La corrección del sesgo GC genómico mejora la estimación de la abundancia de especies a partir de datos metagenómicos

La secuenciación metagenómica mide la composición de especies de comunidades microbianas y ha revelado el papel crucial de los microbiomas en la etiología de una variedad de enfermedades como el cáncer colorrectal. Las comparaciones cuantitativas de las comunidades microbianas, sin embargo, están afectadas por sesgos dependientes del contenido GC. Aquí presentamos GuaCAMOLE, un método computacional para detectar y eliminar el sesgo GC de los datos de secuenciación metagenómica. El algoritmo se basa en comparaciones entre especies individuales en una muestra individual para estimar la eficiencia de secuenciación a diferentes niveles de contenido GC, y produce abundancias de especies sin sesgos.

GuaCAMOLE funciona independientemente de la cantidad o dirección específica del sesgo GC presente en los datos y no depende de experimentos de calibración o múltiples muestras. Al aplicar nuestro algoritmo a 3435 microbiomas intestinales de pacientes con cáncer colorrectal de 33 estudios individuales, revelamos que el tipo y la gravedad del sesgo GC varían considerablemente entre los estudios. En muchos estudios observamos un sesgo claro contra especies GC-pobres en las abundancias reportadas por métodos existentes. GuaCAMOLE elimina con éxito este sesgo y corrige la abundancia de especies GC-pobres relevantes clínicamente, como F. nucleatum (28% GC), hasta en un factor de dos.

GuaCAMOLE contribuye así a una mejor comprensión cuantitativa de las comunidades microbianas al mejorar la precisión y comparabilidad de las abundancias de especies entre diferentes configuraciones experimentales.