Scalable mass-spectrometry-based molecular phylogeny with TreeMS2

El artículo presenta TreeMS2, una herramienta computacional escalable que construye filogenias moleculares a partir de datos espectrométricos brutos sin necesidad de anotación, permitiendo comparar relaciones basadas en el fenotipo molecular con la historia evolutiva genética para identificar adaptaciones funcionales y errores de muestreo.

Lo esencial

Imagina que quieres entender cómo están relacionados todos los seres vivos en la Tierra. Tradicionalmente, los científicos han hecho esto leyendo el "manual de instrucciones" de cada organismo: su ADN. Es como comparar los planos arquitectónicos de diferentes casas para ver cuáles están relacionadas.

Pero, ¿y si en lugar de mirar los planos, miráramos cómo se ve y funciona realmente la casa? ¿Cómo está amueblada, qué olores tiene, qué comida hay en la nevera? Eso es lo que hace el proteoma y el metaboloma: son la "casa" tal como está construida y vivida en el día a día.

Aquí es donde entra TreeMS2, la nueva herramienta presentada en este artículo.

¿Qué es TreeMS2? (La analogía del "Reconocimiento de Huellas")

Imagina que tienes una biblioteca gigante llena de millones de libros (datos de espectrometría de masas). Hasta ahora, para encontrar similitudes entre estos libros, tenías que leer palabra por palabra, identificar cada autor y cada título (lo que se llama "anotar" los datos). Esto es lento, costoso y, si el libro está en un idioma raro o está dañado, no puedes leerlo.

TreeMS2 es como un robot superinteligente que no necesita leer el texto. En su lugar, mira la "huella digital" de cada página.

1. Sin leer, solo mirando: TreeMS2 toma las imágenes de las páginas (los espectros de masa) y las convierte en patrones visuales simples. No necesita saber qué dice el libro, solo necesita ver si el patrón de la página A se parece al de la página B.
2. Velocidad de luz: Otros métodos antiguos intentaban comparar cada página con cada otra página una por una. Si tienes un millón de páginas, eso toma una eternidad. TreeMS2 usa un truco matemático (como un mapa de carreteras súper eficiente) para encontrar los pares similares en segundos, incluso con millones de datos.
3. El Árbol de la Vida (y de la Comida): Al comparar estas "huellas", TreeMS2 dibuja un árbol familiar. Si dos organismos tienen huellas muy parecidas, están en la misma rama del árbol.

¿Qué descubrieron con esta herramienta?

Los autores probaron TreeMS2 en cuatro escenarios muy diferentes, como si fuera una herramienta multiusos:

• 1. Los Bacterianos (El detective de errores):
  Usaron TreeMS2 para ver cómo se relacionan 300 tipos de bacterias. El árbol que dibujó coincidió casi perfectamente con lo que ya sabíamos por el ADN. ¡Pero hubo una sorpresa! El árbol detectó que algunas bacterias estaban "sentadas" en el lugar equivocado. Resultó que, en el laboratorio, alguien había confundido las muestras (como poner una etiqueta de "manzana" en una "naranja"). TreeMS2 actuó como un detective que gritó: "¡Oye, esta bacteria no huele a bacteria de su familia!".

• 2. El Reino de la Vida (De virus a elefantes):
  Probaron la herramienta con virus, bacterias, plantas y animales. Aunque los datos eran inmensamente complejos, TreeMS2 logró agrupar a los virus juntos, a las plantas en otro grupo y a los animales en otro, tal como la evolución dicta. Incluso detectó que un tipo de bacteria (Mycoplasma) se parecía más a un virus que a otras bacterias, lo cual tiene sentido porque son muy pequeños y simples.

• 3. Células Individuales (Ver el cambio en tiempo real):
  Miraron células madre humanas que estaban aprendiendo a convertirse en otros tipos de células. TreeMS2 pudo ver el "viaje" de estas células. Podía distinguir claramente cuándo una célula era una célula madre y cuándo ya había empezado a cambiar, incluso con datos muy ruidosos y poco claros. Es como si pudieras ver el crecimiento de una planta desde una semilla hasta una flor, solo mirando la "energía" que emite.

• 4. La Despensa Mundial (Comida y Metabolitos):
  Finalmente, miraron miles de alimentos (frutas, carnes, quesos, vinos). TreeMS2 creó un mapa donde los alimentos similares se agrupan. El vino y la cerveza se juntaron (por la fermentación), la carne y el pescado se juntaron, y las frutas se agruparon con las verduras. Lo increíble es que lo hizo sin necesitar saber los nombres químicos de cada compuesto. Solo miró el "olor" molecular de la comida.

