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

技術要約：EXCON：CAFEに基づく遺伝子拡張・収縮解析のためのスケーラブルで再現可能なNextflowパイプライン

問題提起
遺伝子ファミリーの拡張および収縮の解析は、系統特異的な進化圧を特定するために用いられる、進化比較ゲノミクスの基盤となる手法である。CAFE（Computational Analysis of gene Family Evolution）は、確率的な出生・死滅プロセスを通じてこれらの変化をモデル化するために広く使用されているフレームワークである。しかし、生のゲノムデータからCAFE解析の全工程を実行することは、技術的に非常に困難である。それは、ゲノムのダウンロード、アノテーションの標準化、オーソログ遺伝子ファミリーの同定、種系統樹の構築、および機能濃縮解析といった、性質の異なるツールを用いた複雑で多段階のワークフローを必要とする。現在、ゲノム取得から生物学的解釈までの一連のワークフローを、ポータブルかつコミュニティ指向の形で統合したツールは存在しない。統合されたパイプラインの欠如により、解析の再現性が異なる計算環境や研究グループ間で確保されにくくなっており、高度なバイオインフォマティクスの専門知識や手動によるパラメータ調整を必要とする場合が多い。

手法
著者らは、nf-coreのガイドラインに基づいて開発された、自動化された完全に再現可能なNextflowパイプライン（v2.4.0）であるEXCONを提示する。EXCONは、以下のステージを単一のモジュール式ワークフローに統合している：

1. ゲノム取得： ユーザーが提供するローカルファイルを受け取るか、NCBI RefSeqからアセンブリおよびアノテーションを直接ダウンロードする。
2. 品質管理 (QC)： BUSCO、QUAST、およびAGATを用いてアセンブリとアノテーションの統計量を算出し、データの比較可能性を評価する。
3. 前処理： GFF/GTFファイルをフィルタリングして、遺伝子あたりの最長のコーディングアイソフォームを保持し、設定可能な戦略（除去、ドロップ、または最長ORF）を用いて、フレーム内の早期終止コドンの問題を解決する。
4. オーソロジー推論： OrthoFinder（v2.5.5またはv3.1.4）を用いてオーソログ遺伝子ファミリーを同定する。これには、様々な系統樹推論法（DendroBLAST、MAFFT、MUSCLE、FastTree、RAxML、IQ-TREE）をサポートする。
5. 種系統樹の準備： 入力された系統樹を超計量形式（ultrametric formats）に変換し、オプションとして化石データや既報のノード年代を用いて時間較正を行う。
6. CAFE5モデリング：
   • モデル選択： 離散ガンマ率カテゴリ（$k=1$から$6$）を自動的にテストし、赤池情報量基準（AIC）に基づいて最適なモデルを選択する。
   • 収束処理： 漸進的差分フィルタリング戦略を実装する。高分散のオーソグループによってCAFE5の収束が失敗した場合、パイプラインは自動的に、より厳格な除外閾値（各ステップで最大差分を半分にする）を用いて再試行し、高分散ファミリーを個別に独立した$\lambda$推定値を用いて再解析する。
   • 誤差モデリング： アセンブリ/アノテーションの誤差モデルを推定し、Poisson分布と一様分布のルート頻度事前分布を比較する。
7. 機能解析： 有意に拡張または収縮したファミリーに対して、eggNOG-mapperとTopGOを用いた遺伝子オントロジー（GO）濃縮解析を行う。

本パイプラインは、ソフトウェアのバージョンの再現性を保証するためにコンテナ化（Docker/Singularity）されており、ローカル、HPC、およびクラウド（AWS Batch）での実行をサポートしている。

主な貢献

• エンドツーエンドの自動化： EXCONは、ゲノムダウンロード、前処理、オーソロジー推論、CAFE5モデリング、およびGO濃縮解析を単一のポータブルなワークフローに統合した初のパイプラインである。
• 自動化されたモデル選択： 最適なガンマ率カテゴリ数（$k$）を自動選択し、Poisson分布と一様分布の事前分布を比較することで、手動によるモデルチューニングの必要性を排除する。
• 堅牢な収束回復： 「漸進的差分フィルタリング」という新しいメカニックを導入している。高分散のファミリーによって収束が妨げられた際に失敗して停止するのではなく、それらを反復的に除外し、個別に解析した上で結果を統合することで、困難なデータセットであってもパイプニラインを完遂させる。
• アクセシビリティ： 最小限のユーザー設定（多くの場合、種リストのみ）で動作するように設計されており、専門的なバイオインフォマティクスの知識を持たない研究者でも、厳密な比較ゲノミクスへのアクセスを可能にする。

結果
パイプラインは、狭鼻類（Catarrhini）、広鼻類（Platyrrhini）、およびStrepsirrhiniにわたる24種の霊長類データセットを用いて検証された。

• パフォーマンス： EXCONはデータセットの処理に成功し、出生・死滅率 $\lambda = 0.009635$ で収束した。選択された最適モデルは2カテゴリのガンマモデル（$k=2$）であり、これはファミリー間で中程度の率の変動があることを示している。
• 生物学的知見： 解析により358個の急速に進化する遺伝子ファミリーが特定された。特筆すべきは、複数の系統においてDUX (double homeobox) 遺伝子ファミリー（OG0000017）における独立した双方向のコピー数ターンオーバーが検出されたことである。この知見は、DUXが存在するD4Z4マクロサテライトリピートの既知の不安定性と一致しており、事前のキュレーションなしに真の進化シグナルを回収できる本パイプラインの能力を証明している。
• 機能濃縮： GO解析により明確なパターンが明らかになった。拡張したファミリーは翻訳機構やリボソームサブユニットに濃縮されており、一方で特定の系統（例：Homo sapiens）における収縮したファミリーは、ミトコンドリアおよび酸化リン酸化の用語に濃縮されていた。また、Eulemur frifronsにおいては、霊長類における嗅覚受容体の保持と一致する、化学感覚の拡張に関する強い系統特異的なシグナルが見出された。
• スケーラビability： 細菌、昆虫、哺乳類にわたるベンチマークでは、パイプラインの実行時間はOrthoFinderとCAFE5の実行時間に支配されることが示された。高度に断片化されたゲノムや多様なデータセットは処理時間を増加させる可能性があるが、パイ beenは多様な入力を正常に処理した。ただし、極めて多様な細菌グループでは収束の失敗が観察された。

意義と主張
著者らは、EXCONが遺伝子ファミリーの進化解析のための完全に自動化され、ポータブルで、再現可能なソリューションを提供することで、比較ゲノミクスにおける重要なギャップを埋めるものであると主張している。手動のファイル変換、アドホックなパラメータ選択、および文書化されていない中間ステップを排除することで、EXCONは遺伝子ファミリーの拡張および収縮の解析を標準化する。著者らは、EXCONをCAFEの統計的な厳密さを置き換えるものではなく、CAFEの厳密な適用をより広いコミュニティに開放するための不可欠なインフラストラクチャとして位置づけている。ブラインド解析において既知の生物学的現象（DUXの不安定性）を回収できたことは、本パイプラインが真の進化シグナルを追跡していることの概念実証となっている。著者らは、本パイプラインは多様なデータセットを良好に扱うものの、不完全なアセンブリは遺伝子の獲得および喪失の推定を膨らませる可能性があるため、ユーザーは注意すべきであると控えめに述べている。今後の開発では、追加の機能データベース（KEKG）、トランスポゾンのフィルタリング、および強化された可視化の組み込みを目指している。