Популяционная геномика SARS-CoV‑2 в субъектах Сибирского и Дальневосточного федеральных округов

Цель работы – анализ генетической структуры популяций и изучение закономерностей эволюционной изменчивости возбудителя новой коронавирусной инфекции в Сибирском и Дальневосточном федеральных округах. Материалы и методы. Исследовано 1033 генома SARS-CoV‑2 из проб от лиц с диагнозом COVID‑19 из восьми субъектов Сибири и Дальнего Востока с декабря 2020 г. по ноябрь 2021 г. Секвенирование проводилось на платформе MinION Oxford Nanopore по протоколу ARTIC v.3. Степень генетической изоляции SARS-CoV‑2 оценивалась по критерию Fst. Филогенетический анализ осуществлялся с использованием метода максимального правдоподобия и байесовского филогенетического вывода. При реконструкции популяционной динамики применена непараметрическая модель Bayesian Skyline Plot (BSP). Результаты и обсуждение. На начальных этапах в 100 % идентифицирован исходный вариант SARS-CoV‑2 (B.1), геновариант Alpha обнаруживался в марте – июне 2021 г., Beta – в единичных образцах в марте – мае 2021 г., Delta впервые выявлен в апреле 2021 г. Максимальная степень генетической изоляции SARS-CoV‑2 (Fst=0,18) установлена для наиболее удаленных территорий (Алтайский край ↔ Республика Бурятия и Алтайский край ↔ Иркутская область). Между Иркутской областью, Республикой Бурятия и Красноярским краем выявлена относительно свободная циркуляция вируса. По результатам популяционно-генетических тестов показано, что определяющим механизмом формирования генетического разнообразия SARS-CoV‑2 стал резкий рост эффективного размера популяции вируса. Реконструкция популяционной динамики в BEAST (модель BSP) выявила согласованность трендов генетического разнообразия вируса и количества активных случаев заболевания. В кластере Delta выявлено два субкластера, состоящих преимущественно из образцов, выделенных в Иркутской области и Красноярском крае. Установлена смена доминирующего варианта SARS-CoV‑2 в динамике. Молекулярно-эпидемиологические данные свидетельствуют о существовании множественных путей проникновения различных генотипов SARS-CoV‑2 в субъекты с формированием отдельных монофилетических кластеров и дальнейшим внутри- и экстерриториальным распространением входящих в кластеры вариантов.

1. Frost S.D.W., Magalis B.R., Kosakovsky Pond S.L. Neutral theory and rapidly evolving viral pathogens. Mol. Biol. Evol. 2018; 35(6):1348–54. DOI: 10.1093/molbev/msy088.

2. Ciotti M., Ciccozzi M., Pieri M., Bernardini S. The COVID‑19 pandemic: viral variants and vaccine efficacy. Crit. Rev. Clin. Lab. Sci. 2022; 59(1):66–75. DOI: 10.1080/10408363.2021.1979462.

3. Duchene S., Featherstone L., Haritopoulou-Sinanidou M., Rambaut A., Lemey P., Baele G. Temporal signal and the phylodynamic threshold of SARS-CoV‑2. Virus Evol. 2020; 6(2):veaa061. DOI: 10.1093/ve/veaa061.

4. Safari I., Elahi E. Evolution of the SARS-CoV‑2 genome and emergence of variants of concern. Arch. Virol. 2022; 167(2):293–305. DOI: 10.1007/s00705-021-05295-5.

5. Martin D.P., Weaver S., Tegally H., San J.E., Shank S.D., Wilkinson E., Lucaci A.G., Giandhari J., Naidoo S., Pillay Y., Singh L., Lessells R.J., NGS-SA, COVID‑19 Genomics UK (COG-UK), Gupta R.K., Wertheim J.O., Nekturenko A., Murrell B., Harkins G.W., Lemey P., MacLean O.A., Robertson D.L., de Oliveira T., Kosakovsky Pond S.L. The emergence and ongoing convergent evolution of the SARS-CoV‑2 N501Y lineages. Cell. 2021; 184(20):5189–5200.e5187. DOI: 10.1016/j.cell.2021.09.003.

