CAPHEINE, or everything and the kitchen sink: a workflow for automating selection analyses using HyPhy

El artículo presenta CAPHEINE, un flujo de trabajo computacional portátil y gratuito que automatiza el análisis evolutivo exploratorio de secuencias de patógenos para estudiar la selección natural a nivel de sitios, genes y linajes.

Lo esencial

¡Hola! Imagina que los virus son como músicos de una banda que nunca deja de tocar, pero cada vez que tocan una nota, cambian un poco la melodía. A veces cambian la nota para sonar mejor (evolucionar), y a veces se equivocan y la canción suena mal (se debilitan).

Los científicos quieren entender: ¿Qué notas están cambiando? ¿Por qué cambian? ¿Y qué pasa cuando el virus intenta tocar en un escenario nuevo, como pasar de los pájaros a las vacas?

Aquí es donde entra CAPHEINE.

¿Qué es CAPHEINE? (El "Chef" de los Virus)

Imagina que tienes una montaña de partituras desordenadas (las secuencias genéticas de un virus) y quieres saber qué está pasando en la música. Antes, para analizar esto, los científicos tenían que ser como chefs que cocinan desde cero: tenían que lavar los ingredientes, cortarlos, mezclarlos y cocinar cada plato uno por uno con recetas diferentes. Era lento, difícil y si alguien olvidaba un paso, el plato salía mal.

CAPHEINE es como una máquina automática de cocina de alta tecnología (un "workflow" o flujo de trabajo).

1. Le das dos cosas: Una caja con las partituras desordenadas (las secuencias del virus que quieres estudiar) y una partitura de referencia (la "canción original" perfecta).
2. La máquina hace todo: Ordena las notas, limpia los errores, compara la música nueva con la original y te dice exactamente qué notas han cambiado, si esas notas son importantes y si la canción suena diferente en una parte de la banda que en otra.
3. Te da el resultado: Al final, te entrega un informe claro (como una lista de compras o un menú) que puedes leer en cualquier computadora, sin necesidad de ser un experto en cocina (o en programación).

¿Cómo funciona la "magia"?

CAPHEINE usa una caja de herramientas llamada HyPhy. Imagina que HyPhy es un equipo de detectives muy inteligentes. CAPHEINE les dice: "¡Vamos a investigar!" y ellos usan seis métodos diferentes para buscar pistas:

• Detectan cambios constantes: ¿Hay notas que siempre cambian en toda la banda? (Selección positiva).
• Detectan cambios raros: ¿Hay una nota que cambió solo una vez en un concierto específico? (Selección episódica).
• Comparan escenarios: ¿La música suena diferente si la tocan las vacas en lugar de los pájaros?

El Caso de las Vacas y los Pájaros (La historia real)

Los autores probaron su máquina con el virus de la Gripe Aviar (H5N1).

• El escenario: Tienen miles de virus que viven en pájaros silvestres (el hogar natural) y miles de virus que saltaron recientemente a vacas (un nuevo hogar).
• La pregunta: ¿Cómo se está adaptando el virus para vivir en las vacas? ¿Qué partes de su "cuerpo" (sus genes) están cambiando para sobrevivir allí?

Lo que descubrió CAPHEINE:

1. La mayoría del virus se mantiene igual: La mayoría de las notas de la canción no cambian porque, si cambian, el virus deja de funcionar (como un motor que se descompone si le cambias las piezas clave).
2. Pero hay cambios importantes: En las vacas, el virus está "estirando" o "relajando" algunos músculos (genes) y "entrenando" otros más duro.
   • Por ejemplo, en la proteína M2 (que es como la llave de la puerta del virus), encontraron un cambio específico en la nota número 88. En los pájaros, esa llave es de un tipo; en las vacas, es de otro tipo.
   • La analogía: Es como si el virus tuviera que cambiar la forma de su llave para abrir la puerta de una casa de vacas, que es diferente a la puerta de la casa de los pájaros. CAPHEINE encontró esa llave cambiada.

¿Por qué es esto genial?

• Es rápido y portátil: Funciona en cualquier computadora (Mac, Windows, Linux), como una app que puedes instalar en tu teléfono.
• Es automático: No necesitas saber programar. Solo pones los datos y la máquina hace el trabajo pesado.
• Es útil para el futuro: Ayuda a los científicos a encontrar rápidamente dónde el virus está evolucionando. Si sabemos qué "llave" está cambiando, podemos diseñar mejores vacunas o medicamentos antes de que el virus se vuelva peligroso.

En resumen: CAPHEINE es el asistente personal que toma el caos de millones de datos genéticos y te dice: "Oye, mira aquí. El virus está cambiando esta parte específica para adaptarse a las vacas. ¡Investiguen esto!".

Es como tener un mapa del tesoro que te dice exactamente dónde están enterradas las mutaciones importantes, sin tener que cavar todo el desierto tú mismo.

Resumen técnico

A continuación presento un resumen técnico detallado del artículo sobre CAPHEINE, traducido y adaptado al español, cubriendo los aspectos solicitados:

Resumen Técnico: CAPHEINE

1. El Problema
La dinámica evolutiva de los virus, especialmente los virus de ARN como la influenza, el VIH y el SARS-CoV-2, es extremadamente diversa y rápida. Comprender estos patrones requiere analizar grandes volúmenes de datos genómicos para identificar señales de selección natural (positiva o negativa). Sin embargo, existen varias barreras técnicas:

• Falta de estandarización: Los flujos de trabajo existentes suelen estar diseñados para patógenos específicos o conjuntos de datos concretos, lo que dificulta su modificación o comparación entre estudios.
• Complejidad técnica: Las herramientas generales (como V-pipe) a menudo se centran en variantes de nucleótidos individuales en una sola muestra y no capturan adecuadamente la selección a través de linajes o en sitios conservados.
• Reproducibilidad: Muchos análisis requieren scripts personalizados que son difíciles de reproducir, portar entre sistemas operativos o escalar en entornos de computación de alto rendimiento (HPC).
• Necesidad de agilidad: Se requiere un método rápido, flexible y escalable para procesar actualizaciones frecuentes de datos genómicos y generar hipótesis exploratorias sobre la adaptación viral.

