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

Dit artikel introduceert CAPHEINE, een draagbare computergestuurde workflow die onuitgelijnde pathogensequenties verwerkt om een uitgebreide evolutionaire selectieanalyse uit te voeren met behulp van HyPhy.

De kern

Stel je voor dat virussen als een enorme, chaotische bibliotheek zijn, vol met boeken die voortdurend worden herschreven. Soms veranderen deze boeken een beetje (mutaties), soms worden er hele hoofdstukken uitgewisseld (recombinatie), en soms schrijven ze zichzelf om om beter te kunnen overleven in een nieuwe omgeving (zoals van een vogel naar een koe).

De wetenschappers achter dit paper, Hannah Verdonk, Danielle Callan en Sergei Kosakovsky Pond, hebben een nieuwe tool bedacht genaamd CAPHEINE. De naam is een grappige knipoog naar "Caffeine" (koffie), omdat deze tool je helpt om al die data te verwerken alsof je een enorme dosis energie hebt.

Hier is wat CAPHEINE doet, vertaald naar gewone taal:

1. Het Probleem: De "Kookplaat" van Virussen

Virussen, zoals de griep (IAV) of HIV, muteren razendsnel. Wetenschappers willen weten: Waarom verandert dit virus? Is het aan het leren om zich te verdedigen? Is het aan het aanpassen aan een nieuwe gastheer?

Vroeger was dit zoeken naar antwoorden als het proberen om een raadsel op te lossen met een hamer en een schroevendraaier. Je moest handmatig data verzamelen, opschonen, en dan met ingewikkelde computerprogramma's werken. Het was lastig, tijdrovend en niet iedereen kon het doen.

2. De Oplossing: CAPHEINE als de "Zwarte Doos"

CAPHEINE is een geautomatiseerde workflow. Je kunt het zien als een slimme keukenrobot voor biologische data.

• Wat je erin stopt: Je geeft de robot twee dingen:

  1. Een stapel ongesorteerde virus-sequenties (de "ruwe ingrediënten").
  2. Een referentie (een "recept" of standaardversie van het virus).
     Optioneel: Je kunt zeggen: "Kijk vooral goed naar deze specifieke groep virussen (bijvoorbeeld die van koeien) en vergelijk ze met de rest (die van vogels)."

• Wat de robot doet:
  De robot pakt de data, schraapt de onnodige stukjes eraf, legt de stukjes netjes naast elkaar (aligneren), bouwt een stamboom van hoe ze verwant zijn, en voert daarna een reeks slimme tests uit. Het kijkt naar elk klein lettertje in het virus-DNA om te zien of er iets "raars" gebeurt.

3. De "Detective-werk": Wat zoekt CAPHEINE?

CAPHEINE gebruikt zes verschillende "detective-methoden" (gebaseerd op een programma genaamd HyPhy) om te zoeken naar sporen van evolutie:

• De "Vaste Regel" (Purifying Selection): Meestal houden virussen zich aan de regels. Ze veranderen niet veel omdat veranderingen vaak slecht zijn. Dit is als een auto die perfect werkt; je wilt hem niet zomaar aanpassen.
• De "Opstandige Speler" (Positive Selection): Soms verandert een virus op een specifiek punt omdat het een voordeel geeft (bijvoorbeeld: "Als ik hier een andere vorm heb, kan ik beter ontsnappen aan het immuunsysteem"). CAPHEINE zoekt naar deze opstandige plekken.
• De "Vergelijking" (Contrast): Als je aangeeft dat je virussen van koeien wilt vergelijken met die van vogels, kijkt de robot: "Verandert het virus in de koeien anders dan in de vogels?"

4. Het Reële Voorbeeld: De Koeien-uitbraak

In het paper testen ze CAPHEINE op het H5N1-vogelgriepvirus. Ze hadden data van:

• Vogels: De natuurlijke thuisbasis van het virus (duizenden jaren oud).
• Koeien: Een nieuwe, recente uitbraak (2025).

Wat ontdekten ze?
De robot zag dat het virus in koeien zich anders gedroeg dan in vogels.

