En internationell forskargrupp vid University of Cambridge har utvecklat en revolutionerande metod för att automatiskt identifiera nya och potentiellt farliga varianter av virus och bakterier. Systemet, kallat Phylowave, använder genetisk sekvensering och systematiskt utformade ”släktträd” för att i realtid spåra hur patogener muterar och sprids i populationer. Metoden, publicerad i tidskriften Nature, beskrivs som ett genombrott inom epidemiologisk övervakning och kan förändra hur samhällen hanterar framtida pandemier.
Hur Phylowave fungerar: Genetiska släktträd avslöjar hot
Phylowave bygger på att skapa tidsresolverade systemfylogenetiska träd baserade på genetiska sekvenser från smittade individer. Genom att analysera skillnader i patogeners DNA kan algoritmen:
- Identifiera genetiska mutationer som ökar smittsamhet eller resistens mot behandlingar.
- Kvantifiera hur snabbt en variant sprids genom att mäta dess ”fitness” – en kombination av reproduktionshastighet och förmåga att konkurrera ut andra varianter.
- Automatiskt klassificera nya varianter utan mänsklig inblandning, vilket minskar subjektivitet och fördröjningar.
Metoden är särskilt effektiv för att upptäcka varianter som utvecklar antibiotikaresistens eller undviker vacciner, något som testats framgångsrikt på både tuberkulos (Mycobacterium tuberculosis) och kikhosta (Bordetella pertussis).
Praktiska tillämpningar: Från kikhosta till COVID-19
Kikhosta: Tre nya resistenta varianter upptäckta
Under 2024–2025 har flera länder rapporterat allvarliga utbrott av kikhosta, en sjukdom som trots vaccinering återigen blivit ett globalt hot. Med Phylowave identifierade forskare tre tidigare okända varianter av Bordetella pertussis som visade tecken på antibiotikaresistens. Detta möjliggjorde snabba justeringar av behandlingsriktlinjer.
Tuberkulos: Resistens sprids snabbare än väntat
Analys av tuberkulosbakterier avslöjade två resistenta stammar som spreds i populationer utanför traditionella riskzoner. Dessa resultat understryker behovet av dynamiska övervakningssystem för att förhindra multiresistent tuberkulos.
Lärdomar från COVID-19-pandemin
Under pandemin krävdes veckor av expertutvärdering för att klassificera varianter som Alpha eller Omicron. Phylowave skulle kunna minska denna tid till dagar genom att automatiskt flagga varianter med ökad smittsamhet eller immunundvikande egenskaper.
Fördelar jämfört med traditionella metoder
- Snabbare respons: Systemet kan upptäcka nya varianter inom 2–3 månader efter deras uppkomst, även med begränsat antal prover.
- Resurseffektivt: Kräver färre prover och fungerar i regioner med begränsad labbkapacitet.
- Objektiv bedömning: Eliminerar behovet av expertpaneler för klassificering, vilket minskar risken för tolkningsfel.
Implikationer för framtiden
Phylowave har potential att integreras i globala sjukdomsövervakningsnätverk. Enligt forskare kan det:
- Optimera vaccinutveckling genom att rikta in sig på dominerande varianter.
- Styra behandlingsval mot resistenta patogener i realtid.
- Förebygga framtida pandemier genom tidig upptäckt av zoonotiska överföringar eller okända virus.
Professor Henrik Salje, en av studiens huvudförfattare, betonar: ”Denna metod kan bli en central del av alla länders sjukdomsbekämpning – särskilt i resursfattiga områden där smittsamheter ofta upptäcks för sent”.
Utmaningar och begränsningar
Trots framstegen finns utmaningar:
- Samplingsbias: Otillräcklig provtäckning kan ge ofullständiga träd.
- Behov av kontinuerlig uppdatering: Algoritmer måste anpassas till olika patogener, från snabbt muterande RNA-virus till långsammare bakterier.
Sammanfattning
Phylowave representerar ett paradigmskifte inom infektionssjukdomsövervakning. Genom att kombinera avancerad bioinformatik med automatiserad analys öppnar den dörren till en proaktiv hälsorespons – där samhällen kan agera före utbrott istället för att reagera på dem.
Källor
- Lefrancq, N. et al. (2025). Learning the fitness dynamics of pathogens from phylogenies. Nature. DOI: 10.1038/s41586-024-08309-9 .
- Wang, L. et al. (2022). Application of phylogenetic analysis in the molecular epidemiological study of infectious diseases. Chinese Journal of Epidemiology. DOI: 10.3760/cma.j.cn112338-20210701-00515 .
- Lu, H. et al. (2024). Evolutionary trajectory and characteristics of Mpox virus in 2023. Nature Communications. DOI: 10.1038/s41467-024-49240-x .
- University of Cambridge. (2025). System to auto-detect new variants will inform better response to future infectious disease outbreaks. Länk .
