Análisis De Genomas De SARS-CoV-2 En Muestras De Perú / Analysis of SARS-CoV-2 genomes of samples from Peru

Introducción: El análisis genómico de muestras de casos documentados de COVID-19 puede usarse con éxito para ayudar a rastrear fuentes de infección por Sars-Cov-2, que pueden ponerse en cuarentena para prevenir la propagación recurrente de la enfermedad en todo el mundo. Objetivo: Describir las secuencias de SARS-CoV-2 aisladas de pacientes peruanos. Métodos: Se seleccionaron todos los genomas publicados hasta marzo del 2021, subidos en el repositorio de GISAID y Nextstrain. Todos los datos están en la web de manera pública; además se filtró la información por continente, país, región, clado, linaje y sexo desde marzo de 2020 hasta febrero de 2021. Resultados: Se evidenció que la región con la mayoría de los genomas aislados fue Lima, el clado más frecuente es el GR, el linaje viral B.1.1 es el más frecuente y persistente en tiempo y la mayor parte de genomas fueron aislados de personas del sexo femenino. Conclusiones: El clado GR es común para todos los países sudamericanos y los continentes europeos y asiáticos, seguido de los clados G y GH con mayor frecuencia; por otro lado, el linaje viral más persistente en Perú es el B.1.1, siendo este dato no común con otros países.

Introduction: Genomic analysis of samples from documented COVID-19 cases can be used successfully to help track sources of Sars-Cov-2 infection, which can be quarantined to prevent the recurrent spread of the disease around the world. Objective: To describe the SARS-CoV-2 sequences isolated from Peruvian patients. Methods: All genomes published up to March 2021, uploaded in the GISAID and Nextstrain repository, were selected. All data is on the web in a public way; In addition, the information was filtered by continent, country, region, clade, lineage, and sex from March 2020 to February 2021. Results: It was evidenced that the region with the most isolated genomes was Lima, the most frequent clade is GR, the viral lineage B.1.1 is the most frequent and persistent in time and most of the genomes were isolated from people of the female sex.Conclusions: The clade GR is common to all South American countries and the European and Asian continents, followed by clades G and GH with greater frequency; on the other hand, the most persistent viral lineage in Peru is B.1.1, this being not common with other countries.

Dióxido de cloro y su repercusión en las tendencias de búsquedas en internet durante la pandemia por la COVID-19 / Chlorine dioxide: its impact on internet search trends in times of COVID-19 / Dióxido de cloro e seu impacto nas tendências de pesquisa da Internet durante a pandemia de COVID-19

RESUMEN Introducción: El creciente número de casos de COVID-19 a nivel mundial han dado paso al deterioro de la de salud mental y la investigación de nuevos tratamientos; esto ha dado lugar a una explosión de búsquedas en internet de palabras clave. Objetivo: En esta investigación se ha descrito el uso de Google Trends para medir las búsquedas en internet de términos asociados a la pandemia por COVID-19 en distintas regiones de Perú y su potencial para realizar investigaciones en salud. Método: Se midió la tendencia de búsquedas en internet del término "dioxido de cloro" en el período entre el 3 de junio al 3 de septiembre de 2020. Se utilizaron los datos de Google Trends sobre una fracción de las búsquedas de las palabras clave, y se analizaron los resultados de acuerdo con una ubicación geográfica dada y un período definido. Resultados: Se encontró que los países que presentaron mayor nivel de búsqueda para dicho término fueron Bolivia, Perú, Ecuador, Argentina y México. Se encontró correlación positiva alta entre el nivel de búsqueda en Argentina y el número de casos en este país, a comparación de Perú, Ecuador y México, donde la correlación fue positiva muy baja. En el caso de Bolivia, se presentó una correlación negativa muy baja. Google Trends podría, además, definir potencialmente el momento y la ubicación adecuada para practicar estrategias de comunicación de riesgos a las poblaciones afectadas. Conclusiones: Existe correlación entre en número de casos y las búsquedas de dióxido de cloro como medida médica contra la COVID-19.

ABSTRACT Introduction: The increasing worldwide number of cases of COVID-19 has led to the deterioration of mental health and researches of new treatments; this has resulted in an explosion of keyword searches on Internet. Objective: This research has described the use of Google Trends to measure the search queries in internet for terms associated with the COVID-19 pandemic in different regions of Peru as well as its potential to conduct research on health aspects. Method: It was measured the search trends in internet for the term "chlorine dioxide" in the period from June 3 to September 3, 2020. Google trends data were used on a fraction of the keyword searches, and the outcomes were analyzed according to the geographic location and defined period. Results: It was found a higher tendency of searching related terms in Bolivia, Perú, Ecuador, Argentina, and México. A high positive correlation was found between the level of search in Argentina and the number of COVID-19 cases in this country, unlike Peru, Ecuador and Mexico, where the correlation was very low. Instead, in Bolivia there was a very low negative correlation. Google Trends could also potentially define the appropriate time and location to practice risk communication strategies to affected populations. Conclusions: An appropriate risk communication could help to prevent the excessive information intakes, which often causes concern or panic in different populations.

