🧬 biology

Empirical substitution models of SARS-CoV-2 protein evolution for phylogenetic inference

Este estudio desarrolla y valida nuevos modelos de sustitución empírica específicamente para las proteínas del SARS-CoV-2, demostrando que producen inferencias filogenéticas más precisas y predicciones evolutivas biológicamente realistas en comparación con los modelos generalistas existentes.

Autores originales: David Ferreiro, Luis Daniel González-Vázquez, Miguel Arenas

Publicado 2026-07-21

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: David Ferreiro, Luis Daniel González-Vázquez, Miguel Arenas

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Imagina que estás intentando rastrear la historia familiar de una celebridad muy famosa y muy ocupada. Para hacer esto, necesitas un libro de reglas que te diga qué tan probable es que un miembro de la familia se transforme en otro con el paso del tiempo. En el mundo de la biología, este libro de reglas se llama "modelo de sustitución". Los científicos utilizan estos modelos para construir árboles familiares (llamados filogenias) para virus, animales y plantas. El objetivo es averiguar quién está relacionado con quién y cómo cambiaron a lo largo del tiempo. Sin embargo, la mayoría de los libros de reglas que existen son guías "generalistas": funcionan aceptablemente para muchos tipos de proteínas, algo así como un libro genérico de "cómo cocinar" que intenta cubrir desde hornear un pastel hasta asar un filete. El problema es que las diferentes proteínas tienen trabajos y reglas muy específicos. Una proteína que actúa como el motor de un virus (una proteasa) tiene reglas diferentes a las de una proteína que actúa como la llave del virus para desbloquear una célula (la proteína de la espícula). Si usas un libro de reglas genérico para un trabajo específico, tu árbol familiar podría terminar viéndose un poco tambaleante e inexacto. Esto es especialmente cierto para el SARS-CoV-2, el virus que causa el COVID-19, el cual ha estado evolucionando rápidamente y cambiando el mundo. Hasta ahora, los científicos no tenían un libro de reglas personalizado específicamente para las proteínas de este virus, lo que significaba que estaban intentando encajar una pieza cuadrada en un agujero redondo.

En este estudio, los investigadores decidieron escribir sus propios libros de reglas personalizados específicamente para el SARS-CoV-2. Observaron miles de secuencias reales del virus para ver exactamente cómo los aminoácidos (los bloques de construcción de las proteínas) intercambiaban lugares en la proteasa principal del virus, su proteasa tipo papaína, su proteína de la espícula y el paquete completo del virus. Piensa en esto como observar una enorme pista de baile en tiempo real del virus para ver qué bailarines realmente cambian de pareja y cuáles se quedan quietos. Descubrieron que el virus tiene sus propios movimientos de baile únicos que los libros de reglas genéricos simplemente no detectaron. Por ejemplo, descubrieron que en las proteasas del virus (las enzimas que cortan otras proteínas), ciertos intercambios ocurren muy rara vez porque la estructura es tan apretada y frágil, mientras que la proteína de la espícula es mucho más flexible y permite cambios más salvajes, especialmente aquellos que ayudan al virus a esconderse de nuestro sistema inmunológico.

El equipo luego probó sus nuevos libros de reglas personalizados contra los antiguos y genéricos. Hicieron esto de dos maneras. Primero, verificaron qué libro de reglas podía explicar mejor los datos reales que recolectaron, como un detective que comprueba qué teoría se ajusta mejor a las pistas. Sus modelos personalizados ganaron casi siempre, demostrando que son mucho mejores para describir cómo evoluciona este virus específico. Segundo, realizaron simulaciones por computadora donde dejaron que el virus evolucionara hacia adelante en el tiempo usando sus nuevas reglas frente a las reglas antiguas. Verificaron la "estabilidad de plegamiento" de las proteínas resultantes: imagina verificar si una grulla de papel hecha con las nuevas reglas aún mantiene su forma, mientras que la hecha con las reglas antiguas se desmorona o se vuelve demasiado rígida. Las proteínas que evolucionaron usando los nuevos modelos específicos de SARS-CoV-2 mantuvieron su forma de manera mucho más realista, pareciéndose mucho a las proteínas reales del virus que se encuentran en la naturaleza.