• In sommige delen van het virus (zoals het HA-gedeelte) werd het virus strenger onderworpen aan selectie (alsof het harder moest werken om te overleven).
• In andere delen werd het ontspannender.
• De grote vondst: Ze vonden één specifiek punt in het virus (plaats 88 in het M2-gen) dat in koeien een heel ander bouwsteen (aminozuur) had dan in vogels. Het was alsof het virus in de koeien een nieuwe "sleutel" had gemaakt om de deur van de koe-biosfeer te openen. Dit suggereert dat het virus zich actief aanpast om in koeien te kunnen leven.

5. Waarom is dit geweldig?

• Voor iedereen: Je hoeft geen computerexpert te zijn. Het werkt op Windows, Mac en Linux.
• Snelheid: Het doet in een paar uur wat normaal dagen duurt.
• Herhaalbaarheid: Omdat het zo gestructureerd is, kan elke wetenschapper over de hele wereld exact hetzelfde resultaat krijgen. Geen "het werkte op mijn computer"-problemen meer.
• Toekomst: Het helpt bij het vinden van nieuwe doelen voor vaccins of medicijnen, omdat het precies laat zien waar het virus kwetsbaar is of waar het verandert.

Kortom: CAPHEINE is de "alles-in-één" wasmachine voor virale evolutie. Je gooit je vuile was (data) erin, en hij komt eruit met schone, gestreken resultaten die je direct kunt gebruiken om te begrijpen hoe virussen zich ontwikkelen en aanpassen.

Technische samenvatting

Probleemstelling

Virusdynamiek, transmissiemechanismen en evolutionaire patronen zijn extreem divers, vooral bij RNA-virussen zoals Influenza A (IAV), HIV-1 en SARS-CoV-2. Deze virussen muteren snel en ondergaan selectiedruk, wat leidt tot varianten met verhoogde immuunontsnapping of transmissie. Ondanks de beschikbaarheid van enorme hoeveelheden sequentiedata (bijv. via GISAID en SRA), ontbreekt het vaak aan gestandaardiseerde, reproduceerbare en schaalbare computationele methoden om deze data effectief te analyseren op selectiedruk.

Bestaande workflows zijn vaak:

• Te specifiek voor één pathogeen of dataset.
• Moeilijk aan te passen zonder technische expertise.
• Beperkt in hun vermogen om selectie over verschillende lijnen (lineages) of op geconserveerde loci te testen.

Er is een dringende behoefte aan een workflow die snel, flexibel en reproduceerbaar is, en die onderzoekers in staat stelt zich te concentreren op de resultaten in plaats van op software-implementatie en afhankelijkheden.

Methodologie

CAPHEINE (Comprehensive Automated Pipeline using HyPhy for Evolutionary Inference with Nextflow) is een computationele workflow ontwikkeld om selectieprofielen van virale genen snel en reproduceerbaar te analyseren.

Kernarchitectuur en Input:

• Framework: Gebouwd op Nextflow en het nf-core-framework, wat zorgt voor modulariteit, reproduceerbaarheid en compatibiliteit met HPC-schedulers, Docker, Singularity en Conda.
• Platformonafhankelijkheid: Werkt op Mac OS, Windows en Linux.
• Input: Vereist slechts twee bestanden:
  1. Een FASTA-bestand met niet-uitgelijnde pathogensequenties ("query").
  2. Een FASTA-bestand met referentie-coderende sequenties (bijv. van NCBI RefSeq).
  3. Optioneel: Een lijst met "foreground" sequenties (bijv. specifieke gastheer-uitbraken) om verschillen in selectiedruk te testen.

Verwerkingsstappen:

1. Preprocessing: Verwijdering van terminale stopcodons en filtering van sequenties met >50% gaten of ambiguïteit.
2. Alignering: Gebruik van cawlign (een codon-bewuste aligner) om query-sequenties uit te lijnen op de referentie-genen.
3. Duplicaatverwijdering: Verwijdering van exacte duplicaten met hyphy cln om rekentijd te besparen zonder de selectie-schattingen te beïnvloeden.
4. Fylogenie: Inferentie van een maximum-likelihood boom per alignering met IQ-Tree2 (model GTR+I+G).
5. Boom-labeling: Als een foreground-clade is opgegeven, worden takken gelabeld als "Foreground" of "Reference" voor vergelijkende analyses.

