Científicos galegos e portugueses presentan unha PCR en tempo real eficaz tamén con variantes raras do coronavirus

OmniSARS2. Este é o nome dunha nova PCR en tempo real desenvolvida por un equipo de doce científicos de Galicia e Portugal para detectar distintas variantes do coronavirus SARS-CoV-2, causante da covid-19. A nova proba de diagnóstico mostrouse altamente eficaz para identificar simultaneamente fragmentos curtos do xenoma deste novo virus, e é capaz de resistir a evolución de liñaxes do SARS-CoV-2.

Trátase dunha RT-qPCR, isto é, un método cuantitativo (en inglés, quantitative polymerase chain reaction – qPCR) que detecta e cuantifica a presenza de material xenético específico do virus en tempo real (en inglés, real time RT-PCR), é dicir, saber cantas copias do virus hai por mililitro de mostra. E foi desenvolvida para dar unha resosta diagnóstica eficaz á xeración de miles de mutacións dentro do xenoma do SARS-CoV-2, a cal permitiu a súa extensa transmisión durante a pandemia.

“O RT-qPCR é recoñecido actualmente como o método de referencia que permite a maior especificidade e sensibilidade” no diagnóstico da covid-19, subliñan os investigadores galegos e portugueses.

O modelo OmniSARS2 detectou o coronavirus en mostras clínicas que incluían diferentes liñaxes dos SARS-CoV-2, “incluíndo as B.1, B.1.1, B.1.177 ou B.1.1.7, e liñaxes máis raras”

Os científicos sinalan que “aínda que varias destas mutacións son raras, outras aumentan en gran medida a prevalencia do virus, poñendo en perigo a sensibilidade dos diagnósticos baseados en PCR” (siglas en inglés de Reacción en Cadea da Polimerasa), probas que permiten detectar unha secuencia xenética específica do coronavirus, non presente noutros virus e, en consecuencia, específica para o diagnóstico da covid-19.

“Aproveitando o coñecemento xenómico do SARS-CoV-2, deseñamos un multiplex RT-qPCR dun só paso para detectar simultaneamente fragmentos curtos do xenoma do SARS-CoV-2 en ORF1ab, xene E e xene S”, explican.

Por partes: unha PCR multiplex, ou múltiple, é unha técnica de bioloxía molecular que usa a reacción en cadea da polimerasa (enzima que intervén no proceso de replicación do ADN) para amplificar distintos fragmentos de ADN diana​ simultaneamente (coma se se realizasen moitas reaccións en cadea da polimerasa individuais nunha mesma reacción); por outro lado, a secuencia xenómica de referencia do SARS-CoV-2 Wuhan-Hu-1 (a cepa orixinal de referencia deste coronavirus, orixinada en China) está composta por 29.903 nucléotidos e presenta unha estrutura e orde dos xenes similar a outros coronavirus; o xene ORF1ab codifica unha poliproteína que se divide en proteínas non estruturais e tras ela atópanse unha serie de xenes que codifican proteínas estruturais: S (espícula), E (envoltura),  M (membrana) e N (nucleocápside). De todos eles, o xene S é o máis longo con 3.822 nucleótidos. Os devanditos xenes utilízanse como diana para o cribado mediante o test OmniSARS2.

A maior sensibilidade analítica de OmniSARS2 para detectar o virus foi de 94,2 copias de xenoma por mililitro cunha probabilidade de detección do 95% para o xene S, equiparándose aos métodos máis sensibles xa dispoñibles no mercado, segundo os seus autores. A sensibilidade é a capacidade do test de detectar a presenza dun marcador específico asociado á enfermidade en cantidades moi baixas. Unha proba altamente sensible é extremadamente confiable.

Os investigadores tamén destacan que “as probas de especificidade in vitro, usando cepas de referencia, non mostraron ningunha reactividade cruzada con outros coronavirus humanos nin patóxenos comúns”. A especificidade é a capacidade do test de detectar o axente causal da enfermidade, distinguíndoo doutros.

O test OmniSARS2 detectou o coronavirus en mostras clínicas que incluían diferentes liñaxes (ou variantes) do SARS-CoV-2, “incluíndo as B.1, B.1.1, B.1.177 ou B.1.1.7, e liñaxes máis raras”, apuntan os investigadores galegos e portugueses (científicos de Bioloxía Evolucionista da Universidade de Edimburgo propuxeron o ano pasado, en Nature Microbiology, que se empreguen varias liñaxes para os subtipos de SARS-CoV-2, que en febreiro deste ano se actualizaron a seis: A,  B,  B.1,  B.1.1,  B.1.177,  B.1.1.7 (o B.1 foi subdividido en máis de 70 sublinaxes).

"A adopción de diagnósticos actualizados e fiables serán claves para controlar a pandemia e mitigar a aparición de focos de transmisión no período postpandémico”.

Os creadores de OmniSARS2 salientan que “ter métodos de diagnóstico o máis sensibles e específicos posibles é de suma importancia no seguimento e control de calquera enfermidade infecciosa”. No caso da covid-19, recordan que “varios laboratorios fixeron loables esforzos para desenvolver rapidamente e compartir en aberto os primeiros protocolos e secuencias de oligonucleótidos para a detección do SARS-CoV-2”, os cales “foron amplamente difundidos pola Organización Mundial da Saúde e resultaron cruciais para desenvolver de xeito eficiente a capacidade mundial para diagnosticar a covid-19 desde xaneiro de 2020”.