2. Metodología
CAPHEINE (Comprehensive Automated Pipeline using HyPhy for Evolutionary Inference with Nextflow) es un flujo de trabajo computacional diseñado para automatizar el análisis de selección evolutiva.

• Arquitectura: Se basa en el marco nf-core y el lenguaje de flujo de trabajo Nextflow, lo que garantiza portabilidad (Mac, Windows, Linux), reproducibilidad y soporte para contenedores (Docker, Singularity) y programadores de HPC.
• Entradas: Requiere solo dos archivos de entrada:
  1. Un conjunto de secuencias patógenas no alineadas (FASTA).
  2. Un conjunto de secuencias de referencia de genes codificantes (FASTA).
  • Opcional: Una lista de secuencias "foreground" (primer plano) para comparar presiones selectivas entre grupos (ej. diferentes hospedadores).
• Procesamiento:
  1. Preparación: Limpieza de secuencias (eliminación de codones de parada terminales, filtrado de secuencias con >50% de huecos).
  2. Alineación: Uso de cawlign (algoritmo de alineación par a par consciente de codones) para mapear las secuencias de consulta a los genes de referencia, preservando el marco de lectura.
  3. Filtrado: Eliminación de secuencias duplicadas con hyphy cln.
  4. Filogenia: Inferencia de árboles de máxima verosimilitud con IQ-Tree2 (modelo GTR+I+G).
  5. Etiquetado: Si se proporcionan linajes de "foreground", se etiquetan las ramas internas correspondientes en el árbol.
• Análisis de Selección (Core de HyPhy): El flujo ejecuta seis métodos principales de HyPhy:
  • FEL y MEME: Detección de selección diversificadora (pervasiva y episódica) a nivel de sitio.
  • BUSTED: Evidencia de selección positiva episódica a nivel de gen.
  • PRIME: Conservación de propiedades bioquímicas (hidrofobicidad, carga, etc.) en los sitios.
  • Contrast-FEL y RELAX: (Solo si hay grupo foreground) Comparan la presión selectiva entre linajes para detectar relajación o intensificación de la selección y diferencias en la evolución de sitios específicos.
• Salida: Resultados en archivos CSV legibles por hojas de cálculo, listos para visualización o análisis posterior en R/Python.

3. Contribuciones Clave

• Automatización Integral: Unifica la preprocesamiento, alineación, reconstrucción filogenética y múltiples pruebas de selección en un solo flujo de trabajo estandarizado.
• Accesibilidad: Reduce la barrera de entrada para investigadores no expertos en bioinformática, permitiendo ejecutar análisis complejos con comandos mínimos y sin configuración manual de entornos.
• Escalabilidad y Portabilidad: Gracias a Nextflow y la contenedorización, el flujo funciona en laptops, clústeres HPC y nubes, facilitando el análisis de grandes conjuntos de datos.
• Enfoque Comparativo: Facilita la identificación de cambios en la presión selectiva asociados a cambios de hospedador (ej. de aves silvestres a ganado) mediante la comparación de linajes.

4. Resultados (Estudio de Caso: H5N1)
Los autores aplicaron CAPHEINE a 28,751 secuencias de H5N1 (aislados de aves silvestres) y 41,988 secuencias (aislados de ganado, brote de 2025).

• Patrones Generales: Se confirmó una fuerte selección purificadora en la mayoría de los genes, pero también se detectó evidencia de selección diversificadora episódica en más de la mitad de los productos génicos (PB2, PB1, PA, NA, NS1).
• Adaptación al Hospedador (Aves vs. Ganado):
  • RELAX: Indicó una intensificación de la selección en los genes HA, NS1 y PB2 en el ganado, y una relajación en NP, PA y PB1, en comparación con las aves silvestres.
  • Sitios Específicos: Se identificaron sitios con selección positiva intensificada en el ganado. Destacó el sitio 88 del gen M2, que mostró selección positiva intensificada y un cambio en el residuo mayoritario (de aspartato en aves a asparagina en ganado). Dado que la región 82-89 de M2 es crucial para la producción de virus infecciosos, este cambio sugiere una adaptación funcional del virus al nuevo hospedador bovino.

5. Significado e Impacto
CAPHEINE representa una herramienta vital para la vigilancia genómica y la biología evolutiva:

• Generación de Hipótesis: Permite a los investigadores explorar rápidamente perfiles de selección y correlacionar la presión selectiva con la composición de aminoácidos, generando hipótesis para validación experimental.
• Priorización de Objetivos: Identifica "puntos calientes" funcionales y cambios de linaje que pueden ser cruciales para el desarrollo de vacunas, antivirales y estrategias de salud pública.
• Democratización: Al estandarizar el análisis de selección, permite que equipos de vigilancia y científicos sin experiencia profunda en programación realicen análisis evolutivos rigurosos y reproducibles.
• Flexibilidad: Aunque diseñado para virus, es agnóstico al patógeno y puede aplicarse a microbios no patógenos, siempre que se proporcionen secuencias codificantes y referencias adecuadas.

En resumen, CAPHEINE cierra la brecha entre la disponibilidad masiva de datos genómicos y la capacidad de extraer señales biológicas significativas de manera eficiente, reproducible y accesible.