病毒演化（Viral Evolution）整合分子演化學、群體遺傳學、流行病學和生態學的理論框架，解釋病毒多樣性的產生、維持和功能後果。
突變率的決定因子與演化後果
RNA 病毒突變率（μ）的變異範圍約為 10⁻⁶ 至 10⁻³ s/n/c（substitutions per nucleotide per cell infection cycle）。Sanjuán et al.（2010, Journal of Virology）的系統性綜述顯示 μ 與基因體大小呈負相關——較大基因體需要較低突變率以避免誤差災變。冠狀病毒的 ExoN（NSP14）校對活性使其在 ~30 kb 的 RNA 基因體下維持可接受的突變負載；ExoN 失活突變株的突變率提高約 15-20 倍且體內複製適應度顯著降低（Eckerle et al., 2010, PLoS Pathogens）。
突變-選擇-漂變的相對貢獻：病毒群體遺傳學的核心問題是區分正向選擇（positive selection）、負向選擇（purifying selection）和遺傳漂變（genetic drift）的相對重要性。dN/dS 比值（非同義/同義替換率）是標準指標——dN/dS > 1 暗示正向選擇，< 1 暗示負向選擇。SARS-CoV-2 Spike RBD 在 Alpha → Delta → Omicron 的演化軌跡中顯示強正向選擇信號，尤其是 ACE2 結合介面和抗體逃脫位點（Cao et al., 2022, Nature）。
瓶頸效應：病毒傳播通常涉及嚴格的遺傳瓶頸——估計流感的傳播瓶頸約 1-2 個基因體拷貝（Varble et al., 2014, Cell Host & Microbe）。瓶頸加劇隨機遺傳漂變，可能導致適應度較低的變異體被固定（Muller's ratchet）。
準種動力學與適應地景
Eigen 和 Schuster 的準種理論（1977, Naturwissenschaften）從化學動力學出發描述自我複製分子群體的突變-選擇平衡。病毒群體佔據序列空間（sequence space）中的一個「雲」，圍繞適應度峰值（fitness peak）分布。突變負載（mutation load）——群體平均適應度低於最適基因型的程度——隨突變率增加。
此理論的治療意義：致死性誘變（lethal mutagenesis）策略使用核苷類似物（如 ribavirin、molnupiravir、favipiravir）人為提高突變率，將病毒推向誤差災變邊緣。然而，SARS-CoV-2 的 molnupiravir 治療引發擔憂——亞致死的突變增加可能反而產生具有新表型的活變異體（Sanderson et al., 2023, Nature），凸顯了此策略的雙面刃性質。
跨物種傳播的分子適應
病毒溢出的分子決定因子正被系統性解析：
- 受體適應：禽流感 HA 偏好 α-2,3 唾液酸（禽類呼吸道），人流感偏好 α-2,6 唾液酸（人類上呼吸道）。H5N1 的 HA Q226L 和 G228S 突變可切換受體偏好，是大流行風險評估的關鍵監測指標（Herfst et al., 2012, Science——「gain-of-function」實驗引發重大生物安全倫理爭議）。
- 聚合酶適應：禽流感 PB2 E627K 突變使聚合酶在 33°C（人類上呼吸道溫度）有效運作；ANP32A 蛋白的物種差異是此溫度適應的宿主決定因子（Long et al., 2016, Nature）。
- 先天免疫逃脫：跨物種後需適應新宿主的先天免疫壓力——如 HIV-1 的 Vif 蛋白必須適應人類 APOBEC3G/3F 而非猩猩的同源蛋白。
系統發育動態與分子鐘
分子鐘假說允許從序列差異估算分歧時間。貝葉斯系統發育方法（如 BEAST 軟體套件，Drummond & Rambaut, 2007, BMC Evolutionary Biology）整合時間標記的序列資料與流行病學資訊，估算演化速率、有效群體大小（Bayesian skyline plot）和祖先狀態重建。
SARS-CoV-2 Omicron 的起源仍有爭議——其長分支長度與已知流行序列的顯著分歧暗示可能在免疫低下個體中長期感染並累積突變、或在未被監測的動物宿主中演化（逆向人畜共通傳播，reverse zoonosis）。這強調了全球基因體監測中覆蓋不均的盲點。
演化預測的前沿
深度突變掃描（deep mutational scanning, DMS）系統性地測量所有可能單點突變對蛋白質功能（如 RBD-ACE2 結合親和力、抗體逃脫）的影響（Starr et al., 2020, Cell），結合演化分析和機器學習模型（如 EVEscape），初步實現了病毒變異表型的有限預測能力。然而，多突變組合的上位效應（epistasis）和群體層面的選擇動態使完全準確的預測仍然是開放挑戰。