Towards coevolution-aware ancestral sequence reconstruction

Résumé Technique : Vers une reconstruction de séquences ancestrales tenant compte de la coévolution

Énoncé du problème
La reconstruction de séquences ancestrales (ASR, pour Ancestral Sequence Reconstruction) est un outil standard pour l'étude de l'évolution moléculaire et de la fonction des protéines. Cependant, les méthodes conventionnelles d'ASR reposent sur l'hypothèse que les sites d'acides aminés évoluent indépendamment. Cette simplification néglige les contraintes épistatiques — les interactions entre résidus qui sont critiques pour le maintien de la structure, de la stabilité et de la fonction des protéines. Les auteurs soutiennent que cette indépendance des sites conduit à deux problèmes principaux :

1. Sur-idéalisation : Les reconstructions par maximum de probabilité à posteriori (MAP) se concentrent souvent sur une séquence unique qui peut être « sur-idéalisée », présentant une stabilité ou une promiscuité inhabituellement élevées par rapport aux protéines existantes.
2. Implausibilité : L'échantillonnage direct à partir de distributions postérieures indépendantes des sites peut générer des séquences qui sont statistiquement plausibles selon le modèle indépendant, mais biologiquement implausibles ou non fonctionnelles car elles violent les contraintes résidu-résidu.
   De plus, les méthodes d'ASR existantes sont rarement évaluées par rapport à des données de « Vérité Terrain » (GT, pour Ground Truth) générées sous des contraintes épistatiques réalistes, car la récupération expérimentale de séquences anciennes est limitée à des échelles de temps très récentes.

Méthodologie
Le papier propose un cadre d'ASR tenant compte de la coévolution qui intègre l'inférence phylogénétique standard avec l'Analyse de Couplage Direct (DCA, pour Direct Coupling Analysis). La méthodologie se compose de trois composantes principales :

1. Reconstruction standard indépendante des sites :
   Le processus commence par une ASR bayésienne standard (utilisant l'algorithme de Yang) pour inférer la distribution postérieure par site des acides aminés au niveau du nœud ancestral. Cela produit un ensemble de séquences candidates ($S_{anc}$) échantillonnées à partir de la distribution postérieure indépendante des sites. Crucialement, cette étape préserve les statistiques marginales (fréquences par site) déduites de la phylogénie.

2. Remaniement coévolutionnaire (L'innovation centrale) :
   Pour imposer les contraintes épistatiques sans l'intraitabilité computationnelle d'une inférence exacte sur une phylogénie sous un a priori DCA, les auteurs introduisent une procédure de remaniement (reshuffling) :

• Les séquences candidates sont optimisées de manière itérative via des échanges aléatoires d'acides aminés à des sites spécifiques.
• Les échanges sont acceptés selon un critère de Metropolis utilisant la fonction d'énergie DCA ($E_{DCA}$), qui inclut des champs spécifiques aux sites ($h_i$) et des couplages par paires ($J_{ij}$).
• Ce processus minimise l'énergie DCA des séquences tout en préservant strictement les fréquences d'acides aminés par site dérivées de la reconstruction initiale indépendante des sites.
• Le résultat est un ensemble de candidats coévolutionnaires ($S^{DCA}_{anc}$) qui sont phylogénétiquement cohérents (correspondant aux marginales de sites) mais contraints structurellement et fonctionnellement par le modèle DCA.

3. Cadre d'évaluation (Benchmarking) :
   Pour évaluer rigoureusement la méthode, les auteurs ont développé un simulateur d'évolution directe basé sur le modèle DCA.

• En partant de séquences de « Vérité Terrain » ($s_{GT}$) connues sélectionnées à partir de données existantes, les séquences sont évoluées le long d'un arbre phylogénétique fixe en utilisant une chaîne de Markov à temps discret qui respecte les contraintes d'énergie DCA.
• Ce simulateur génère des données foliaires qui conservent à la fois les corrélations phylogénétiques et les contraintes épistatiques réalistes, permettant une comparaison directe entre les ancêtres reconstruits et la $s_{GT}$ connue.
• L'étude teste divers régimes évolutifs en faisant varier la longueur des branches ($\mu_{gen}$) et en sélectionnant des séquences racines avec des mutabilités variables (quantifiées par l'Entropie Dépendante du Contexte, CDE).