Evolutionaire Analyse-methoden (HyPhy):
De workflow integreert zes kernmethoden uit de HyPhy-suite:

• FEL & MEME: Detectie van diversificerende selectie op specifieke codon-loci (respectievelijk universeel en episodisch).
• BUSTED: Test op gen-brede bewijzen van positieve, episodische selectie.
• PRIME: Analyse of veranderingen in aminozuur-eigenschappen (bijv. hydrofobiciteit) worden gefavoriseerd.
• Contrast-FEL & RELAX: (Alleen bij aanwezigheid van foreground-data) Testen of selectiedruk verschilt tussen foreground- en referentielijnen (verzwakking of versterking van selectie).

Belangrijkste Bijdragen

1. Geautomatiseerde Workflow: CAPHEINE bundelt de meest gebruikte HyPhy-tests in één gestandaardiseerde pipeline, wat de drempel voor complexe evolutionaire analyses verlaagt.
2. Reproduceerbaarheid en Portabiliteit: Door gebruik te maken van containerisatie (Docker/Singularity) en Nextflow, kunnen analyses op elk platform worden uitgevoerd zonder handmatige omgevingsconfiguratie.
3. Flexibiliteit: De workflow ondersteunt zowel exploratieve analyses (gehele dataset) als vergelijkende analyses (tussen verschillende gastheerpopulaties of uitbraken) via reguliere expressies voor het selecteren van foreground-sequenties.
4. Gebruiksgemak: Output wordt gegenereerd in CSV-formaat, wat directe inspectie in spreadsheets of verdere verwerking in R/Python mogelijk maakt zonder gespecialiseerde software.

Resultaten (Casestudy: H5N1)

De auteurs testten CAPHEINE op H5N1-influenzavirussen (1975–2025), met name gericht op de overgang van wilde vogels (reservoir) naar runderen (uitbraak in 2025).

• Dataset: 28.751 sequenties van runderen en 41.988 sequenties van wilde vogels.
• Algemene Patronen: De meeste genen vertoonden sterke zuiverende selectie (purifying selection), wat consistent is met bekende IAV-dynamiek. Echter, meer dan de helft van de genen (o.a. PB2, PB1, PA, NA, NS1) toonde statistisch significant bewijs van episodische diversificerende selectie op ten minste één tak.
• Vergelijkende Analyse (Runderen vs. Wilde Vogels):
  • RELAX: Runderen-sequenties vertoonden versterkte selectie in de genen HA, NS1 en PB2, en verzwakte selectie in NP, PA en PB1 ten opzichte van wilde vogels.
  • Locatie-specifiek: Er werden specifieke loci geïdentificeerd met versterkte positieve selectie in runderen.
  • Kernvondst: Locatie 88 in het M2-gen toonde zowel versterkte positieve selectie als een verschuiving in het dominante aminozuur (Asparagine in runderen vs. Aspartaat in wilde vogels). Het M2-gen is cruciaal voor virale verpakkingsprocessen; deze mutatie suggereert een functionele aanpassing aan de nieuwe runder-gastheer.

Betekenis en Impact

CAPHEINE biedt onderzoekers en surveillanceteams een krachtig instrument om snel inzicht te krijgen in evolutionaire dynamieken van pathogenen.

• Snelheid en Schaalbaarheid: Het stelt gebruikers in staat om grote datasets te analyseren en nieuwe isolaten snel te screenen op selectiedruk.
• Actiegericht: De workflow levert concrete aanwijzingen voor experimentele follow-up, prioritering van vaccin- en medicijndoelen, en ondersteuning van publieke gezondheidsbeslissingen.
• Toepasbaarheid: Hoewel getest op virussen, is de pipeline agnostisch ten opzichte van pathogeniteit en kan worden toegepast op niet-virale microben, zolang coderende sequenties en referenties beschikbaar zijn.

De auteurs benadrukken echter dat gebruikers zelf verantwoordelijk zijn voor het hanteren van paralogieën, niet-haploïde genomen en recombinatie-screening (bijv. voor HIV of coronavirussen) voordat de selectie-analyses worden uitgevoerd, aangezien recombinatie vals-positieve resultaten kan veroorzaken.