[论文解读] Decoding SARS-CoV-2 transmission, evolution and ramification on COVID-19 diagnosis, vaccine, and medicine

Rui Wang, Yuta Hozumi+2 more|arXiv (Cornell University)|Apr 29, 2020

SARS-CoV-2 and COVID-19 Research参考文献 25被引用 5

一句话总结

本研究分析了截至2020年4月收集的6,156个SARS-CoV-2基因组，利用Jaccard距离和基于位置的表示方法，通过K-means聚类识别出4,459个突变，并聚类为五个亚型。研究提出了突变h指数和突变比率，用于量化蛋白质的保守性，发现刺突蛋白、核衣壳蛋白和木瓜样蛋白酶具有高度非保守性，对诊断、疫苗和治疗药物开发构成重大挑战。

ABSTRACT

Tremendous effort has been given to the development of diagnostic tests, preventive vaccines, and therapeutic medicines for coronavirus disease 2019 (COVID-19) caused by severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2). Much of this development has been based on the reference genome collected on January 5, 2020. Based on the genotyping of 6156 genome samples collected up to April 24, 2020, we report that SARS-CoV-2 has had 4459 alarmingly mutations which can be clustered into five subtypes. We introduce mutation ratio and mutation $h$-index to characterize the protein conservativeness and unveil that SARS-CoV-2 envelope protein, main protease, and endoribonuclease protein are relatively conservative, while SARS-CoV-2 nucleocapsid protein, spike protein, and papain-like protease are relatively non-conservative. In particular, the nucleocapsid protein has more than half its genes changed in the past few months, signaling devastating impacts on the ongoing development of COVID-19 diagnosis, vaccines, and drugs.

研究动机与目标

• 利用截至2020年4月收集的基因组数据，解码SARS-CoV-2的传播动力学和进化模式。
• 基于6,156个全球基因组中单核苷酸多态性（SNPs）的分析，识别并表征SARS-CoV-2的亚型。
• 开发定量指标——突变h指数和突变比率，以评估SARS-CoV-2蛋白质的保守程度。
• 评估基因组突变对诊断、疫苗和抗病毒药物可靠性的影响。
• 通过绘制全球基因组变异和进化趋势，为区域特异性疫苗设计提供分子基础。

提出的方法

• 采用K-means聚类结合肘部法确定最优亚型，以Jaccard距离和基于位置的SNP表示作为输入特征。
• 应用Jaccard距离基于突变位点集合测量SARS-CoV-2样本间的遗传差异：$ d_J(S_i, S_j) = 1 - \frac{|S_i \cap S_j|}{|S_i \cup S_j|} $。
• 构建基于位置的二值向量表示 $ L(i,j) = v_i^j $，其中若样本 $ i $ 中第 $ j $ 位发生突变，则 $ v_i^j = 1 $，否则为0。
• 采用主成分分析（PCA）将高维SNP数据（最高达10,000维）降维至低维子空间，以供聚类使用。
• 将基于PCA的子空间作为K-means聚类的输入，以提高计算效率和聚类稳定性。
• 提出突变h指数和突变比率，用于量化蛋白质水平的非保守性，数值越高表示突变多样性越大。

实验结果

研究问题

• RQ1 基于截至2020年4月收集的6,156个全球分离株的基因组变异，SARS-CoV-2存在多少种不同的亚型？
• RQ2 哪些SARS-CoV-2蛋白质表现出最高的遗传可变性，这对诊断和治疗开发有何影响？
• RQ3 突变h指数和突变比率能否有效量化病毒蛋白质的非保守程度？
• RQ4 基于Jaccard距离和基于位置的SNP表示的聚类方法在识别SARS-CoV-2亚型方面表现如何比较？
• RQ5 关键结构蛋白和非结构蛋白中快速突变在多大程度上威胁当前疫苗和抗病毒药物的有效性？

主要发现

• 截至2020年4月24日，SARS-CoV-2在6,156个基因组中积累了4,459个突变，形成五个不同的亚型。
• 刺突（S）蛋白和核衣壳（N）蛋白表现出最高的非保守性，部分分离株中核衣壳基因序列超过一半发生改变。
• 突变h指数和突变比率将刺突蛋白、核衣壳蛋白和木瓜样蛋白酶识别为最非保守的蛋白质，表明其承受着较高的突变压力。
• 相比之下，包膜（E）蛋白、主蛋白酶（3CLpro）和内切酶是保守性最强的，表明其作为药物和疫苗开发的更稳定靶点。
• 本研究证实，病毒快速进化，特别是在抗原性蛋白中，威胁基于2020年1月参考基因组的诊断和疫苗长期有效性。
• 基因组聚类揭示了明显的全球和区域进化模式，支持需要制定地理针对性的疫苗和诊断策略。