Towards coevolution-aware ancestral sequence reconstruction

Resumen Técnico: Hacia la reconstrucción de secuencias ancestrales consciente de la coevolución

Planteamiento del problema
La Reconstrucción de Secuencias Ancestrales (ASR, por sus siglas en inglés) es una herramienta estándar para el estudio de la evolución molecular y la función proteica. Sin embargo, los métodos convencionales de ASR se basan en la suposición de que los sitios de aminoácidos evolucionan de forma independiente. Esta simplificación ignora las restricciones epistáticas —interacciones entre residuos que son críticas para mantener la estructura, estabilidad y función de la proteína—. Los autores argumentan que esta independencia de sitios conduce a dos problemas principales:

1. Sobreidealización: Las reconstrucciones de máxima probabilidad a posteriori (MAP) a menudo concentran la probabilidad en una única secuencia que puede ser "sobreidealizada", exhibiendo una estabilidad o promiscuidad inusualmente alta en comparación con las proteínas existentes.
2. Implausibilidad: El muestreo directo desde distribuciones posteriores independientes de sitios puede generar secuencias que son estadísticamente plausibles bajo el modelo independiente, pero biológicamente implausibles o no funcionales porque violan las restricciones residuo-residuo.
   Además, los métodos de ASR existentes rara vez se evalúan mediante comparaciones con datos de "Verdad de Campo" (GT, por sus siglas en inglés) generados bajo restricciones epistáticas realistas, ya que la recuperación experimental de secuencias ancestrales está limitada a escalas de tiempo muy recientes.

Metodología
El artículo propone un marco de ASR consciente de la coevolución que integra la inferencia filogenética estándar con el Análisis de Acoplamiento Directo (DCA). La metodología consta de tres componentes principales:

1. Reconstrucción estándar independiente de sitios:
   El proceso comienza con una ASR bayesiana estándar (utilizando el algoritmo de Yang) para inferir la distribución posterior por sitio de los aminoácidos en el nodo ancestral. Esto produce un conjunto de secuencias candidatas ($S_{anc}$) muestreadas de la posterior independiente de sitios. Crucialmente, este paso preserva las estadísticas marginales (frecuencias por sitio) inferidas de la filogenia.

2. Remezcla coevolutiva (La innovación central):
   Para imponer restricciones epistáticas sin la intratabilidad computacional de la inferencia exacta en una filogenia bajo un prior de DCA, los autores introducen un procedimiento de remezcla:

• Las secuencias candidatas se optimizan iterativamente mediante intercambios aleatorios de aminoácidos en sitios específicos.
• Los intercambios se aceptan basándose en un criterio de Metropolis utilizando la función de energía de DCA ($E_{DCA}$), que incluye campos específicos de sitio ($h_i$) y acoplamientos de pares ($J_{ij}$).
• Este proceso minimiza la energía de DCA de las secuencias mientras preserva estrictamente las frecuencias de aminoácidos por sitio derivadas de la reconstrucción inicial independiente de sitios.
• El resultado es un conjunto de candidatos coevolutivos ($S^{DCA}_{anc}$) que son filogenéticamente consistentes (coincidiendo con los marginales de sitio) pero están restringidos estructural y funcionalmente por el modelo de DCA.

3. Marco de evaluación (Benchmarking):
   Para evaluar rigurosamente el método, los autores desarrollaron un simulador de evolución hacia adelante basado en el modelo de DCA.

• Partiendo de secuencias de "Verdad de Campo" (GT) conocidas ($s_{GT}$) seleccionadas de datos existentes, las secuencias evolucionan a lo largo de un árbol filogenético fijo utilizando una cadena de Markov de tiempo discreto que respeta las restricciones de energía de DCA.
• Este simulador genera datos de las hojas que retienen tanto las correlaciones filogenéticas como las restricciones epistáticas realistas, permitiendo una comparación directa entre los ancestros reconstruidos y la $s_{GT}$ conocida.
• El estudio prueba varios regímenes evolutivos escalando las longitudes de las ramas ($\mu_{gen}$) y seleccionando secuencias raíz con variaciones en su mutabilidad (cuantificada mediante la Entropía Dependiente del Contexto, CDE).

Resultados clave
El marco se aplicó a las familias de $\beta$-lactamasa y de dominios de unión al ADN. Los hallazgos clave incluyen:

• Impacto de la mutabilidad de la raíz: La precisión de la reconstrucción depende altamente de la mutabilidad de la secuencia ancestral. Para raíces "débilmente mutables" (altamente restringidas por la epistasia), el método consciente de la coevolución supera significativamente a los métodos independientes de sitios. Para raíces "altamente mutables", la ventaja es menos pronunciada, pero el método sigue produciendo candidatos biológicamente plausibles.
• Distancia de Hamming vs. Energía de DCA:
  • Las reconstrucciones MAP estándar a menudo producen secuencias con distancias de Hamming menores a las de las secuencias consenso simples, pero exhiben energías de DCA artificialmente bajas, lo que sugiere que están sobreoptimizadas para la estabilidad y pueden no reflejar el verdadero estado ancestral.
  • El muestreo independiente de sitios produce secuencias con energías de DCA altas, que a menudo caen fuera de la región funcional del espacio de secuencias.
  • Los candidatos conscientes de la coevolución ($S^{DCA}_{anc}$) logran un equilibrio: mantienen distancias de Hamming comparables a las estimaciones MAP mientras exhiben energías de DCA consistentes con las familias naturales existentes.
• Plausibilidad estructural: Los candidatos del conjunto consciente de la coevolución muestran propiedades estructurales superiores en comparación con las muestras independientes de sitios. Exhiben puntuaciones de prueba de diferencia de distancia local (pLDDT) predichas más altas y una desviación cuadrática media (RMSD) menor cuando se comparan con estructuras de alta precisión de AlphaFold de la verdad de campo.
• Identificación de regímenes evolutivos: Los autores identifican un tiempo de escala evolutiva intermedia ($\mu_{gen} \in [1, 100]$) donde la inferencia filogenética proporciona información no trivial más allá del consenso simple, y donde los beneficios de incorporar la coevolución son más detectables.

Significado y Reivindicaciones
El artículo afirma proporcionar una vía práctica para las reconstrucciones ancestrales que reflejen mejor la naturaleza acoplada de la evolución de las proteínas. Su importancia radica en:

• Cerrar la brecha: Ofrece una solución computacionalmente tratable que cierra la brección entre la reconstrucción MAP de secuencia única (que ignora la epistasia) y el muestreo de la posterior sin restricciones (que ignora las restricciones estructurales).
• Realismo biológico: Al imponer restricciones de DCA, el método genera conjuntos de candidatos ancestrales que no solo son filogenéticamente consistentes, sino también estadísticamente compatibles con las familias de proteínas naturales y estructuralmente viables.
• Cuantificación de la incertidumbre: El enfoque aboga por el muestreo de un conjunto de ancestros plausibles en lugar de depender de una única estimación puntual, proporcionando una representación más realista de la incertidumbre y la diversidad ancestral.
• Validación: El trabajo demuestra que los beneficios de la reconstrucción consciente de la coevolución solo son detectables cuando los datos subyacentes (o la simulación) reflejan verdaderas restricciones epistáticas, resaltando la necesidad de tales modelos para estudios de evolución en tiempos profundos.

Los autores concluyen que, si bien su método actualmente se aplica a nodos únicos de forma independiente, representa un paso fundamental hacia la reconstrucción de ancestros que son tanto evolutivamente coherentes como biológicamente auténticos, evitando los sesgos sistemáticos de los enfoques tradicionales independientes de sitios.