RESUMO Introdução: O crescente número de casos de COVID-19 em todo o mundo tem dado lugar à deterioração da saúde mental e à investigação de novos tratamentos; Isso levou a uma explosão de pesquisas de palavras-chave na Internet. Objetivo: Esta pesquisa descreveu o uso do Google Trends para medir buscas na internet por termos associados à pandemia COVID-19 em diferentes regiões do Peru e seu potencial para a realização de pesquisas em saúde. Método: A tendência das pesquisas na internet do termo "dióxido de cloro" foi medida no período entre 3 de junho e 3 de setembro de 2020. Os dados do Google Trends foram usados ​​em uma fração das pesquisas pelas palavras-chave, e os resultados foram analisados ​​de acordo com uma determinada localização geográfica e um período definido. Resultados: Constatou-se que os países com maior nível de busca por esse termo foram Bolívia, Peru, Equador, Argentina e México. Foi encontrada uma alta correlação positiva entre o nível de pesquisa na Argentina e o número de casos neste país, em comparação com Peru, Equador e México, onde a correlação foi muito baixa positiva. No caso da Bolívia, houve uma correlação negativa muito baixa. O Google Trends também pode definir o momento e o local certos para praticar estratégias de comunicação de risco para as populações afetadas. Conclusões: Há correlação entre o número de casos e as pesquisas de dióxido de cloro como medida médica contra o COVID-19.

Nextstrain: una herramienta que analiza la epidemiología molecular del SARS-CoV-2 / Nextstrain: a tool to analyze the molecular epidemiology of SARS-CoV-2

La preocupación mundial por el nuevo coronavirus (2019-nCoV), como una amenaza global para la salud pública, fue el motor para que los análisis filogenéticos sufrieran un crecimiento exponencial. El objetivo de esta revisión fue describir el modo de funcionamiento y las bondades de la herramienta Nextstrain, así como el secuenciamiento del virus SARS-CoV-2 en el mundo. Se uso la interfaz de la página de Nextstrain para mostrar sus funcionalidades y los modos de visualización de datos, y se descargaron estos de la web GISAID para mostrar la cantidad de secuenciamientos del SARS-CoV-2 hasta la fecha. Nextstrain es un proyecto de código abierto creado por biólogos bioinformáticos, para aprovechar el potencial científico y de salud pública de los datos de genomas de patógenos. Nextstrain consiste en un conjunto de herramientas que toman secuencias sin procesar (en formato FASTA). Nextstrain realiza una alineación de secuencia de los datos de entrada en alineación de secuencia múltiple basada en la transformación rápida de Fourier. Se basa en el uso de dos softwares: Augur y Auspice. Nextstrain es una herramienta eficaz para mostrar datos epidemiológicos de manera simple para un público no especializado. Puede ser usado en la salud pública, ya que muestra datos en tiempo real de las epidemias y su distribución geográfica. Se puede usar para dar seguimiento a los brotes como es el caso del COVID-19(AU)

Worldwide concern about the novel coronavirus (2019-nCoV) as a global threat to public health is the reason for the exponential growth of phylogenetic analyses. The purpose of this review was to describe the mode of operation and advantages of the tool Nextstrain, as well as the sequencing of the SARS-CoV-2 virus worldwide. The interface of the Nextstrain page was used to show its functions and data visualization modes. These were downloaded from the website GISAID to show the number of SARS-CoV-2 sequencing processes performed so far. Nextstrain is an open code project created by bioinformatics biologists to make good use of the scientific and public health potential of data about genomes of pathogens. Nextstrain consists in a set of tools operating with unprocessed sequences (in FASTA format). Nextstrain performs a sequence alignment of the input data into a multiple sequence alignment based on fast Fourier transform. Its use is based on two software applications: Augur and Auspice. Nextstrain is an efficient tool by which lay people may obtain epidemiological data in a simple manner. It may be used in the public health sector, since it shows real time data about epidemics and their geographic distribution. It may also be used to follow-up outbreaks, as is the case with COVID-19(AU)

Movilidad en ciudades de Perú durante la pandemia de COVID-19 / Mobility in cities of Peru during the COVID-19 pandemic / Mobilidade em cidades do Peru durante a pandemia COVID-19

