DGM Is Dead; Long Live DGM-Star! A Quantization-Theoretic Approach to Gamma Rate Discretization

La vida deja un registro de su historia en el ADN de cada ser vivo, un archivo molecular que los científicos leen para reconstruir el árbol de la vida. Para dar sentido a este archivo, los investigadores deben tener en cuenta el hecho de que las mutaciones no ocurren a un ritmo constante en todo el genoma; algunos puntos cambian rápidamente mientras que otros permanecen obstinadamente estáticos. Durante décadas, la forma estándar de manejar esta velocidad desigual en los modelos computacionales ha sido fragmentar el rango de posibles velocidades en unos pocos trozos iguales, asignando a cada trozo una velocidad promedio representativa. Este enfoque, conocido como el modelo Gamma discreto, ha sido el motor de la biología evolutiva durante treinta años, permitiendo a los científicos estimar hace cuánto tiempo se divergieron las especies y cómo están relacionadas sus familias. Sin embargo, un nuevo análisis sugiere que este método largamente establecido contiene un fallo oculto que distorsiona sistemáticamente la línea de tiempo de la evolución, haciendo que las ramas en el árbol de la vida parezcan más largas de lo que realmente son.

Un equipo de investigadores ha propuesto ahora una mejor manera de fragmentar estas categorías de velocidad, un método que llaman DGM-Star. Al aplicar un marco matemático que usualmente se reserva para comprimir señales digitales, crearon una nueva regla para asignar velocidades que elimina el sesgo encontrado en el método antiguo. En pruebas utilizando secuencias de ADN simuladas, su nuevo enfoque redujo el error en las longitudes de las ramas estimadas hasta veinte veces en comparación con el método estándar, particularmente al tratar con árboles grandes donde los pasos evolutivos son muy cortos. Mientras que el viejo método tiende a estirar la línea de tiempo, el nuevo método la mantiene precisa, ofreciendo un reemplazo directo que los científicos pueden usar de inmediato sin cambiar su software existente.

La historia comienza con la comprensión de que la evolución no es un proceso uniforme. Cuando los científicos observan el código genético, ven que algunas letras cambian con frecuencia mientras que otras rara vez se mueven. Para modelar esto, utilizan una forma estadística llamada distribución Gamma, que describe cómo varían estas velocidades. Debido a que las computadoras no pueden calcular fácilmente con una curva continua y fluida de infinitas posibilidades, la práctica estándar ha sido dividir esta curva en un número determinado de cubetas, o categorías. El método tradicional, establecido en la década de 1990, divide la curva de modo que cada cubeta contenga el mismo número de puntos de datos, y luego asigna una única velocidad promedio para representar toda la cubeta. Este enfoque "equiprobable" ha sido la configuración por defecto durante décadas, utilizado en todo, desde el estudio de virus antiguos hasta el rastreo de los orígenes de las especies modernas.

Recientemente, sin embargo, un grupo de científicos liderado por Ferretti y sus colegas demostró que este método estándar es fundamentalmente defectuoso. Demostraron que cuando las velocidades evolutivas reales siguen una curva continua, el sistema de segmentación tradicional sobreestima consistentemente la longitud de las ramas en el árbol evolutivo. En términos más simples, el modelo le dice a los investigadores que las especies han estado evolucionando durante períodos de tiempo más largos de lo que realmente lo han hecho. Este error no es un fallo menor; puede conducir a conclusiones incorrectas sobre cuándo divergieron las especies y cómo están relacionadas. Los investigadores encontraron que este sesgo es tan persistente que simplemente añadir más cubetas al modelo no lo soluciona; en algunos casos, añadir más categorías de hecho empeoraba el error.

En respuesta a este descubrimiento, los autores del nuevo artículo se propusieron encontrar una solución que mantuviera la velocidad computacional del método antiguo mientras corregía su precisión. Se volcaron hacia un campo de las matemáticas llamado teoría de la cuantización, que trata sobre cómo representar mejor una señal continua utilizando un número limitado de valores discretos. En lugar de forzar a las cubetas a ser de igual tamaño, diseñaron un nuevo algoritmo que encuentra los límites específicos y las velocidades representativas que mejor se ajustan a la realidad subyacente de los datos. Probaron este nuevo método, al que llamaron DGM-Star, contra el estándar antiguo y una alternativa más compleja conocida como FreeRate.

Los resultados fueron sorprendentes. En simulaciones donde la respuesta real era conocida, el nuevo método DGM-Star produjo longitudes de rama casi perfectamente precisas, reduciendo el sesgo por un factor de veinte en comparación con el método estándar. La mejora fue más dramática en árboles grandes con ramas cortas, un escenario común en estudios del mundo real de organismos que evolucionan rápidamente, como los virus. Los investigadores también probaron su método en un conjunto de datos masivo de secuencias de VIH-1, una colección de datos genéticos del mundo real de miles de pacientes. Aquí, también, el nuevo método corrigió la tendencia del viejo modelo a estirar las distancias evolutivas, acercando las estimaciones a lo observado al analizar subconjuntos más pequeños de los datos.

Curiosamente, el estudio también descubrió una limitación que afecta a todos los métodos actuales. Cuando las ramas evolutivas son extremadamente largas, lo que significa que las especies han estado separadas durante mucho tiempo, incluso el nuevo método DGM-Star, junto con el complejo modelo FreeRate, comienza a subestimar la longitud de las ramas. Esto sugiere que, si bien el nuevo método resuelve el problema de la sobreestimación en la mayoría de los escenarios prácticos, el desafío de modelar el tiempo evolutivo muy profundo sigue siendo una pregunta abierta. No obstante, los autores argumentan que su nuevo enfoque es lo suficientemente robusto como para reemplazar al viejo estándar de inmediato. Ya está disponible en los principales programas de software utilizados por biólogos evolutivos, lo que permite a los investigadores cambiar a un modelo más preciso sin necesidad de aprender nuevas técnicas o esperar actualizaciones futuras.

La importancia de este trabajo radica en su capacidad para corregir un error de décadas de antigüedad sin sacrificar la velocidad que hace posible el análisis a gran escala. Al refinar cómo traducimos el flujo continuo de la evolución en los pasos discretos que una computadora puede entender, los investigadores han proporcionado una herramienta que trae el árbol de la vida con un enfoque más nítido. El nuevo método no requiere una revisión completa de las prácticas existentes; simplemente ofrece una mejor manera de repartir el pastel, asegurando que la historia escrita en nuestros genes se lea con mayor fidelidad. Como señalan los autores, este cambio sugiere que el método antiguo debería jubilarse, no porque fuera inútil, sino porque una alternativa mejor y más precisa ya está lista para tomar su lugar.