O Que É Filogenético

Entendendo análise filogenética na prática

Se você está aqui porque precisa montar uma árvore filogenética e não sabe por onde começar, a coisa é mais simples do que parece, mas tem armadilhas que destroem projetos inteiros se você não prestar atenção. Filogenia é o estudo das relações evolutivas entre organismos, genes ou sequências, e o que é filogenético basicamente se resume a isso: reconstruir parentesco a partir de dados moleculares ou morfológicos. No dia a dia do laboratório, você vai passar mais tempo limpando alinhamentos do que rodando software. Isso não é um detalhe secundário. Um alinhamento ruim gera uma árvore ruim, não importa qual método você use. Eu já vi gente gastar oito horas num maximum likelihood no RAxML só pra descobrir depois que o alinhamento tinha regiões mal convergidas que estavam empurrando os bootstrap values pra cima de forma artificial.

o que é filogenético e como funciona o fluxo real

O fluxo básico é: obter sequências, alinhar, escolher modelo, construir árvore, avaliar suporte. Parece linear, mas cada passo tem decisões que alteram o resultado final. Vamos detalhar cada um. Obtenção de sequências. Você pode baixar do GenBank, fazer PCR e sequenciar, ou montar de novo a partir de transcriptoma. Se for do GenBank, verifique se as sequências estão completas e se a curadoria foi feita. Sequências problemáticas de bancos públicos são mais comuns do que as pessoas admitem. Eu já encontrei entry no GenBank com um frameshift óbvio que ninguém corrigiu em dez anos, e quem usava aquela sequência no alinhamento era o nó que mais desestabilizava a topologia. Alinhamento múltiplo. Para proteínas, MAFFT com ajuste de parâmetros L-INS-i costuma ser o mais confiável para conjuntos pequenos e médios, até cerca de duzentas sequências. Para conjunto maior, o FFT-NS-2 é mais rápido e geralmente bom o suficiente. Para sequências rRNA ou regiões com muitos gaps, o PRANK leva em conta a inserção/deleção como eventos evolutivos, o que evita alinhamentos artificiosos que inflacionam similaridade. Depois do alinhamento, você precisa tratar as regiões mal alinhadas. O trimAl com parâmetro -automated1 faz uma triagem razoável, mas olhe o resultado visualmente antes de confiar cegamente. Gaps contíguos que cobrem mais de cinquenta por cento das sequências quase sempre devem ser cortados.

Escolha do modelo de substituição. O ModelFinder do IQ-TREE ou o jModelTest para DNA fazem essa escolha automaticamente com base no BIC ou AICc. Não chute o modelo. Usar JC instead de GTR+G pode mudar completamente a topologia em dados com variações de taxa reais. Isso não é exagero, é algo que eu vi acontecer com dados de microrganismos onde a composicional bias é forte. Construção da árvore. Os métodos principais são distance-based (Neighbor-Joining), maximum parsimony e maximum likelihood. Para a maioria dos estudos modernos com dados moleculares, maximum likelihood é o padrão. O IQ-TREE é rápido e robusto, o RAxML-NG também é excelente. A bayesiana com MrBayes ou BEAST é outra opção quando você precisa de estimativas de tempo ou quer incorporar incerteza de forma mais explícita, mas roda muito mais devagar. Avaliação de suporte. Bootstrap com 1000 réplicas é o mínimo aceitável. O ultrafast bootstrap do IQ-TREE dá algo semelhante em minutos em vez de horas, mas em datasets grandes com problemas de modelagem ele pode superestimar suporte. Se você vir nodes com UFB de 99 por cento e bootstrap clássico de 45 por cento na mesma região, desconfie.

Um problema específico que eu enfrentei e que vale a pena mencionar: tínhamos um conjunto de sequências de fungos onde a árvore baseada em um único gene mostrava um agrupamento fortemente supported que não fazia sentido com a taxonomia conhecida. A causa era convergência adaptativa em regiões codificantes sob pressão seletiva forte. A solução foi verificar dN/dS com o codonmodel do IQ-TREE, identificar os sítios sob seleção positiva e reconstruir a árvore removendo essas regiões. O grupo artifcial desapareceu. Às vezes a solução é mais simples: usar múltiplos genes em abordagem concatenada ou coalescente.

Ferramentas e recursos úteis

O IQ-TREE (iqtree.org) é provavelmente a ferramenta mais completa atualmente, com suporte integrado a modelos, bootstrap ultrafast e visualização rápida. O MAFFT (https://mafft.cbrc.jp/alignment/software/) é padrão na maioria dos laboratórios para alinhamento. Para visualização, o FigTree e o iTOL (itol.embl.de) são as opções mais usadas, sendo o iTOL particularmente útil para árvores complexas com anotações. Se você trabalha com dados de grande escala, o RAxML-NG (github.com/cmeucci/raxml-ng) e o FastTree são alternativas válidas, especialmente quando o tempo de computação é fator crítico. Para filogenômica com centenas de genes, o ASTRAL (astral.github.io) resolve conflitos entre árvores gênicas usando o modelo de coalescente. Para quem quer acessar dados de referência, o NCBI Taxonomy e o Open Tree of Life oferecem estruturas taxonômicas que facilitam a ancoragem das suas árvores. O Silva e o RDP são essenciais se o trabalho envolver sequences ribossomais.

Pegadinhas que todo mundo cometee

A primeira é usar o gene certo. Um gene altamente conservado não resolve para espécies muito próximas, e um gene muito variável não resolve para relações profundas. Escolha o marcador com base na escala evolutiva da sua pergunta. A segunda é ignorar a composicional heterogeneidade. Se seus grupos têm composição de bases diferente, métodos que não corrigem isso vão agrupar sequências parecidas em composição, não parecidas evolutionary. O PhyloMagnet ou testes de homogeneidade composicional no IQ-TREE ajudam a detectar isso. A terceira pegadinha, e talvez a mais negligenciada, é a seleção do outgroup. Um outgroup muito distante introduce long-branch attraction, que agrupa erroneamente ramos longos juntos. Um outgroup muito próximo pode não resolver a raiz corretamente. O ideal é testar múltiplos outgroups e verificar se a posição da raiz é estável. Limitações importantes. Análise filogenética não é uma máquina da verdade. Ela gera hipóteses de parentesco com base nos dados disponíveis e nos modelos assumidos. Modelos são simplificações. Dados incompletos enviesam resultados. Se você tiver apenas um gene, a árvore representa a história desse gene, não necessariamente a história das espécies. Especiação e perda gênica são processos que confundem inferência filogenética. Recomendo sempre, quando possível, corroborar com dados de múltiplos loci ou características morfológicas independentes.

Em resumo, o que é filogenético não é segredo de ninguém, mas a qualidade do resultado depende de decisões metodológicas que exigem atenção. Alinhamento limpo, modelo adequado, suporte bem avaliado e consciência das limitações do seu dado. Se você seguir isso, evita a maior parte dos erros que eu vejo acontecendo em publicações por aí.