¿Por qué es importante?

Piensa en TreeMS2 como un traductor universal que no necesita un diccionario.

• Antes: Para comparar organismos, necesitábamos tener su ADN completo o saber exactamente qué proteínas tenían. Si no teníamos esa información (como en bacterias raras o alimentos exóticos), no podíamos comparar.
• Ahora: TreeMS2 puede comparar cualquier cosa que tenga una "huella molecular", sin importar si sabemos qué es o no. Es rápido, barato y funciona con datos que antes eran inútiles.

En resumen, TreeMS2 nos permite construir un árbol genealógico de la vida basado en cómo funcionan las cosas en la realidad (su fenotipo), no solo en sus planos genéticos. Nos ayuda a encontrar errores en los laboratorios, a entender cómo evolucionan las bacterias y a explorar la diversidad de la comida y la vida de una manera que nunca antes habíamos podido hacer.

Resumen técnico

1. El Problema

La filogenia molecular tradicional se basa en secuencias de ADN y ARN, las cuales ofrecen una historia evolutiva genética. Sin embargo, el fenotipo molecular real (proteoma y metaboloma) captura el estado bioquímico funcional, integrando variación genética, regulación epigenética y contexto ambiental.

• Limitación actual: Aunque existen vastos repositorios públicos de datos de espectrometría de masas (MS) de proteómica y metabolómica (miles de especies, miles de millones de espectros), estos recursos permanecen inexplorados para análisis filogenéticos a gran escala.
• Barreras técnicas: Los métodos existentes tienen limitaciones severas:
  • CompareMS2: Compara espectros directamente pero tiene una complejidad computacional cuadrática ($O(N^2)$), lo que lo hace inviable para conjuntos de datos grandes.
  • Qemistree: Opera a nivel de características mediante anotación in silico (SIRIUS/CSI:FingerID). Es vulnerable a la baja calidad de los datos y a la falta de anotación en conjuntos de datos no dirigidos (untargeted), y no genera filogenias a nivel de muestra o taxón fácilmente comparables entre estudios.
• Necesidad: Se requiere un marco computacional escalable, independiente de la anotación y capaz de procesar datos brutos de MS/MS (tandem mass spectrometry) para reconstruir relaciones evolutivas basadas en el fenotipo molecular.

2. Metodología: TreeMS2

TreeMS2 es una herramienta bioinformática de código abierto diseñada para construir matrices de similitud y filogenias directamente desde datos de espectrometría de masas brutos, sin necesidad de identificar péptidos, proteínas o metabolitos.

Flujo de trabajo principal:

1. Preprocesamiento y Vectorización:
   • Los espectros MS/MS se convierten en vectores dispersos mediante binning de los valores de relación masa/carga ($m/z$).
   • Se aplica filtrado de ruido (picos de baja intensidad, rangos de $m/z$ fuera de rango) y normalización L2.
2. Reducción de Dimensionalidad:
   • Se utiliza proyección aleatoria dispersa (sparse random projections) para convertir los vectores de alta dimensión en vectores densos de menor dimensión, preservando aproximadamente la similitud del coseno.
3. Búsqueda Aproximada de Vecinos Más Cercanos (ANN):
   • Los vectores se indexan utilizando estructuras de datos avanzadas (Faiss) y algoritmos como HNSW (Hierarchical Navigable Small World) o índices IVF (Inverted File).
   • Esto reduce la complejidad de búsqueda de cuadrática a casi lineal, permitiendo comparar millones de espectros eficientemente.
   • Los espectros se particionan por carga del precursor para restringir comparaciones a patrones de fragmentación similares.
4. Cálculo de Similitud Muestra a Muestra:
   • La similitud entre dos muestras se define como la fracción promedio de espectros en una muestra que tienen al menos una coincidencia cercana en la otra.
   • Esta métrica se convierte en una matriz de distancias simétrica.
5. Análisis Descendente:
   • La matriz de distancias se utiliza para reconstruir árboles filogenéticos (ej. algoritmo UPGMA) o para reducción de dimensionalidad (UMAP, PCA, MDS) y análisis estadísticos ecológicos (PERMANOVA).