Résultats clés
Le cadre a été appliqué aux familles de $\beta$-lactamases et de domaines de liaison à l'ADN. Les principales conclusions sont les suivantes :

• Impact de la mutabilité de la racine : La précision de la reconstruction dépend fortement de la mutabilité de la séquence ancestrale. Pour les racines « faiblement mutables » (fortement contraintes par l'épistasie), la méthode tenant compte de la coévolution surpasse significativement les méthodes indépendantes des sites. Pour les racines « hautement mutables », l'avantage est moins prononcé, mais la méthode produit toujours des candidats biologiquement plausibles.
• Distance de Hamming vs Énergie DCA :
  • Les reconstructions MAP standard produisent souvent des séquences ayant des distances de Hamming plus faibles par rapport à la GT que les séquences consensus simples, mais présentent des énergies DCA artificiellement basses, suggérant qu'elles sont sur-optimisées pour la stabilité et peuvent ne pas refléter le véritable état ancestral.
  • L'échantillonnage indépendant des sites produit des séquences avec des énergies DCA élevées, tombant souvent en dehors de la région fonctionnelle de l'espace des séquences.
  • Les candidats tenant compte de la coévolution ($S^{DCA}_{anc}$) atteignent un équilibre : ils maintiennent des distances de Hamming comparables aux estimations MAP tout en présentant des énergies DCA cohérentes avec les familles de protéines naturelles.
• Plausibilité structurelle : Les candidats issus de l'ensemble tenant compte de la coévolution présentent des propriétés structurelles supérieures par rapport aux échantillons indépendants des sites. Ils affichent des scores de test de différence de distance locale (pLDDT) prédits plus élevés et une déviation quadratique moyenne (RMSD) plus faible lorsqu'ils sont comparés aux structures de haute précision d'AlphaFold de la vérité terrain.
• Identification des régimes évolutifs : Les auteurs identifient un intervalle de temps évolutif intermédiaire ($\mu_{gen} \in [1, 100]$) où l'inférence phylogénétique fournit des informations non triviales au-delà du simple consensus, et où les bénéfices de l'intégration de la coévolution sont les plus détectables.

Signification et revendications
Le papier affirme fournir une voie pratique pour les reconstructions ancestrales qui reflètent mieux la nature couplée de l'évolution des protéines. Sa signification réside dans :

• Combler le fossé : Il offre une solution mathématiquement traitable qui comble le fossé entre la reconstruction MAP à séquence unique (qui ignore l'épistasie) et l'échantillonnage de la distribution postérieure non contraint (qui ignore les contraintes structurelles).
• Réalisme biologique : En imposant les contraintes DCA, la méthode génère des ensembles de candidats ancestraux qui sont non seulement phylogénétiquement cohérents, mais aussi statistiquement compatibles avec les familles de protéines naturelles et structurellement viables.
• Quantification de l'incertitude : L'approche préconise l'échantillonnage d'un ensemble d'ancêtres plausibles plutôt que de se fier à une estimation ponctuelle unique, offrant une représentation plus réaliste de l'incertitude et de la diversité ancestrales.
• Validation : Ce travail démontre que les bénéfices d'une reconstruction tenant compte de la coévolution ne sont détectables que lorsque les données sous-jacentes (ou la simulation) reflètent de véritables contraintes épistatiques, soulignant la nécessité de tels modèles pour les études d'évolution à grande échelle temporelle.

Les auteurs concluent que bien que leur méthode s'applique actuellement à des nœuds uniques de manière indépendante, elle représente une étape fondamentale vers la reconstruction d'ancêtres qui soient à la fois évolutivement cohérents et biologiquement authentiques, évitant ainsi les biais systématiques des approches traditionnelles indépendantes des sites.