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

O artigo apresenta o CAPHEINE, um fluxo de trabalho computacional portátil e gratuito que automatiza a análise evolutiva exploratória de sequências de patógenos para estudar dinâmicas de seleção em nível de sítio, genes e linhagens.

O essencial

Imagine que os vírus são como bandidos em constante mudança de disfarce. Eles evoluem rapidamente, trocam de roupa (mutações) e tentam enganar o nosso sistema imunológico ou se adaptar a novos hospedeiros (como passar de um pássaro para uma vaca).

O problema é que temos milhões de "fotos" desses bandidos (sequências genéticas) espalhadas por bancos de dados, mas analisar cada uma delas manualmente para entender como eles estão mudando seria como tentar ler todos os livros de uma biblioteca gigante, um por um, sem ajuda.

É aí que entra o CAPHEINE.

O que é o CAPHEINE?

Pense no CAPHEINE como um robô detetive super-rápido e automatizado. Ele foi criado por cientistas da Universidade Temple para fazer o trabalho pesado de investigar a evolução de vírus.

Em vez de um cientista ter que escrever códigos complexos e perder dias configurando softwares, o CAPHEINE é uma "receita de bolo" pronta. Você só precisa colocar dois ingredientes na panela:

1. As fotos dos bandidos: As sequências genéticas do vírus que você quer estudar.
2. A foto do "original": Uma sequência de referência (o modelo padrão do vírus).

O robô faz o resto: alinha as fotos, limpa as sujeiras, monta a árvore genealógica do vírus e, o mais importante, descobre onde e como o vírus está tentando mudar para sobreviver.

Como o robô detetive trabalha?

O CAPHEINE usa uma caixa de ferramentas chamada HyPhy (que é como um kit de lupas e microscópios genéticos). Ele faz três tipos principais de investigações:

1. O Detetive de "Pontos Fracos" (Seleção de Sítios): Ele olha para cada letra do código genético do vírus. Se ele vê que uma letra específica está mudando muito rápido, é como se o vírus estivesse tentando quebrar uma fechadura específica para entrar em uma nova casa (hospedeiro). O robô aponta exatamente onde isso está acontecendo.
2. O Detetive de "Estratégias Gerais" (Seleção de Genes): Ele verifica se o vírus inteiro está mudando de estratégia. É como perguntar: "Será que todo o exército do vírus está ficando mais agressivo ou mais lento?"
3. O Detetive de "Novos Inimigos" (Análise Comparativa): Aqui é onde a mágica acontece. Você pode dizer ao robô: "Olhe só para os vírus que infectaram vacas e compare com os que infectaram pássaros". O robô então grita: "Ei! Olhem aqui! O vírus nas vacas está mudando muito mais rápido nesta parte do código do que nas aves!". Isso indica que o vírus está se adaptando especificamente para viver em vacas.

A Grande Descoberta (O Caso H5N1)

Os cientistas usaram esse robô para investigar o vírus da gripe aviária (H5N1). Eles queriam saber: "O vírus está mudando quando pula de pássaros selvagens para o gado?"

O CAPHEINE encontrou a resposta:

• Sim, ele está mudando! O vírus nas vacas (gado) estava sob uma pressão diferente.
• Em algumas partes do vírus, a evolução acelerou (como se ele estivesse correndo para se adaptar).
• Em outras partes, ele desacelerou (talvez porque já estava funcionando bem).
• O achado mais interessante: Eles encontraram um "botão" específico no vírus (uma mutação em um gene chamado M2) que mudou de cor quando o vírus entrou nas vacas. É como se o vírus trocasse de chave para abrir a porta da vaca, em vez da porta do pássaro.

Por que isso é importante para você?

Antes, para fazer essa descoberta, você precisaria ser um especialista em computação, ter um supercomputador e passar meses escrevendo scripts. Com o CAPHEINE:

• É fácil: Funciona em qualquer computador (Mac, Windows, Linux).
• É rápido: Processa milhares de vírus em horas.
• É acessível: Os resultados saem em planilhas simples (como Excel), que qualquer pessoa pode ler.

Em resumo: O CAPHEINE é como dar um superpoder de visão de raio-X para os cientistas de saúde pública. Ele permite que eles vejam, em tempo real, como os vírus estão tentando se adaptar, ajudando a criar vacinas melhores e a prevenir futuras pandemias antes que elas saiam do controle. É a diferença entre tentar adivinhar o futuro e ter um mapa detalhado das mudanças do vírus.

Resumo técnico

Título do Artigo

CAPHEINE: Um fluxo de trabalho automatizado para análises de seleção evolutiva usando HyPhy.

1. O Problema

A evolução dinâmica e os mecanismos de transmissão de vírus, especialmente vírus de RNA (como Influenza, HIV e SARS-CoV-2), são extremamente diversos e complexos. A compreensão dessas dinâmicas é crucial para rastrear a emergência de variantes, a evasão imune e a adaptação a novos hospedeiros.

• Desafio Computacional: Existe uma necessidade urgente de métodos computacionais que possam processar grandes volumes de dados genômicos virais (disponíveis em repositórios como GISAID e SRA) de forma rápida, flexível e escalável.
• Limitações Atuais: Muitos fluxos de trabalho existentes são:
  • Específicos demais: Tailor-made para um patógeno ou conjunto de dados específico, dificultando a reutilização.
  • Faltam abrangência: Ferramentas gerais (como V-pipe) muitas vezes focam em variantes de nucleotídeo único em uma única amostra, falhando em detectar seleção através de linhagens ou em sítios conservados.
  • Reprodutibilidade: Estudos frequentemente exigem a construção de pipelines personalizados, o que gera barreiras para a reprodutibilidade e comparação entre estudos.

