Wie die Mikrobiom-Analyse zum "Pickerl" kommt

Ein internationales ForscherInnenteam um die Bioinformatiker Dmitrij Turaev und Thomas Rattei von der Universität Wien entwickelte in einer Computersimulation eine Methode, um künftige Genomanalysen – vor allem jene des Mikrobioms – zu prüfen, aussagekräftig interpretieren zu können sowie Lücken in der Datenanalyse zu schließen. Die ersten Ergebnisse dieses "Pickerl"-Tests liegen nun vor und wurden im Fachjournal "Nature Methods" publiziert.

Die Revolution der Methoden zur Genomanalyse hat in den letzten Jahren einen ganz neuen Zugang zur Erforschung mikrobieller Gemeinschaften ermöglicht. Diese sind überall auf der Erde zu finden, auch als Begleiter des Menschen. Im Labor unkultivierbare Mikroorganismen lassen sich mittels Genomanalyse mittlerweile zuverlässig aufspüren und bestimmen. Dadurch eröffnen sich neuartige medizinische Anwendungen, wie beispielsweise die gezielte Veränderung des Mikrobioms bei Darminfektionen, und – in der Folge – die Verabreichung individuell auf das Mikrobiom abgestimmter Arzneimittel.

Das rasante Forschungstempo in der Mikrobiom-Analyse hat jedoch auch eine Schattenseite. Neu entwickelte Software und Methoden zur Analyse werden oft schon nach nur wenigen Tests für die Forschung eingesetzt. Dieser Umstand beschäftigt auch das Team um den Bioinformatiker Thomas Rattei am Department für Mikrobiologie und Ökosystemforschung der Universität Wien. "Es ist so, als ob man ein neu entwickeltes Auto nur im Stadtverkehr erproben und danach schon verkaufen würde. Wenn die ersten Käufer damit in die Berge fahren, können nicht ausreichend dimensionierte Bremsen ein Problem werden. Was für die Automobilindustrie aber undenkbar ist, ist in der Bioinformatik hingegen oft Realität", vergleicht Rattei.

Gemeinsam mit seinem Dissertanten Dmitrij Turaev und in einem internationalen Team mit KollegInnen u.a. aus Deutschland, den USA und Australien entwickelte er CAMI, das "Critical Assessment of Metagenome Interpretation". Die simple Idee dahinter: Am Computer werden die Daten künstlicher Mikrobiome in typischer Weise simuliert. Damit der Test anspruchsvoll und aussagekräftig ist, werden dafür Genome von Bakterien verwendet, die noch nicht veröffentlicht wurden und somit dem Rest der wissenschaftlichen Gemeinschaft noch unbekannt sind. Alle verfügbaren Methoden zur Datenanalyse können nun auf diese simulierten Daten angewendet werden. Eine Jury vergleicht danach die Ergebnisse der verschiedenen Software-Systeme mit der Wirklichkeit.

Mehr als drei Jahre arbeiteten die WissenschafterInnen bis zur erfolgreichen Analyse der Daten. Die mangelnde Verfügbarkeit unpublizierter Genomdaten war nur eine der Hürden in CAMI, erklärt Rattei:   "Wir mussten erst die Technologien für die transparente und reproduzierbare Durchführung aller Tests entwickeln und anpassen – der Rechenaufwand bei CAMI war beträchtlich und konnte nur von einem großen internationalen Team bewerkstelligt werden".

Aus der Fülle der Ergebnisse hält Rattei zwei für besonders wichtig. Zum einen unterscheiden sich die verschiedenen Strategien zur Analyse von Mikrobiomdaten deutlich – das hat ein unabhängiger Test klar gezeigt. Zum anderen gibt es derzeit erhebliche Schwierigkeiten bei der zuverlässigen Erkennung von Mikroben auf Stamm-Ebene. Für medizinische Anwendungen, so Rattei, ist das Erfassen des genauen Stammes z.B. des Darmbakteriums Escherichia coli jedoch sehr wichtig, da einige Stämme harmlos oder nützlich sind, andere jedoch gefährliche Krankheitserreger.

Die Ergebnisse von CAMI sind für die künftige Mikrobiomforschung sehr wichtig. Die Organisatoren von CAMI planen für die nächsten Monate einen zweiten Testlauf, in dem sich die Methoden zur Mikrobiomanalyse einem weiteren "Pickerl"-Test unterziehen müssen.

Publikation in "Nature Methods":
"Critical Assessment of Metagenome Interpretation - a benchmark of metagenomics software":
Alexander Sczyrba, Peter Hofmann, Peter Belmann, David Koslicki, Stefan Janssen, Johannes Dröge, Ivan Gregor, Stephan Majda, Jessikai Fiedler, Eik Dahms, Andreas Bremges, Adrian Fritz, Ruben Garrido-Oter, Tue Sparholt Jørgensen, Nicole Shapiro, Philip D. Blood, Alexey Gurevich, Yang Bai, Dmitrij Turaev, Matthew Z. DeMaere, Rayan Chikhi, Niranjan Nagarajan, Christopher Quince, Fernando Meyer, Monika Balvociute, Lars Hestbjerg Hansen, Søren J. Sørensen, Burton K. H. Chia,hi Bertrand Denis, Jeff L. Froula, Zhong Wang, Robert Egan, Dongwan Don Kang, Jeffrey J. Cook, Charles Deltel, Michael Beckstette, Claire Lemaitre, Pierre Peterlongo, Guillaume Rizk, Dominique Lavenier, Yu-Wei Wu, Steven W. Singer, Chirag Jain, Marc Strous, Heiner Klingenberg, Peter Meinicke, Michael D. Barton, Thomas Lingner, Hsin-Hung Lin, Yu-Chieh Liao, Genivaldo Gueiros Z. Silva, Daniel A. Cuevas, Robert A. Edwards, Surya Saha, Vitor C. Piro, Bernhard Y. Renard, Mihai Pop, Hans-Peter Klenk, Markus Göker, Nikos C. Kyrpides, Tanja Woyke, Julia A.J
Vorholt, Paul Schulze-Lefert, Edward M. Rubin, Aaron E. Darling, Thomas Rattei, Alice C. McHardy

Doi: doi:10.1038/nmeth.4458