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

本文介绍了 CAPHEINE，这是一个跨平台（Mac OS、Windows、Linux）的自动化计算工作流，能够从非比对病原体序列和参考基因组出发，执行全面的探索性进化分析，特别适用于研究位点选择动态、基因水平正选择及谱系特异性选择压力变化。

要点

这篇文章介绍了一个名为 CAPHEINE 的新工具，你可以把它想象成病毒进化研究的"全自动智能厨房"。

以前，科学家想要研究病毒（比如流感、新冠）是如何进化、如何适应新宿主（比如从鸟类跳到牛身上）的，就像是一个厨师要亲手从种菜、洗菜、切菜开始，还要自己发明食谱，非常耗时且容易出错。

CAPHEINE 的出现，就是为了解决这个问题。下面我用几个生动的比喻来解释它是如何工作的：

1. 它是做什么的？（全自动的“进化侦探”）

想象你有一堆杂乱无章的病毒基因片段（就像一堆没洗、没切的食材），还有一本标准的“食谱”（参考基因组）。

• 以前的做法：科学家得手动把食材洗干净、对齐、切好，然后一个个去分析哪里变了，哪里没变。这需要很高的技术门槛。
• CAPHEINE 的做法：你只需要把“食材”（病毒序列）和“食谱”（参考基因）扔进这个机器里。CAPHEINE 会自动完成所有脏活累活：
  • 清洗：剔除坏掉的或重复的序列。
  • 对齐：像拼图一样，把病毒基因和标准基因严丝合缝地对齐。
  • 分析：自动运行一系列高级的数学模型，找出病毒在进化过程中哪里“偷懒”了（负选择），哪里“拼命变强”了（正选择）。

2. 它为什么这么厉害？（“厨房”里的六把神器）

CAPHEINE 的核心是一个叫 HyPhy 的工具箱，里面装了六把不同的“瑞士军刀”（六种统计方法）。这就好比你的厨房里有六把不同的刀：

• 有的刀专门用来找长期都在变异的部位（就像找那些总是被切坏的菜叶）。
• 有的刀专门找偶尔爆发的变异（就像找那些只在特定季节才变质的菜）。
• 有的刀能告诉你，如果病毒换了一个宿主（比如从鸟换到了牛），它的进化压力是变大了还是变小了。

这些工具以前需要科学家一个个单独运行，现在 CAPHEINE 把它们打包在一起，一键运行，还能自动生成像 Excel 表格一样简单的报告，让不懂编程的人也能看懂。

3. 它是怎么发现“牛流感”秘密的？（一个真实的案例）

为了展示它的威力，作者用 CAPHEINE 分析了一组 H5N1 禽流感病毒的数据。

• 背景：这种病毒原本主要在野鸟中传播，但最近（2025 年）开始感染牛群。
• 问题：病毒为了在牛身上生存，身体里发生了什么变化？
• CAPHEINE 的发现：
  • 它像是一个显微镜，迅速扫描了病毒的所有基因。
  • 它发现，在牛身上的病毒，某些基因（如 HA、NS1）的进化压力变大了（就像牛身上的病毒在拼命“健身”以适应新环境）。
  • 而另一些基因（如 NP、PA）的进化压力变小了（可能因为在新环境里不需要那么费力气了）。
  • 最精彩的发现：它精准地抓到了一个具体的“嫌疑点”——病毒 M2 基因上的第 88 号位置。在这个位置，野鸟病毒和牛病毒的“氨基酸”（构成蛋白质的积木）不一样。这就像病毒为了适应牛，特意换了一个零件，这可能就是它能在牛身上生存的关键！

4. 为什么大家需要它？（让科学更民主）

• 跨平台：不管你是用苹果电脑、Windows 还是 Linux 服务器，它都能跑。
• 容器化：它自带了“集装箱”（Docker/Singularity），就像把整个厨房设备打包在一个箱子里，不管搬到哪，里面的刀和锅都是好的，不用担心环境配置问题。
• 快速出图：分析结果直接生成图表，科学家可以马上拿去写论文或做报告，不用花几天时间整理数据。

总结

CAPHEINE 就像是给病毒进化研究装上了自动驾驶系统。
以前，科学家需要自己开车（写代码、调参数）才能到达目的地（发现进化规律）；现在，他们只需要输入目的地（上传病毒数据），CAPHEINE 就能自动规划路线、避开拥堵（处理数据错误），并把他们安全、快速地送到终点，让他们能专注于欣赏沿途的风景（解读生物学意义），而不是担心车子会不会抛锚。

这对于公共卫生部门来说非常重要，因为它能让我们更快地发现病毒是如何适应新宿主、如何产生新毒株的，从而更快地制定疫苗和药物策略。

技术摘要

以下是基于论文《CAPHEINE, or everything and the kitchen sink: a workflow for automating selection analyses using HyPhy》的详细技术总结：

1. 研究背景与问题 (Problem)

• 病毒进化的复杂性：病毒（特别是 RNA 病毒如流感、HIV、SARS-CoV-2）具有极高的突变率和复杂的进化动力学（如重组、重配、宿主瓶颈效应），导致其传播和持久性模式多样。
• 数据分析的挑战：随着 GISAID 和 SRA 等数据库中病毒序列数据的爆发式增长，研究人员迫切需要能够快速、灵活且可扩展的计算方法来挖掘这些数据，提取有意义的选择信号（Selection Signals）。
• 现有工具的局限性：
  • 现有的工作流往往针对特定病毒或数据集定制，难以修改或跨研究比较。
  • 通用工具（如 V-pipe, ViralFlow）通常侧重于单核苷酸变异（SNV）的正向选择，但缺乏对谱系特异性（lineage-specific）或保守位点选择压力的全面测试。
  • 缺乏标准化的流程，导致不同研究间的结果难以复现，且需要大量自定义脚本和数据清洗工作。