Adaptabilidad: El método es agnóstico al dominio; funciona tanto en proteómica (DDA y DIA) como en metabolómica, ajustando parámetros de preprocesamiento (ej. rango mínimo de $m/z$) según el tipo de dato.

3. Contribuciones Clave

• Escalabilidad sin precedentes: TreeMS2 puede procesar conjuntos de datos con decenas de millones de espectros en horas, superando la barrera computacional de métodos anteriores.
• Independencia de la anotación: Al operar directamente sobre espectros brutos, elimina la dependencia de bases de datos de referencia incompletas, lo cual es crucial para taxones no estudiados, muestras ambientales y metabolómica no dirigida.
• Marco unificado multi-ómico: Proporciona una sola infraestructura computacional para integrar datos de proteómica, metabolómica y proteómica de células individuales (SCP).
• Control de calidad intrínseco: La capacidad de detectar desviaciones en la estructura filogenética basada en el fenotipo permite identificar errores de muestreo o manejo de muestras que los métodos basados en identificación de proteínas podrían pasar por alto.

4. Resultados

El estudio valida TreeMS2 en cuatro casos de uso diversos:

• Proteómica Bacteriana (38SPD):

  • Procesó 13 millones de espectros de 303 proteomas bacterianos en menos de 3.5 horas.
  • Recuperó la taxonomía establecida (filo, clase, orden, género) con una fuerte correlación (Mantel $\rho$ = 0.665).
  • Detección de errores: Identificó muestras de Pseudomonas mal etiquetadas (sacadas de los pocillos equivocados) que aparecían filogenéticamente distantes de sus parientes, algo confirmado posteriormente por anotación de secuencias.
  • Clasificó correctamente el género de aislados de alimentos con un 100% de precisión y la especie en 31 de 32 casos.

• Proteómica del "Reino de la Vida" (Kingdom of Life):

  • Analizó 79 especies (virus, arqueas, bacterias, eucariotas) con más de 56 millones de espectros en menos de 13 horas.
  • La filogenia resultante coincidió fuertemente con la taxonomía NCBI, agrupando correctamente virus, bacterias y eucariotas, y subgrupos como plantas, animales y hongos.
  • Detectó anomalías biológicas plausibles, como la agrupación de Dictyostelium discoideum con E. coli debido a la contaminación por la fuente de alimento en la placa de cultivo.

• Proteómica de Célula Individual (SCP):

  • Aplicado a datos de células madre pluripotentes inducidas (hiPSC) y cuerpos embrionarios (EB) obtenidos mediante adquisición independiente de datos (DIA).
  • Logró separar claramente los tipos celulares y recapitular las trayectorias de diferenciación y la heterogeneidad dentro de la población de células EB, a pesar de la naturaleza ruidosa y dispersa de los datos de célula única, sin depender de tablas de cuantificación de proteínas.

• Metabolómica Global de Alimentos (FoodOmics):

  • Procesó 3,500 muestras de alimentos con más de 4 millones de espectros en menos de 2 horas.
  • El mapa UMAP resultante mostró una estructura bioquímica coherente: agrupación de productos animales (carne, mariscos, lácteos) frente a vegetales, y separación de alimentos fermentados de sus contrapartes no fermentadas.
  • Demostró la capacidad de capturar diversidad molecular sin necesidad de anotar metabolitos individuales.

5. Significado e Impacto

TreeMS2 representa un cambio de paradigma en la biología comparativa y la ecología molecular:

• Puente entre Genotipo y Fenotipo: Permite comparar la historia evolutiva genética con la realidad funcional bioquímica, revelando convergencias evolutivas, adaptaciones ecológicas y especializaciones de nicho que son invisibles para la filogenia basada solo en secuencias.
• Aprovechamiento de Big Data: Habilita el uso de la inmensa cantidad de datos de espectrometría de masas públicos que antes eran inaccesibles para análisis evolutivos debido a limitaciones computacionales o de anotación.
• Aplicaciones Transversales: Tiene implicaciones directas en biología evolutiva, ecología, ciencia de alimentos (autenticación y control de calidad), biotecnología y medicina (análisis de células individuales).
• Herramienta de Control de Calidad: Ofrece un mecanismo automatizado para detectar anomalías en el manejo de muestras a gran escala, mejorando la integridad de los estudios ómicos.

En resumen, TreeMS2 establece una base práctica para integrar paisajes moleculares y evolutivos, ofreciendo una herramienta escalable y agnóstica al dominio para explorar las relaciones moleculares a partir de datos brutos de MS.