Los investigadores concluyen que el uso de estos nuevos modelos específicos del virus ofrece una imagen mucho más clara y precisa de cómo está cambiando el SARS-CoV-2. Sugieren que, para obtener los mejores resultados, los científicos deberían dejar de usar los libros de reglas de "talla única" y cambiar a estas guías personalizadas. Si bien el estudio muestra que estos modelos funcionan mejor en las simulaciones y se ajustan más estrechamente a los datos, los autores señalan que este es un paso significativo hacia la comprensión del pasado del virus y la predicción de sus movimientos futuros, ayudándonos a mantenernos un paso por delante en la batalla continua contra el virus.

Resumen Técnico: Modelos de Sustitución Empírica de la Evolución de las Proteínas de SARS-CoV-2

Planteamiento del Problema
La inferencia filogenética probabilística depende de modelos de sustitución de la evolución molecular para generar predicciones precisas. Si bien los modelos de sustitución empírica están bien establecidos para la evolución de proteínas, el repertorio disponible sigue siendo limitado en relación con la diversidad de las familias de proteínas. Crucialmente, no se habían desarrollado modelos de sustitución empírica específicos para las proteínas de SARS-CoV-2 antes de este estudio. Los autores señalan que los patrones evolutivos varían entre las proteínas, y el uso de modelos generalistas para proteínas virales específicas puede conducir a un modelado poco realista, lo que potencialmente compromete la precisión de los árboles filogenéticos, las reconstrucciones de secuencias ancestrales y las predicciones de trayectorias evolutivas.

Metodología
El estudio empleó un enfoque de máxima verosimilitud (ML) para estimar nuevos modelos de sustitución empírica para SARS-CoV-2.

Curación de Datos: Las secuencias se recuperaron de GISAID y NCBI. Un proceso de filtrado excluyó secuencias con ambigüedades, indeles de 10+ aminoácidos con respecto a la referencia (NCBI Protein ID: YP_009724389.1) y aquellas que compartían menos del 75% de identidad de aminoácidos con la referencia.
Construcción de Conjuntos de Datos:
- Conjuntos de Datos de Métodos: Para la proteína Spike, la Proteasa Principal (Mpro/nsp5) y la Proteasa tipo Papaina (PLpro/nsp3), se construyeron conjuntos de datos de 100,000 secuencias muestreadas aleatoriamente. Para el proteoma completo, se utilizó un conjunto de datos de 20,000 secuencias.
- Conjuntos de Datos de Prueba: Se generaron 10 conjuntos de datos de prueba independientes para cada proteína (1,000 secuencias cada uno) y para el proteoma (100 secuencias cada uno), excluyendo las secuencias utilizadas en los conjuntos de datos de métodos.
Estimación del Modelo: Utilizando el método QMaker implementado en IQ-TREE2, los autores estimaron matrices de intercambiabilidad 20×20 de tiempo reversible general ( $Q$ ) y frecuencias de equilibrio de aminoácidos ( $\pi$ ) para cada objetivo. Los árboles filogenéticos requeridos para la estimación se reconstruyeron utilizando el modelo existente con mejor ajuste seleccionado mediante ModelFinder.
Validación:
- Verosimilitud Filogenética: El ajuste de los nuevos modelos (SC2-Mpro, SC2-PLpro, SC2-Spike, SC2-Proteome) se comparó contra modelos empíricos existentes utilizando el Criterio de Información Bayesiano (BIC) y el Criterio de Información de Akaike (AIC) en conjuntos de datos de prueba.
- Estabilidad del Plegamiento de la Proteína: Se realizaron simulaciones evolutivas hacia adelante en el tiempo para Mpro y PLpro bajo los nuevos modelos, el modelo tradicional con mejor ajuste y un modelo de sustitución con restricciones estructurales (SCS). Las secuencias simuladas resultantes fueron evaluadas para la estabilidad de plegamiento ( $\Delta G$ ) utilizando DeltaGREM, comparándolas con proteínas reales.
- Análisis de Similitud: Se realizó un Análisis de Componentes Principales (PCA) en matrices de tasas normalizadas para evaluar la distancia entre los modelos de SARS-CoV-2 y otros modelos empíricos (por ejemplo, JTT, HIVw, FLU).

