EXCON: a scalable, reproducible Nextflow pipeline for CAFE-based gene EXpansion and CONtraction analysis

Resumen Técnico de EXCON: Un Pipeline de Nextflow Escalable y Reproducible para el Análisis de Expansión y Contracción de Genes Basado en CAFE

Planteamiento del Problema
El análisis de la expansión y contracción de familias de genes es una piedra angular de la genómica comparativa evolutiva, utilizada para identificar presiones evolutivas específicas de un linaje. El Análisis Computacional de la Evolución de Familias de genes (CAFE) es un marco de trabajo ampliamente utilizado para modelar estos cambios mediante un proceso estocástico de nacimiento-muerte. Sin embargo, realizar un análisis completo de CAFE a partir de datos genómicos brutos sigue siendo técnicamente exigente. Requiere un flujo de trabajo complejo de múltiples pasos que involucra herramientas dispares para la descarga de genomas, la estandarización de anotaciones, la identificación de familias de genes ortólogos, la construcción de árboles de especies y el enriquecimiento funcional. Actualmente, ninguna herramienta integra este flujo de trabajo completo, desde la adquisición del genoma hasta la interpretación biológica, de una manera portátil y orientada a la comunidad. La falta de un pipeline integrado conduce a análisis que rara vez son reproducibles en diferentes entornos informáticos o grupos de investigación, lo que a menudo requiere altos niveles de experiencia bioinformática y un ajuste manual de parámetros.

Metodología
Los autores presentan EXCON, un pipeline de Nextflow (v2.4.0) totalmente automatizado y reproducible, desarrollado bajo las directrices de nf-core. EXCON integra las siguientes etapas en un flujo de trabajo único y modular:

1. Adquisición de Genomas: Acepta archivos locales proporcionados por el usuario o descarga ensamblajes y anotaciones directamente de NCBI RefSeq.
2. Control de Calidad (QC): Calcula estadísticas de ensamblaje y anotación utilizando BUSCO, QUAST y AGAT para evaluar la comparabilidad de los datos.
3. Preprocesamiento: Filtra los archivos GFF/GTF para retener la isoforma codificante más larga por gen y resuelve los codones de parada prematuros en fase mediante estrategias configurables (eliminar, descartar o el ORF más largo).
4. Inferencia de Ortología: Identifica familias de genes ortólogos utilizando OrthoFinder (v2.5.5 o v3.1.4), con soporte para varios métodos de inferencia de árboles (DendroBLAST, MAFFT, MUSCLE, FastTree, RAxML, IQ-TREE).
5. Preparación del Árbol de Especies: Convierte los árboles de entrada a formatos ultramétricos, con la opción de calibrarlos temporalmente mediante datos fósiles o edades de nodos publicadas.
6. Modelado CAFE5:
   • Selección de Modelo: Prueba automáticamente categorías de tasas gamma discretas ($k=1$ a $6$) y selecciona el modelo óptimo basado en el Criterio de Información de Akaike (AIC).
   • Gestión de la Convergencia: Implementa una estrategia de filtrado diferencial progresivo. Si CAFE5 falla en la convergencia debido a ortogrupos de alta varianza, el pipeline reintenta automáticamente aplicando umbrales de exclusión más estrictos (reduciendo a la mitad la diferencia máxima en cada iteración) y aísla las familias de alta varianza para un reanálisis individual con estimaciones de $\lambda$ independientes.
   • Modelado de Errores: Estima modelos de error de ensamblaje/anotación y compara los modelos de frecuencia de raíz de Poisson frente a los uniformes.
7. Análisis Funcional: Realiza el análisis de enriquecimiento de la Ontología Génica (GO) utilizando eggNOG-mapper y TopGO para las familias significativamente expandidas y contraídas.

El pipeline está contenedorizado (Docker/Singularity) para garantizar la reproducibilidad de la versión del software y soporta la ejecución en entornos locales, HPC y en la nube (AWS Batch).