Con todo, lembran que, durante a pandemia, “o SARS-CoV-2 acumulou varios polimorfismos” (variacións xenética na secuencia do ADN), o cal “pode comprometer a detección efectiva do SARS-CoV-2”.

“A aparición e a rápida propagación de novas liñaxes que presentan varias mutacións cando se comparan co xenoma de referencia SARS-CoV-2, como B.1.1.7, reforzaron a relevancia do deseño de métodos RT-qPCR”, cuxa “principal vantaxe para o diagnóstico da covid-19, en comparación con outros métodos como os baseados na detección de respostas inmunes específicas, é a súa sensibilidade”, expoñen.

MAIOR SENSIBILIDADE NA DETECCIÓN

“A maior sensibilidade de RT-qPCR permítelle detectar infeccións mesmo en pacientes con baixas cargas virais que son típicas das fases iniciais da infección. A detección de infeccións en estadios iniciais ten vantaxes evidentes na prevención da transmisión. Ademais da etapa de infección, outros factores como a liñaxe vírica, as características do hóspede, a variabilidade na recollida de mostras ou a degradación do ARN viral na mostra recollida poden levar a mostras biolóxicas ‘subóptimas’ ou máis difíciles para o diagnóstico. Particularmente para estas mostras, depender da detección de máis dun xene viral é relevante para evitar falsos negativos”, clarifican estes científicos.

Agora, resaltan, os resultados do seu ensaio “suxiren que OmniSARS pode ser máis sensible que a maioría dos métodos RT-qPCR dispoñibles no mercado para a detección do SARS-CoV-2”.

Na súa opinión, este “método de detección da covid-19 altamente sensible e específico, baseado na detección simultánea de tres xenes virais”, pode axudar á “adopción de diagnósticos actualizados e fiables que serán claves para controlar a pandemia de covid-19 e mitigar efectivamente a aparición de focos de transmisión no período postpandémico”.

Por iso, e do mesmo xeito que fixeron outros investigadores, decidiron compartir en aberto o deseño e resultados do seu método de diagnóstico, nun traballo publicado na revista científica Biomedecines.

Os seus autores están adscritos ás universidades de Vigo, Minho e Coimbra, o Hospital de Braga, o Instituto de Investigación Sanitaria Galicia Sur (IISGS) e o Grupo de Oncoloxía Molecular e Patoloxía Viral do Instituto Português Oncologia Porto.

PREDICIR A ATENCIÓN HOSPITALARIA DOS ENFERMOS

Noutra área de estudo, a computación, un equipo do Centro de Investigación en Tecnoloxías da Información e das Comunicacións (CITIC) da Universidade da Coruña analizou a capacidade de varios métodos avanzados de aprendizaxe automática (intelixencia artificial coñecida como machine learning) para predicir se os pacientes diagnosticados con covid-19 necesitarán diferentes niveis de asistencia hospitalaria (ingreso en planta ou en unidade de coidados intensivos), usando só datos demográficos e clínicos.

Para a investigación empregaron un conxunto de datos de 10.454 pacientes de 14 hospitais de Galicia. Como explican os autores deste modelo de predición, cada paciente caracterízase por 833 variables, dúas das cales son idade e sexo, xunto con outras 831 que representan a historia clínica do enfermo. Ademais, para cada doente está dispoñible o seu historial de ingresos hospitalarios ou de unidade de coidados intensivos (UCI) por covid-19. Esta historia clínica serve para etiquetar cada paciente e poder así avaliar as predicións do modelo.

"Para mellorar a predición, será necesario ampliar a historia clínica dos pacientes para incluír variables máis específicas relacionadas coa covid-19"

O obxectivo destes investigadores foi identificar que modelo ofrece as mellores precisións, tanto para ingresos hospitalarios regulares como de UCI, só mediante variables demográficas e algúns datos clínicos estruturados, así como identificar cales son máis relevantes nos dous casos.

Os resultados obtidos no estudo experimental mostran que, de todas as variables analizadas para predicir se un paciente diagnosticado con covid-19 necesitará asistencia hospitalaria regular ou UCI, as variables máis relevantes son a idade e o sexo. “O resto de variables rexistradas na historia clínica do paciente nos datos dispoñibles aparentemente non proporcionan información adicional que sexa decisiva para permitir unha mellor discriminación da mostra que a alcanzada usando só a idade e o sexo”, explican os autores do modelo.

Isto levou aos investigadores a dúas conclusións. “En primeiro lugar, para mellorar a predición, será necesario ampliar a historia clínica para incluír variables máis específicas relacionadas coa covid-19, como resultados de probas de laboratorio ou raios X”, expoñen. Con todo, xa que “esa información non sempre está dispoñible para toda a poboación dun país e obtela implicaría importantes custos adicionais para o sistema de saúde”, engaden.

Unha segunda conclusión, destacan, “é que o sistema desenvolvido permitiría a gobernos e xestores sanitarios prever o estado dos pacientes con covid-19 simplemente usando os datos demográficos da súa rexión, case sempre dispoñibles, sen que supoña ningún gasto adicional”.

"Os xestores sanitarios poderían predicir a demanda de camas hospitalarias e UCI baseándose en varios escenarios hipotéticos relativos á incidencia de infeccións na poboación, por exemplo, para responder a preguntas como: cal será a demanda de UCI ou camas hospitalarias na miña rexión se se infectou unha certa porcentaxe de toda a poboación?”, salientan os autores deste traballo.

Os seus resultados e a explicación do modelo veñen de ser publicados na revista científica Applied Intelligence.