AmpliPhy improves gene trees by adding homologous sequences without affecting alignments

Resumen Técnico: AmpliPhy

Planteamiento del Problema
En filogenómica, la reconstrucción de árboles de genes depende fundamentalmente de dos pasos secuenciales: el alineamiento de secuencias múltiples (MSA) y la inferencia de árboles. Si bien está establecido que un muestreo de taxones más denso generalmente mejora la inferencia de árboles de genes, los efectos mecánicos específicos de añadir secuencias homólogas a un conjunto de datos existente aún no se comprenden bien. Específicamente, existe una falta de conocimiento empírico sobre cómo el enriquecimiento de homólogos influye en las distintas etapas del proceso de inferencia, incluyendo la calidad del alineamiento de secuencias múltiples, la precisión de la reconstrucción de árboles y la corrección del enraizamiento de los árboles. Además, existe la preocupación de que añadir secuencias pueda introducir ruido o complicar los alineamientos sin garantizar ganancias proporcionales en la precisión filogenética.

Metodología
Para abordar estas brechas, los autores llevaron a cabo evaluaciones comparativas a gran escala utilizando tanto datos empíricos como simulaciones. El estudio empleó un diseño experimental de "enriquecimiento-empobrecimiento" para cuantificar sistemáticamente el impacto de la adición de secuencias homólogas. Los investigadores evaluaron los efectos de este enriquecimiento a través de tres dimensiones específicas:

1. Calidad del Alineamiento: Evaluando si la adición de secuencias degradó o mejoró el MSA.
2. Reconstrucción de Árboles: Midiendo la precisión de los árboles filogenéticos inferidos.
3. Enraizamiento: Analizando la ubicación de la raíz en los árboles enriquecidos.

La precisión del árbol se cuantificó mediante una métrica basada en la congruencia taxonómica. El estudio también investigó la relación entre un enraizamiento preciso y la mejora general del árbol, particularmente cuando se emplearon métodos sensibles de búsqueda de homólogos.

Contribuciones Clave
La contribución principal de este trabajo es el desarrollo y lanzamiento de AmpliPhy, un software de flujo de trabajo (pipeline) de código abierto diseñado para mejorar eficientemente la reconstrucción filogenética de familias de proteínas mediante el enriquecimiento de homólogos. La herramienta operacionaliza los hallazgos de que añadir homólogos puede ser una vía práctica hacia una mayor precisión a medida que las bases de datos de secuencias se expanden.

Resultos
Las evaluaciones comparativas arrojaron varios hallazgos distintos:

• Inferencia de Árboles: El enriquecimiento de homólogos mejoró consistentemente la calidad de la inferencia de árboles.
• Calidad del Alineamiento: Se encontró que los efectos de la adición de secuencias en la calidad del alineamiento de secuencias múltiples fueron marginales.
• Enraizamiento: La mejora observada en la inferencia de árboles está asociada con, aunque no limitada estrictamente a, un enraizamiento más preciso cuando se utilizan búsquedas de homólogos sensibles.
• Eficiencia: Una parte significativa de los beneficios filogenéticos puede retenerse incluso cuando se utilizan alineamientos relativamente compactos producidos por el proceso de adición de secuencias, lo que sugiere que los alineamientos exhaustivos y masivos no siempre son necesarios para capturar las ganancias.

Significancia
El artículo posiciona a AmpliPhy como una solución práctica para aprovechar el volumen creciente de datos de secuencias en las bases de datos para mejorar los análisis filogenómicos. Al demostrar que el enriquecimiento de homólogos mejora la precisión del árbol sin comprometer significativamente la calidad del alineamiento, el trabajo valida una estrategia de "añadir más datos" a los procesos existentes. La disponibilidad del software permite a los investigadores aplicar estas estrategias de enriquecimiento para mejorar la reconstrucción de familias de proteínas, siendo la herramienta accesible a través del repositorio GitHub de DessimozLab.