Contribuciones Clave

• Automatización de Extremo a Extremo: EXCON es el primer pipeline que integra la descarga de genomas, el preprocesamiento, la inferencia de ortología, el modelado CAFE5 y el enriquecimiento de GO en un único flujo de trabajo portátil.
• Selección Automática de Modelos: Elimina la necesidad de un ajuste manual de modelos al seleccionar automáticamente el número óptimo de categorías de tasas gamma ($k$) y comparar los modelos de Poisson frente a los uniformes.
• Recuperación Robusta de la Convergencia: El pipeline introduce un novedoso mecanismo de "filtrado diferencial progresivo". En lugar de fallar cuando las familias de alta varianza impiden la convergencia, excluye estas de forma iterativa, las analiza por separado y combina los resultados, asegurando que el pipeline se complete incluso en conjuntos de datos desafiantes y diversos.
• Accesibilidad: Diseñado para requerir una configuración mínima por parte del usuario (a menudo solo una lista de especies), haciendo que la genómica comparativa rigurosa sea accesible para investigadores sin experiencia especializada en bioinformática.

Resultos
El pipeline fue validado en un conjunto de datos de 24 especies de primates que abarcan Catarrhini, Platyrrhini y Strepsirrhini.

• Desempeño: EXCON procesó con éxito el conjunto de datos, convergiendo en una tasa de nacimiento-muerte de $\lambda = 0.009635$. El modelo óptimo seleccionado fue un modelo gamma de dos categorías ($k=2$), lo que indica una variación de la tasa moderada entre las familias.
• Hallazgos Biológicos: El análisis identificó 358 familias de genes que evolucionan rápidamente. Notablemente, detectó una rotación de número de copias bidireccional e independiente en la familia de genes DUX (double homeobox) (OG0000017) a través de múltiples linajes. Este hallazgo concuerda con la inestabilidad conocida del repetido de macrosatélite D4Z4 donde reside DUX, demostrando la capacidad del pipeline para recuperar señales evolutivas genuinas sin curación previa.
• Enriquecimiento Funcional: El análisis de GO reveló patrones distintos: las familias en expansión se enriquecieron para la maquinaria de traducción y las subunidades ribosomales, mientras que las familias en contracción en linajes específicos (por ejemplo, Homo sapiens) mostraron un enriquecimiento para términos de mitocondria y fosforilación oxidativa. Se encontró una fuerte señal de linaje específico para la expansión quimiosensorial en Eulemur rufifrons, consistente con la retención de receptores olfativos en los estrepsirrinos.
• Escalabilidad: Las pruebas de rendimiento en bacterias, insectos y mamíferos mostraron que el tiempo de ejecución del pipeline está dominado por OrthoFinder y CAFE5. Aunque los genomas altamente fragmentados o los conjuntos de datos diversos pueden aumentar el tiempo de procesamiento, el pipeline manejó con éxito diversas entradas, aunque se observaron fallos de convergencia en algunos grupos bacterianos extremadamente diversos.

Significancia y Reivindicaciones
Los autores afirman que EXCON aborda una brecha crítica en la genómica comparativa al proporcionar una solución totalmente automatizada, portátil y reproducible para el análisis de la evolución de las familias de genes. Al eliminar las conversiones manuales de archivos, las elecciones de parámetros ad hoc y los pasos intermedios no documentados, el pipeline estandariza el análisis de la expansión y contracción de las familias de genes. Los autores posicionan a EXCON no como un reemplazo para el rigor estadístico de CAFE, sino como una infraestructura necesaria que hace que la aplicación rigurosa de CAFE sea accesible para una comunidad más amplia. La recuperación exitosa de fenómenos biológicos conocidos (la inestabilidad de DUX) en un análisis ciego sirve como prueba de concepto de que el pipeline rastrea señales evolutivas genuinas. Los autores señalan modestamente que, si bien el pipeline maneja bien diversos conjuntos de datos, los usuarios deben proceder con cautela con los ensamblajes poco contiguos, ya que estos pueden inflar las ganancias y pérdidas de genes inferidas. El desarrollo futuro tiene como objetivo incorporar bases de datos funcionales adicionales (KEGG), el filtrado de elementos transponibles y una visualización mejorada.