2. 方法论 (Methodology)

CAPHEINE (Comprehensive Automated Pipeline using HyPhy for Evolutionary Inference with Nextflow) 是一个基于 Nextflow 和 nf-core 框架开发的自动化工作流，旨在通过 HyPhy 软件包进行全面的进化选择分析。

• 输入数据：
  • 查询数据集：未比对（unaligned）的病原体基因组 FASTA 文件（完整或部分）。
  • 参考数据集：病原体基因序列的参考 FASTA 文件（如 NCBI RefSeq 中的编码序列）。
  • 可选输入：前景（Foreground）序列列表或正则表达式，用于对比不同谱系间的选择压力差异。
• 核心处理流程：
  1. 预处理：修剪终止密码子，移除含过多缺口（>50%）或模糊碱基的序列。
  2. 比对：使用 cawlign (v0.1.14) 进行基于密码子的成对比对，确保阅读框完整性。
  3. 去重：使用 hyphy cln 移除重复序列以提高计算效率。
  4. 系统发育树构建：使用 IQ-Tree2 (GTR+I+G 模型) 推断最大似然树。
  5. 谱系标记：若提供前景序列，使用 HyPhy 的 label-tree 功能标记前景（Foreground）和背景（Reference）分支。
  6. 选择分析：集成 6 种 HyPhy 核心方法（见表 1）：
     • FEL：检测位点水平的持续性多样化选择。
     • MEME：检测位点水平的episodic（间歇性）多样化选择。
     • BUSTED：检测基因水平的episodic多样化选择证据。
     • PRIME：检测氨基酸理化性质（如疏水性、电荷等）的变化是否受选择。
     • Contrast-FEL：比较前景与背景谱系间位点选择压力的差异。
     • RELAX：检测前景谱系的选择强度是否相对于背景谱系发生松弛（Relaxation）或增强（Intensification）。
• 输出：生成易于解析的 CSV 文件，包含似然比统计量、参数估计和 P 值，可直接用于 R/Python 分析或可视化。

3. 关键贡献 (Key Contributions)

• 全流程自动化：将复杂的进化分析步骤（从原始序列到选择压力推断）封装为一个标准化的 Nextflow 工作流，极大降低了技术门槛。
• 跨平台与可复现性：支持 Mac OS, Windows, Linux，并可通过 Docker, Singularity, Conda 部署，确保在不同计算环境（从笔记本到 HPC 集群）下的结果一致性。
• 灵活的对比分析：允许用户通过正则表达式轻松定义“前景”谱系，自动执行对比分析（Contrast-FEL, RELAX），从而探索宿主转换或不同流行波次间的进化差异。
• 广泛的适用性：不仅限于病毒，只要提供编码序列和参考基因，即可应用于非病毒微生物的选择分析。
• 开源与社区驱动：基于 nf-core 标准构建，代码开源（GitHub: veg/CAPHEINE），便于社区维护和扩展。

4. 案例研究结果 (Results: H5N1 Host Shift)

研究团队利用 CAPHEINE 分析了 1975 年至 2025 年间的 H5N1 禽流感病毒序列，对比了野生鸟类（野生宿主）与2025 年牛群爆发（新宿主）的进化差异。

• 数据规模：处理了约 2.8 万条牛源序列和 4.2 万条野生鸟类序列。
• 整体进化模式：
  • 大多数基因表现出强烈的纯化选择（Purifying selection, $\omega < 1$）。
  • BUSTED 分析显示，超过一半的基因产物（如 PB2, PB1, PA, NA, NS1）在至少一个分支上存在间歇性多样化选择的统计证据。
  • PRIME 分析表明，每个基因中至少有一个位点的生化性质（如二级结构、电荷等）受到选择压力。
• 宿主转换特异性发现：
  • RELAX 分析：与野生鸟类相比，牛群中的 H5N1 在 HA, NS1, PB2 基因上表现出选择增强（Intensified selection），而在 NP, PA, PB1 基因上表现出选择松弛（Relaxed selection）。
  • 位点特异性发现：
    • 通过筛选同时满足 MEME（episodic 正选择）和 Contrast-FEL（$\beta_{cattle} > \beta_{wild}$）的位点，发现了两个关键位点（PA 和 M2 基因）。
    • M2 基因第 88 位：在牛群分支中主要残基为天冬酰胺（Asparagine），而在野生鸟类中为天冬氨酸（Aspartate）。该位点显示出增强的正选择信号，且位于病毒包装和产生感染性病毒颗粒的关键区域（82-89 位），暗示病毒正在适应新宿主（牛）。

5. 意义与展望 (Significance)

• 加速科学发现：CAPHEINE 将原本需要大量自定义脚本和手动数据清洗的复杂分析过程简化为“一键式”操作，使研究人员能专注于生物学解释而非技术实现。
• 公共卫生决策支持：该工具能快速识别病毒在宿主转换过程中的适应性突变（如 M2 第 88 位），为疫苗靶点优先排序、药物开发及公共卫生预警提供可操作的线索。
• 标准化与透明度：通过标准化的工作流和清晰的元数据记录，提高了进化生物学研究的透明度和可复现性。
• 局限性说明：作者指出该流程目前不包含自动重组检测（如 GARD），对于高重组病原体（如 HIV-1），建议用户在运行前手动进行重组筛选，以避免假阳性。

总结：CAPHEINE 是一个强大的、用户友好的自动化工作流，它填补了从原始病毒序列到深入进化选择分析之间的空白，特别适用于大规模监测病原体在宿主转换过程中的适应性进化。