Contribuciones Clave
Los autores presentan un conjunto de cuatro nuevos modelos de sustitución empírica:

SC2-Mpro: Específico para la proteasa principal.
SC2-PLpro: Específico para la proteasa tipo papaina.
SC2-Spike: Específico para la proteína Spike.
SC2-Proteome: Un modelo general para todo el proteoma de SARS-CoV-2.

Estos modelos han sido puestos a disposición pública a través de la base de datos eModelDB.

Resultados

Patrones de Sustitución: Los modelos revelaron distintos patrones evolutivos. Los modelos de proteasa (SC2-Mpro, SC2-PLpro) mostraron tasas de sustitución más restrictivas en comparación con los modelos de Spike y Proteoma.
- Tendencias Fisicoquímicas: Se observaron tasas altas para sustituciones que conservan el tamaño y la hidrofobicidad (por ejemplo, Ala-Val, Val-Ile). Los modelos también capturaron sustituciones específicas que conservan la carga (por ejemplo, Lys-Arg en Mpro; Arg-Lys en Spike) y eventos de diversificación (por ejemplo, Pro-His, Pro-Ser).
- Frecuencias Estacionarias: Se notaron frecuencias de aminoácidos distintas, como una elevada Prolina en Mpro, Leucina/Isoleucina en PLpro, Fenilalanina/Valina en Spike y Lisina en el Proteoma.
Ajuste Filogenético: Los modelos específicos de SARS-CoV-2 generalmente superaron a los modelos empíricos existentes, obteniendo puntuaciones de BIC y AIC más bajas en los conjuntos de datos de prueba.
- Manejo de Frecuencias: Para Mpro y PLpro, los modelos que utilizaron frecuencias de equilibrio estimadas funcionaron mejor que aquellos que utilizaron frecuencias observadas de las pruebas. Por el contrario, para Spike y el Proteoma, la incorporación de las frecuencias de aminoácidos observadas de los datos de prueba mejoró aún más el rendimiento del modelo.
- Análisis PCA: Los modelos específicos de SARS-CoV-2 se agruparon por separado de los modelos generalistas (por ejemplo, JTT, VT) y de los modelos específicos de linaje (por ejemplo, HIVw, FLU). Notablemente, la tasa de sustitución de Alanina-Valina (A-V) fue significativamente más alta en los modelos de SARS-CoV-2 en comparación con los modelos estándar, mientras que las tasas de Treonina-Serina (T-S) fueron menores.
Estabilidad de Plegamiento: En las simulaciones de tiempo hacia adelante, las secuencias que evolucionaron bajo los modelos SC2-Mpro y SC2-PLpro exhibieron estabilidades de plegamiento más cercanas a las de las proteínas virales reales que aquellas generadas por los modelos empíricos tradicionales o el modelo SCS. Específicamente, el modelo SC2-PLpro produjo perfiles de estabilidad más realistas que el modelo SCS, el cual tendía a generar proteínas excesivamente estables.

Significancia y Reivindicaciones
Los autores concluyen que las inferencias evolutivas basadas en modelos de sustitución específicos de proteínas son generalmente más precisas y biológicamente realistas que aquellas basadas en modelos generalistas. El estudio demuestra que las proteínas de SARS-CoV-2 evolucionan bajo restricciones distintas que no son capturadas por los modelos existentes.

Precisión: Los nuevos modelos mejoran el ajuste a los datos de SARS-CoV-2, lo que sugiere que capturan mejor las presiones selectivas específicas que actúan sobre el virus.
Realismo Biológico: La capacidad de estos modelos para generar variantes de proteínas con estabilidades de plegamiento realistas indica que capturan implícitamente las restricciones evolutivas relacionadas con la estructura y función de las proteínas.
Recomendación: Los autores recomiendan el uso de estos modelos específicos para las predicciones evolutivas de las proteínas de SARS-CoV-2 para mejorar la fiabilidad de las inferencias filogenéticas y las proyecciones de trayectoria. También hacen un llamado para que los marcos filogenéticos amplíen sus conjuntos de modelos implementados para incluir tales opciones específicas de proteínas.

Resumen Técnico: Modelos de Sustitución Empírica de la Evolución de las Proteínas de SARS-CoV-2

Más como este