6. Mascola J.R., Graham B.S., Fauci A.S. SARS-CoV‑2 viral variants-tackling a moving target. JAMA. 2021; 325(13):1261–2. DOI: 10.1001/jama.2021.2088.

7. Katoh K., Rozewicki J., Yamada K.D. MAFFT online service: multiple sequence alignment, interactive sequence choice and visualization. Brief Bioinform. 2019; 20(4):1160–6. DOI: 10.1093/bib/bbx108.

8. Larsson A. AliView: a fast and lightweight alignment viewer and editor for large datasets. Bioinformatics. 2014; 30(22):3276–8. DOI: 10.1093/bioinformatics/btu531.

9. Rozas J., Ferrer-Mata A., Sánchez-DelBarrio J.C., Guirao-Rico S., Librado P., Ramos-Onsins S.E., Sánchez-Gracia A. DnaSP 6: DNA sequence polymorphism analysis of large data sets. Mol. Biol. Evol. 2017; 34(12):3299–302. DOI: 10.1093/molbev/msx248.

10. Nguyen L.T., Schmidt H.A., von Haeseler A., Minh B.Q. IQ-TREE: a fast and effective stochastic algorithm for estimating maximum-likelihood phylogenies. Mol. Biol. Evol. 2015; 32(1):268–74. DOI: 10.1093/molbev/msu300.

11. Bouckaert R., Vaughan T.G., Barido-Sottani J., Duchene S., Fourment M., Gavryushkina A., Heled J., Jones G., Kuhnert D., De Maio N., Matschiner M., Mendes F.K., Muller N.F., Ogilvie H.A., du Plessis L., Popinga A., Rambaut A., Rasmussen D., Siveroni I., Suchard M.A., Wu C.H., Xie D., Zhang C., Stadler T., Drummond A.J. BEAST 2.5: An advanced software platform for Bayesian evolutionary analysis. PLoS Comput. Biol. 2019; 15(4):e1006650. DOI: 10.1371/journal.pcbi.1006650.

12. Kalyaanamoorthy S., Minh B.Q., Wong T.K.F., von Haeseler A., Jermiin L.S. ModelFinder: fast model selection for accurate phylogenetic estimates. Nat. Methods. 2017; 14(6):587–9. DOI: 10.1038/nmeth.4285.

13. Minh B.Q., Nguyen M.A.T., von Haeseler A. Ultrafast approximation for phylogenetic bootstrap. Mol. Biol. Evol. 2013; 30(5):1188–95. DOI: 10.1093/molbev/mst024.

14. Singh D., Yi S.V. On the origin and evolution of SARSCoV‑2. Exp. Mol. Med. 2021; 53(4):537–47. DOI: 10.1038/s12276-021-00604-z.

15. Wang S., Xu X., Wei C., Li S., Zhao J., Zheng Y., Liu X., Zeng X., Yuan W., Peng S. Molecular evolutionary characteristics of SARS-CoV‑2 emerging in the United States. J. Med. Virol. 2022; 94(1):310–7. DOI: 10.1002/jmv.27331.

16. Motayo B.O., Oluwasemowo O.O., Olusola B.A., Akinduti P.A., Arege O.T., Obafemi Y.D., Faneye A.O., Isibor P.O., Aworunse O.S., Oranusi S.U. Evolution and genetic diversity of SARS-CoV‑2 in Africa using whole genome sequences. Int. J. Infect. Dis. 2021; 103:282–7. DOI: 10.1016/j.ijid.2020.11.190.

17. Shen S., Zhang Z., He F. The phylogenetic relationship within SARS-CoV‑2s: An expanding basal clade. Mol. Phylogenet. Evol. 2021; 157:107017. DOI: 10.1016/j.ympev.2020.107017.

18. Pybus O.G., Rambaut A. Evolutionary analysis of the dynamics of viral infectious disease. Nat. Rev. Genet. 2009; 10(8):540–50. DOI: 10.1038/nrg2583.

19. Hall M.D., Woolhouse M.E., Rambaut A. The effects of sampling strategy on the quality of reconstruction of viral population dynamics using Bayesian skyline family coalescent methods: A simulation study. Virus Evol. 2016; 2(1):vew003. DOI: 10.1093/ve/vew003.