RESUMEN Introducción: Los datos de movilidad en tiempo real de Wuhan, China, y datos de casos detallados, incluido el historial de viajes, para determinar el impacto de las medidas de control, fue de vital importancia para el control de la COVID-19. Objetivo: Analizar los casos reportados en los cinco regiones más afectadas de Perú por la COVID-19 y la correlacion con los datos de movilidad. Método: Se incluyeron los datos de los casos confirmados de COVID-19 que fueron obtenidos del Centro Nacional de Epidemiologia, Prevención y Control de Enfermedades de Perú (https://www.dge.gob.pe/), en el periodo desde 6 de emarzo hasta el 17 de agosto de 2020, y se seleccionaron las regiones con mayor cantidad de casos (CDC-Peru) (Arequipa, Callao, Lima, Lambayeque y Piura). Los datos de movilidad fueron obtenidos de los Informes de Movilidad Local (Community Mobility Reports-Google Mobility Reports) (https://www.google.com/covid19/mobility/) del Perú y se descargaron en un archivo CSV. Las categorias incluidas de los reportes de movilidad fueron: tiendas minoristas y ocio, estaciones de transporte público, lugares de trabajo y zonas residenciales. Resultados: Se analizaron 165 datos encontrados en Google Mobility Reports, estos tenían una frecuencia diaria de datos, la misma cantidad de datos fue obtenida del CDC-Perú. Se observó una caída de todos los lugares estudiados menos de las zonas residenciales a nivel país. En cuanto a las asociaciones se encontró una correlacion negativa solo en las zonas residenciales. Conclusión: Hubo una reducción de movilidad dada por la cuarentena y un factor protector para evitar contagios es el permanecer en casa.

ABSTRACT Introduction: Real-time mobility data from Wuhan, China, and detailed case data, including travel history, was of vital importance for the control of COVID-19, in order to determine the impact of control measures. Objective: To analyze the cases reported in the five most affected regions by COVID-19 in Peru, and its correlation with mobility data. Method: Data of the confirmed cases of COVID-19 obtained from the Centro Nacional de Epidemiologia, Prevención y Control de Enfermedades de Perú (National Center for Epidemiology, Prevention and Control of Diseases of Peru) (https://www.dge.gob.pe/) in the period from 6 From March until August 17, 2020 were included; and the regions with the highest number of cases (CDC-Peru) (Arequipa, Callao, Lima, Lambayeque and Piura) were selected. The mobility data was obtained from the Local Mobility Reports (Community Mobility Reports-Google Mobility Reports) (https://www.google.com/covid19/mobility/) of Peru and downloaded in a CSV file. The categories included in the mobility reports were: retail stores and leisure, public transport stations, workplaces and residential areas. Results: 165 data found in Google Mobility Reports were analyzed; these having a daily data frequency. The same amount of data was obtained from the CDC-Peru. A drop was observed in all places studied except for residential areas in the country. Regarding associations, a negative correlation was found only in residential areas. Conclusion: There was a reduction in mobility due to quarantine, and staying at home is a factor to avoid infections.

RESUMO Introdução: Dados de mobilidade em tempo real de Wuhan, China, e dados detalhados de casos, incluindo histórico de viagens, para determinar o impacto das medidas de controle, foram de vital importância para o controle do COVID-19. Objetivo: Analisar os casos notificados nas cinco regiões mais afetadas pelo COVID-19 no Peru e a correlação com os dados de mobilidade. Método: Foram incluídos os dados dos casos confirmados de COVID-19 obtidos do Centro Nacional de Epidemiologia, Prevención y Control de Enfermedades de Perú (https://www.dge.gob.pe/), no período desde 6 de março até 17 de agosto de 2020, sendo selecionadas as regiões com maior número de casos (CDC-Peru) (Arequipa, Callao, Lima, Lambayeque e Piura). Os dados de mobilidade foram obtidos dos Relatórios de Mobilidade Local (Community Mobility Reports-Google Mobility Reports) (https://www.google.com/covid19/mobility/) do Peru e baixado em um arquivo CSV. As categorias incluídas nos relatórios de mobilidade foram: lojas de varejo e lazer, estações de transporte público, locais de trabalho e áreas residenciais. Resultados: Foram analisados 165 dados encontrados no Google Mobility Reports, estes tinham uma frequência de dados diária, a mesma quantidade de dados foi obtida do CDC-Peru. Uma queda foi observada em todos os locais estudados, exceto para áreas residenciais em nível de país. Em relação às associações, foi encontrada correlação negativa apenas nas áreas residenciais. Conclusões: Houve redução da mobilidade devido à quarentena e um fator de proteção para evitar o contágio é a permanência em casa.