TriMouNet: An Algorithm for Inferring Level-1 Phylogenetic Networks from Multi-Locus Gene Tree Distributions.

TriMouNet es un algoritmo que infiere redes filogenéticas de nivel 1 a partir de distribuciones de árboles genéticos multilocus, combinando trinets estadísticamente soportados para identificar reticulaciones con baja tasa de falsos positivos, superando así las limitaciones de métodos como TriLoNet que aplican concatenación de loci.

Lo esencial

Imagina que la historia de la vida en la Tierra es como un enorme árbol genealógico familiar. Durante mucho tiempo, los científicos pensaron que este árbol era perfecto: ramas que se separan y nunca se vuelven a unir. Pero la realidad es más compleja. A veces, las ramas se cruzan, se mezclan o se "casan" entre sí (esto se llama hibridación o reticulación). Cuando esto pasa, el árbol se convierte en una red, como una telaraña o un sistema de metro con muchas conexiones.

El problema es que reconstruir esta red es muy difícil, especialmente cuando tienes miles de piezas de evidencia (genes) que a veces cuentan historias diferentes.

Aquí es donde entra TriMouNet, el nuevo "detective" presentado en este artículo.

El Problema: El Rompecabezas Roto

Imagina que quieres reconstruir la historia de una familia, pero en lugar de tener un álbum de fotos completo, tienes miles de cartas sueltas escritas por diferentes miembros de la familia a lo largo de los años.

• El método antiguo (TriLoNet): Intentaba armar la historia mirando solo tres personas a la vez y basándose en una sola carta. A veces, si la carta estaba mal escrita o incompleta, el detective sacaba conclusiones erróneas, inventando conexiones que no existían (como pensar que dos primos son hermanos porque se parecen).
• El nuevo método (TriMouNet): En lugar de mirar una sola carta, TriMouNet toma todas las cartas de miles de genes (el "multilocus") y las analiza juntas.

La Analogía del "Sabor de la Sopa"

Piensa en los genes como si fueran ingredientes en una sopa gigante.

• Si solo pruebas una cucharada (un solo gen), podrías pensar que la sopa es solo de zanahoria.
• Pero si pruebas miles de cucharadas de diferentes partes de la olla (miles de genes), puedes ver el verdadero sabor: "¡Ah! Hay zanahoria, pero también hay un toque de patata y un poco de apio que se mezclaron de forma extraña".

TriMouNet hace exactamente esto. No se fija en una sola "cucharada" de ADN, sino que analiza la distribución de sabores de miles de genes para entender cómo se mezclaron las historias.

¿Cómo funciona TriMouNet? (El Proceso en 3 Pasos)

1. El Escaneo de Grupos de Tres (Los "Trinets"):
   El algoritmo toma grupos de tres especies a la vez (por ejemplo: un humano, un chimpancé y un gorila). En lugar de adivinar, mira miles de genes para ver cómo se comportan.

   • La analogía: Imagina que tienes tres amigos. A veces, dos de ellos parecen muy cercanos en una foto, pero en otra foto, uno de ellos se acerca más al tercero. TriMouNet cuenta todas las fotos (genes) para ver quién es realmente el "mejor amigo" y si hubo algún "cambio de pareja" (hibridación).

2. La Medición de la Distancia (Las Reglas del Juego):
   El programa mide no solo quién está cerca de quién, sino qué tan lejos están las ramas del árbol.

   • La analogía: Es como medir el tiempo que tardan dos coches en llegar a un destino. Si los tiempos son muy variados (unos llegan rápido, otros lento), sugiere que hubo un "cruce de caminos" o una mezcla de rutas. TriMouNet usa matemáticas avanzadas para detectar estos patrones de "confusión" en los tiempos de viaje.

3. Ensamblar la Red (El Puzzle Final):
   Una vez que ha analizado todos los grupos de tres, toma todas esas pequeñas piezas de información y las une para formar la red completa de todas las especies.

   • La analogía: Es como tener miles de pequeñas piezas de un puzzle de 3D. TriMouNet las encaja una por una, asegurándose de que encajen lógicamente, creando una imagen final que muestra no solo un árbol, sino una red con "túneles" donde las especies se mezclaron.

¿Por qué es mejor que los anteriores?

El artículo prueba este método con datos reales de levaduras (hongos microscópicos), árboles de coníferas y aves.

