ESDP: una nueva forma de hacer más eficiente el polishing de genomas bacterianos long-read

En bioinformática bacteriana, una parte importante del coste computacional no siempre está en ensamblar, sino en seguir puliendo el genoma más rondas de las realmente necesarias.

Ese problema es precisamente el que aborda ESDP, un framework de decisión temprana diseñado para recomendar cuándo detener el polishing de manera adaptativa, con el objetivo de ahorrar recursos sin comprometer de forma relevante la calidad final del ensamblado.

El proyecto, desarrollado como ESDP (“Early Stop Decision Polishing”), se centra en workflows de ensamblaje bacteriano con lecturas long-read, especialmente en escenarios donde se ejecutan rondas fijas de polishing, a menudo cinco, aunque la calidad del genoma ya se haya estabilizado antes.

En lugar de asumir que más rondas siempre son mejores, ESDP utiliza señales tempranas del proceso de polishing para estimar si conviene parar pronto, continuar de forma intermedia o completar un esquema tardío.

Por qué este problema importa

Las tecnologías long-read, como Oxford Nanopore y PacBio, han mejorado mucho la capacidad de generar ensamblajes bacterianos contiguos e incluso completos, pero sus perfiles de error siguen haciendo necesario el polishing posterior al ensamblaje para alcanzar la precisión que exigen muchos análisis downstream.

Esto es especialmente relevante en vigilancia genómica, estudios de resistencia antimicrobiana, análisis de virulencia e investigación de brotes, donde pequeños errores de secuencia pueden afectar inferencias filogenéticas, relaciones SNP o predicciones de genes y proteínas.

En la práctica, muchos pipelines aplican ciclos iterativos de alineamiento, corrección de consenso y evaluación de calidad con herramientas como minimap2, Racon o Medaka, pero el beneficio marginal de seguir iterando depende del contexto y no siempre compensa el coste adicional.

Según el manuscrito del preprint, ese uso rutinario de rondas fijas puede introducir un gasto computacional evitable en flujos de trabajo bacterianos a escala.

Qué hace diferente a ESDP

ESDP reformula el problema de optimización en una decisión operativa de tres clases: parada temprana, intermedia o tardía, que luego se traduce en recomendaciones prácticas de 1, 3 o 5 rondas de polishing.

El sistema combina ingeniería de características, aprendizaje supervisado, reglas de seguridad y un postprocesado consciente de la confianza para ofrecer recomendaciones más conservadoras cuando la evidencia no es suficientemente sólida.

El framework fue desarrollado y evaluado a partir de 805 registros de polishing procedentes de 41 genomas bacterianos de 9 géneros, con datos recogidos a lo largo de cinco rondas y cuatro niveles de cobertura.
Para evitar fugas de información, la evaluación se realizó con partición a nivel de muestra biológica, separando 32 muestras para entrenamiento y 9 para test.

Entre los modelos evaluados, Random Forest fue el que ofreció el mejor equilibrio global en el conjunto de test retenido, con una exactitud del 62.9%, balanced accuracy del 59.2%, macro-F1 de 56.8%, MAE de 0.482 y quadratic weighted kappa de 0.561.
Además, alcanzó un 88.8% de acierto dentro de una clase de distancia, lo que sugiere que la mayoría de los errores se producen entre categorías adyacentes y no entre extremos operativos.

Impacto práctico

Lo más interesante de ESDP no es solo su rendimiento predictivo, sino su utilidad operativa en un pipeline real.
Frente a una estrategia estándar de cinco rondas fijas, ESDP redujo el coste computacional medio en un 44.71%, con un ahorro de 0.60 CPU-horas por trayectoria y una ganancia de eficiencia media del 200.17%.

Ese ahorro se consiguió manteniendo una pérdida mínima de calidad, con una variación media de QV de -0.0038 y una pérdida media de BUSCO del -0.51%.
De las 34 trayectorias válidas evaluadas en test, 33 mostraron pérdida cero de QV y todas permanecieron dentro del rango predefinido de pérdida aceptable.

Otro punto fuerte es que ESDP no se plantea solo como modelo, sino como sistema desplegable para bioinformática aplicada.
Según el preprint, el proyecto incluye interfaz de línea de comandos, API REST basada en FastAPI y distribución containerizada para facilitar su integración en workflows reproducibles.

Estado del proyecto y acceso

Actualmente, ESDP se presenta como un preprint enviado a BMC Bioinformatics y en revisión, por lo que los resultados deben interpretarse como evidencia prometedora pendiente del proceso editorial final.
Aun así, el trabajo ya muestra una propuesta clara: sustituir estrategias rígidas de polishing por una capa de decisión adaptativa y explicable que ayude a optimizar recursos en genómica bacteriana long-read.

El proyecto está disponible en GitHub como software abierto y el manuscrito también describe una versión archivada en Zenodo y una imagen en Docker Hub para despliegue reproducible.

Repositorio: github.com/jimmlucas/ESDP