Dissertação de Mestrado

Os métodos metagenômicos são ferramentas poderosas para a identificação de vírus emergentes pouco conhecidos ou inesperados. Com o avanço das tecnologias de sequenciamento de nova geração e dos classificadores taxonômicos, tornou-se possível associar sequências genéticas aos seus respectivos táxons. No entanto, uma grande parcela das leituras permanece não classificada, sendo denominada de matéria escura, em analogia ao termo da física. Essa fração não identificada representa um dos principais desafios para a compreensão completa do metagenoma. Este estudo teve como objetivo identificar o conteúdo viral em nível de família dentro das sequências não classificadas. Para isso, foram empregados algoritmos de aprendizado de máquina supervisionados baseados em árvores de decisão, treinados tanto dados genômicos de swab nasofaríngeo de pacientes pediátricos negativos para SARS-CoV-2 quanto com dados públicos do NCBI Virus. Os atributos utilizados foram baseadas nos perfis proteicos das sequências e em características intrinsecas a elas. Os classificadores Random Forest e eXtreme Gradient Boosting apresentaram o melhores desempenhos, obtendo as melhores métricas em todos os cenários testados. Além disso, a análise revelou que a matéria escura genômica contém sequências virais previamente não identificadas. Ao ser aplicada a uma amostra clínica de swab orofaringeo, evidenciou-se a presença de mais leituras virais da família Anelloviridae.

Metagenomic methods are powerful tools for identifying little-known or unexpected emerging viruses. With the advancement of next-generation sequencing technologies and taxonomic classifiers, it has become possible to associate genetic sequences with their respective taxa. However, a large portion of the reads remains unclassified, referred to as dark matter in analogy to the term used in physics. This unidentified fraction represents one of the main challenges in achieving a comprehensive understanding of the metagenome. This study aimed to identify viral content at the family level within unclassified sequences. To this end, supervised machine learning algorithms based on decision trees were employed, trained on both nasopharyngeal swab genomic data from pediatric patients negative for SARS-CoV-2 and public data from NCBI Virus. The selected features were based on the protein profiles of the sequences and their intrinsic characteristics. The Random Forest and eXtreme Gradient Boosting classifiers achieved the best performances, obtaining the highest metrics across all tested scenarios. Furthermore, the analysis revealed that genomic dark matter contains previously unidentified viral sequences. When applied to a clinical oropharyngeal swab sample from a pediatric patient with febrile neutropenia, the presence of a higher number of viral reads from the Anelloviridae family was observed.