• En las aves: Los métodos antiguos (TriLoNet) se perdieron y dibujaron una bola de confusión donde no se veía nada. TriMouNet, en cambio, logró ver claramente los grupos de aves que todos conocemos (como los loros y los halcones) y detectó dónde hubo mezclas históricas.
• En las levaduras: TriMouNet encontró una historia de "matrimonio" entre especies que otros métodos habían pasado por alto o malinterpretado.

En Resumen

TriMouNet es como un nuevo tipo de lente para mirar la historia de la vida.

• Los métodos viejos miraban a través de un agujero de cerradura (pocos datos, una sola historia).
• TriMouNet usa un gran angular (miles de genes) para ver la imagen completa.

Gracias a esto, los científicos pueden decir con más seguridad: "¡Sí, estas dos especies se mezclaron en el pasado!" o "No, esa conexión es solo una ilusión causada por datos incompletos". Es una herramienta más precisa, más honesta y mucho mejor para entender la compleja y retorcida (en el buen sentido) historia de nuestro planeta.

Resumen técnico

Resumen Técnico: TriMouNet

1. El Problema

La reconstrucción de la evolución filogenética ha evolucionado desde la búsqueda de un único árbol de especies hacia la modelización de la evolución reticulada (hibridación, transferencia horizontal, introgresión). Sin embargo, existen desafíos significativos:

• Incongruencia de árboles génicos: En presencia de Sorting Incompleto de Linajes (ILS) y eventos de reticulación, los árboles génicos individuales a menudo discordan con el árbol de especies.
• Limitaciones de los métodos actuales: El método existente TriLoNet construye redes de nivel-1 (donde ningún nodo pertenece a más de un ciclo) a partir de "trinets" (redes de 3 taxones) derivados de alineamientos de secuencia únicos.
  • Esto requiere suposiciones poco realistas, como la independencia de sitios y la composición de bases en equilibrio.
  • Los alineamientos de 3 taxones carecen de patrones de sitios informativos para la parsimonia y son sensibles a desviaciones del reloj molecular, lo que a menudo lleva a la predicción de reticulaciones falsas o a la incapacidad de resolver la topología correcta.
• Necesidad de datos multilocus: Con la disponibilidad de genomas completos, los conjuntos de datos multilocus (miles de loci) ofrecen una oportunidad para inferir redes basándose en la distribución de topologías y longitudes de ramas de los árboles génicos, en lugar de solo en la señal de un solo alineamiento.

2. Metodología: TriMouNet

TriMouNet (Trinet Multilocus Network) es un algoritmo diseñado para inferir redes filogenéticas de nivel-1 utilizando la distribución de árboles génicos de un conjunto de datos multilocus. Su flujo de trabajo se divide en dos etapas principales:

A. Inferencia de Trinets a partir de Árboles Génicos (Paso A)
A diferencia de TriLoNet, TriMouNet no trabaja con alineamientos directos, sino con una colección de árboles génicos reconstruidos.

1. Entrada: Un conjunto de árboles génicos reconstruidos (usando, por ejemplo, IQ-TREE 2) para un conjunto de taxones que incluye un grupo externo (outgroup).
2. Análisis de Cuartetos: Para cada tripleta de taxones internos $\{x, y, z\}$ y el outgroup $o$, se extraen los cuartetos inducidos.
3. Clasificación de Trinets: Se utilizan estadísticas de distribución de longitudes de ramas y topologías para clasificar cada tripleta en uno de los tipos de trinet de nivel-1:
   • Tipos NT (N2, N3, N4, T1): Donde hay un solo split dominante. Se utilizan ratios de distancias normalizadas ($V_1$ para el borde de cereza, $V_2$ para el borde pendiente) para determinar si la distribución de longitudes es unimodal (coalescencia simple) o bimodal (mezcla de coalescencias).
   • Tipos S (S1, S2): Donde hay dos splits compitiendo (asimetría significativa). Se utiliza una estadística adicional ($V_3$, ratio del borde común) para distinguir entre niveles jerárquicos de ancestros comunes.
4. Modelado Estadístico: Se asume que las longitudes de ramas observadas siguen una distribución Gaussiana Modificada Exponencialmente (EMG). Esto combina el tiempo de coalescencia (exponencial, bajo el modelo de coalescencia multiespecie) con el error de estimación (Gaussiano).
5. Prueba de Significancia: Se aplica una prueba binomial para detectar asimetrías significativas en la frecuencia de splits (indicativa de reticulación) y se utilizan pruebas de razón de verosimilitud (mediante el algoritmo L-BFGS-B) para decidir si una distribución es unimodal o una mezcla de dos, asignando así el tipo de trinet correcto con un puntaje de soporte estadístico.