2. Metodologia

O CAPHEINE (Comprehensive Automated Pipeline using HyPhy for Evolutionary Inference with Nextflow) foi desenvolvido para padronizar e automatizar a descoberta evolutiva.

• Arquitetura e Tecnologia:
  • Baseado no framework nf-core e na linguagem de fluxo de trabalho Nextflow, garantindo portabilidade (Mac OS, Windows, Linux), reprodutibilidade e suporte a agendadores HPC e contêineres (Docker, Singularity).
  • Utiliza o pacote HyPhy para as análises estatísticas de seleção.
• Entradas:
  • Dois arquivos principais: um conjunto de sequências de patógenos não alinhadas (FASTA) e um conjunto de sequências de referência (genes codificadores em FASTA).
  • Opcionalmente, uma lista de sequências "foreground" (em primeiro plano) para testes comparativos de pressão seletiva.
• Fluxo de Processamento:
  1. Pré-processamento: Remoção de códons de parada terminais, filtragem de sequências com >50% de lacunas ou bases ambíguas.
  2. Alinhamento: Mapeamento das sequências de consulta contra os genes de referência usando cawlign (algoritmo de alinhamento par a par consciente de códons).
  3. Limpeza: Remoção de sequências duplicadas (hyphy cln) para acelerar o cálculo.
  4. Filogenia: Inferência de árvores de máxima verossimilhança usando IQ-Tree2.
  5. Análises de Seleção (Core): Execução de seis métodos HyPhy (Tabela 1 do artigo):
     • FEL e MEME: Detecção de seleção diversificadora (pervasiva e episódica) em nível de sítio.
     • BUSTED: Evidência de seleção positiva episódica em nível de gene.
     • PRIME: Análise de mudanças nas propriedades bioquímicas dos aminoácidos.
     • Contrast-FEL e RELAX: (Executados apenas se houver um grupo "foreground") Testam diferenças na pressão seletiva entre linhagens específicas e o restante da árvore (relaxamento ou intensificação da seleção).
• Saída: Resultados consolidados em arquivos CSV legíveis por planilhas, facilitando a visualização e integração com R/Python.

3. Contribuições Principais

• Unificação de Ferramentas: Integra os testes de seleção mais populares do HyPhy em um único fluxo de trabalho padronizado e documentado.
• Acessibilidade: Reduz a barreira de entrada para pesquisadores, eliminando a necessidade de scripting personalizado complexo e gerenciamento de dependências.
• Escalabilidade e Portabilidade: Projetado para rodar desde laptops até clusters HPC e ambientes de nuvem, com suporte nativo a contêineres.
• Abordagem Exploratória: Foca na geração de hipóteses e no perfilamento rápido de variação sequencial, permitindo correlações entre pressão seletiva e composição de aminoácidos.

4. Resultados (Estudo de Caso: H5N1)

Os autores aplicaram o CAPHEINE a um conjunto de dados massivo de vírus da Influenza A (H5N1) coletados entre 1975 e 2025, comparando hospedeiros de aves selvagens (reservatório) com surtos recentes em gado (2025).

• Padrões Gerais: Confirmação de forte seleção purificadora na maioria dos genes, com evidências de seleção diversificadora episódica em mais da metade dos produtos gênicos (PB2, PB1, PA, NA, NS1).
• Adaptação ao Gado (Análise Comparativa):
  • RELAX: Indicou seleção intensificada nos genes HA, NS1 e PB2, e seleção relaxada nos genes NP, PA e PB1 no gado em comparação com aves selvagens.
  • Sítios Específicos: Identificação de dois sítios com seleção positiva intensificada no gado (genes PA e M2).
  • Descoberta Chave: O sítio 88 do gene M2 apresentou seleção positiva intensificada no gado e uma mudança na resíduo majoritário (Asparagina no gado vs. Aspartato nas aves). Como o M2 é crucial para a produção de partículas virais infecciosas, essa mudança sugere uma adaptação funcional do vírus para prosperar no novo hospedeiro bovino.

5. Significado e Impacto

• Aceleração da Pesquisa: O CAPHEINE permite que equipes de vigilância e pesquisadores analisem novos isolados rapidamente para identificar "pontos quentes" funcionais e mudanças na pressão seletiva.
• Tomada de Decisão em Saúde Pública: Fornece evidências acionáveis para priorização de alvos de vacinas e drogas, e para a compreensão da dinâmica evolutiva viral.
• Versatilidade: Embora focado em vírus, a ferramenta é agnóstica ao patógeno e pode ser aplicada a microrganismos não virais, desde que sequências codificadoras e referências adequadas sejam fornecidas.
• Limitações e Avisos: O pipeline não realiza triagem automática de recombinação (crucial para HIV e coronavírus) e assume genomas haploides, exigindo cuidado do usuário com parálogos ou genomas não haploides.

Em resumo, o CAPHEINE representa um avanço significativo na bioinformática evolutiva, transformando análises complexas de seleção natural em processos padronizados, reprodutíveis e acessíveis, facilitando a descoberta de mecanismos de adaptação viral.