，统一使用amplicon-aware的组装流程并重新处理原始数据，可以显著减少系统错误，提高系统发育树和下游分析的可靠性。