B. Fusión de Trinets en una Red (Paso B)

• Una vez asignados los trinets con sus puntuaciones de soporte, el algoritmo utiliza una estrategia similar a TriLoNet para fusionarlos.
• Utiliza el algoritmo de Tarjan para identificar componentes fuertemente conexos (cerezas, cerezas reticuladas o cactus).
• La fusión se realiza iterativamente, resolviendo conflictos y utilizando los pesos estimados ($w_1$) para determinar la dirección y la fuerza de las aristas de reticulación.
• Si la información es insuficiente para ordenar un cactus, se representan las aristas como discontinuas (dashed lines) para indicar incertidumbre.

3. Contribuciones Clave

• Nuevo Paradigma de Inferencia: Cambia el enfoque de la inferencia basada en alineamientos de secuencia a la inferencia basada en la distribución de árboles génicos, aprovechando la señal estadística de miles de loci.
• Robustez Estadística: Introduce un marco probabilístico (modelo EMG) para distinguir entre ILS puro y reticulación, reduciendo los falsos positivos causados por violaciones de suposiciones de modelos de evolución de secuencias.
• Mejora sobre TriLoNet: Resuelve la ambigüedad de los trinets de 3 taxones al incluir siempre un outgroup en el análisis de cuartetos, lo que ancla la topología y reduce errores de asignación.
• Herramienta de Software: Implementación de TriMouNet.jar disponible públicamente, capaz de procesar grandes conjuntos de datos multilocus.

4. Resultados

Los autores evaluaron TriMouNet mediante datos simulados y tres conjuntos de datos biológicos reales:

• Datos Simulados:

  • TriMouNet demostró una alta precisión en la detección de señales de reticulación, especialmente cuando la señal es fuerte (bajas longitudes de ramas internas) y el número de loci es alto.
  • La tasa de falsos positivos fue baja cuando los árboles génicos de entrada eran precisos.
  • En escenarios de señal débil, el método es conservador, evitando inferir reticulaciones incorrectas a costa de no detectar algunas débiles (falsos negativos).

• Datos Biológicos Reales:

  1. Levaduras (Saccharomyces): TriMouNet recuperó clados bien establecidos y eventos de reticulación (ej. S. kudriavzevii) que TriLoNet no pudo resolver correctamente o colapsó en estructuras de "cactus" ambiguas. TriMouNet identificó correctamente la relación de hermana entre T. delbrueckii y Z. rouxii, mientras que TriLoNet falló.
  2. Cipreses (Cupressaceae): La herramienta resolvió splits internos en el clado Thuja y detectó una estructura de cactus pequeña con reticulación, alineándose con estudios previos de filogenómica. TriLoNet colapsó estas estructuras.
  3. Aves (Neoaves): En un dataset altamente controvertido con bordes internos muy cortos, TriLoNet falló completamente, produciendo un cactus no resuelto. TriMouNet recuperó los clados principales (Australaves, Afroaves, etc.) y representó la incertidumbre residual mediante aristas discontinuas, demostrando superioridad en datos difíciles.

5. Significado e Impacto

• Precisión Mejorada: TriMouNet ofrece una alternativa más robusta a los métodos de concatenación y a TriLoNet, especialmente en escenarios donde la evolución reticulada es común y los datos son masivos.
• Interpretabilidad: Al asignar puntuaciones de soporte estadístico a cada trinet y arista de reticulación, permite a los biólogos distinguir entre eventos de hibridación reales y artefactos de ruido o ILS.
• Futuro: El trabajo sienta las bases para la extensión hacia redes de nivel-2 (más complejas) y sugiere que la integración de filtros de calidad de árboles génicos y modelos más sofisticados de heterogeneidad composicional mejorará aún más la inferencia.

En conclusión, TriMouNet representa un avance significativo en la filogenética computacional, proporcionando un método riguroso para inferir redes evolutivas complejas a partir de la variación natural de los árboles génicos en genomas completos.