🧬 biology

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

Cette étude développe et valide de nouveaux modèles de substitution empiriques spécifiquement pour les protéines du SARS-CoV-2, démontrant qu'ils produisent des inférences phylogénétiques plus précises et des prédictions évolutives biologiquement plus réalistes que les modèles généralistes existants.

Auteurs originaux : David Ferreiro, Luis Daniel González-Vázquez, Miguel Arenas

Publié 2026-07-21

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : David Ferreiro, Luis Daniel González-Vázquez, Miguel Arenas

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète

Imaginez que vous essayiez de retracer l'histoire familiale d'une célébrité très célèbre et très occupée. Pour ce faire, vous avez besoin d'un livre de règles qui indique la probabilité qu'un membre de la famille se transforme en un autre au fil du temps. Dans le monde de la biologie, ce livre de règles est appelé un « modèle de substitution ». Les scientifiques utilisent ces modèles pour construire des arbres généalogiques (appelés phylogénies) pour les virus, les animaux et les plantes. Le but est de découvrir qui est apparenté à qui et comment ils ont changé au fil du temps. Cependant, la plupart des livres de règles existants sont des guides « généralistes » — ils fonctionnent assez bien pour de nombreux types de protéines différents, un peu comme un livre de cuisine générique qui essaierait de couvrir aussi bien la pâtisserie que la grillade. Le problème est que différentes protéines ont des fonctions et des règles très spécifiques. Une protéine qui agit comme le moteur d'un virus (une protéase) a des règles différentes de celle qui agit comme la clé du virus pour déverrouiller une cellule (la protéine de pointe ou « spike »). Si vous utilisez un livre de règles générique pour un travail spécifique, votre arbre généalogique risque de devenir un peu bancal et imprécis. Cela est particulièrement vrai pour le SARS-CoV-2, le virus qui cause la COVID-19, qui évolue rapidement et change le monde. Jusqu'à présent, les scientifiques ne disposaient pas d'un livre de règles personnalisé spécifiquement pour les protéines de ce virus, ce qui signifiait qu'ils essayaient de faire entrer une cheville carrée dans un trou rond.

Dans cette étude, les chercheurs ont décidé d'écrire leurs propres livres de règles personnalisés spécifiquement pour le SARS-CoV-2. Ils ont examiné des milliers de séquences réelles de virus pour voir exactement comment les acides aminés (les blocs de construction des protéines) échangeaient leurs places dans la protéase principale du virus, sa protéase de type papaine, sa protéine de pointe et l'ensemble du paquet viral. Considérez cela comme si vous observiez une immense piste de danse en temps réel du virus pour voir quels danseurs changent réellement de partenaires et lesquels restent en place. Ils ont découvert que le virus possède ses propres mouvements de danse uniques que les livres de règles génériques manquaient simplement. Par exemple, ils ont découvert que dans les protéases du virus (les enzymes qui découpent d'autres protéines), certains échanges se produisent très rarement car la structure est si serrée et fragile, tandis que la protéine de pointe est beaucoup plus flexible et permet des changements plus sauvages, notamment ceux qui aident le virus à se cacher de notre système immunitaire.

L'équipe a ensuite testé ses nouveaux livres de règles personnalisés par rapport aux anciens livres génériques. Ils ont fait cela de deux manières. Premièrement, ils ont vérifié quel livre de règles pouvait le mieux expliquer les données réelles qu'ils ont collectées, comme un détective vérifiant quelle théorie correspond le mieux aux indices. Leurs modèles personnalisés ont gagné presque à chaque fois, montrant qu'ils sont bien meilleurs pour décrire l'évolution de ce virus spécifique. Deuxièmement, ils ont lancé des simulations informatiques où ils ont laissé le virus évoluer vers le futur en utilisant leurs nouvelles règles par rapport aux anciennes règles. Ils ont vérifié la « stabilité de repliement » des protéines résultantes — imaginez que vous vérifiez si une grue en papier faite avec les nouvelles règles conserve sa forme, tandis que celle faite avec les anciennes règles s'effondre ou devient trop rigide. Les protéines ayant évolué en utilisant les nouveaux modèles spécifiques au SARS-CoV-2 maintenaient leur forme de manière beaucoup plus réaliste, ressemblant exactement aux vraies protéines virales trouvées dans la nature.

Les chercheurs concluent que l'utilisation de ces nouveaux modèles spécifiques au virus offre une image beaucoup plus claire et précise de la façon dont le SARS-CoV-2 change. Ils suggèrent que pour obtenir les meilleurs résultats, les scientifiques devraient arrêter d'utiliser les livres de règles « taille unique » et passer à ces guides personnalisés. Bien que l'étude montre que ces modèles fonctionnent mieux dans les simulations et s'adaptent plus étroitement aux données, les auteurs notent qu'il s'agit d'une étape importante vers la compréhension du passé du virus et la prédiction de ses mouvements futurs, nous aidant ainsi à rester un pas en avant dans la bataille continue contre le virus.

Résumé technique : Modèles de substitution empiriques de l'évolution des protéines du SARS-CoV-2

Énoncé du problème
L'inférence phylogénétique probabiliste repose sur des modèles de substitution de l'évolution moléculaire pour générer des prédictions précises. Bien que les modèles de substitution empiriques soient bien établis pour l'évolution des protéines, le répertoire disponible reste limité par rapport à la diversité des familles de protéines. De plus, aucun modèle de substitution empirique n'avait été développé spécifiquement pour les protéines du SARS-CoV-2 avant cette étude. Les auteurs notent que les schémas évolutifs varient selon les protéines, et l'utilisation de modèles généralistes pour des protéines virales spécifiques peut conduire à une modélisation irréaliste, compromettant potentiellement la précision des arbres phylogénétiques, des reconstructions de séquences ancestrales et des prédictions de trajectoires évolutives.

Méthodologie
L'étude a employé une approche de maximum de vraisemblance (ML) pour estimer de nouveaux modèles de substitution empiriques pour le SARS-CoV-2.

Curation des données : Les séquences ont été extraites de GISAID et du NCBI. Un processus de filtrage a exclu les séquences présentant des ambiguïtés, des indels de plus de 10 acides aminés par rapport à la référence (ID de protéine NCBI : YP_009724389.1) et celles partageant moins de 75 % d'identité d'acides aminés avec la référence.
Construction des jeux de données :
- Jeux de données de méthode : Pour la protéine Spike, la protéine principale (Mpro/nsp5) et la protéine de type papaine (PLpro/nsp3), des jeux de données de 100 000 séquences échantillonnées de manière aléatoire ont été construits. Pour le protéome complet, un jeu de données de 20 000 séquences a été utilisé.
- Jeux de données de test : 10 jeux de données de test indépendants ont été générés pour chaque protéine (1 000 séquences chacun) et pour le protéome (100 séquences chacune), en excluant les séquences utilisées dans les jeux de données de méthode.
Estimation des modèles : En utilisant la méthode QMaker implémentée dans IQ-TREE2, les auteurs ont estimé des matrices d'échangeabilité 20×20 réversibles dans le temps (Q) et des fréquences d'acides aminés à l'équilibre ( $\pi$ ) pour chaque cible. Les arbres phylogénétiques requis pour l'estimation ont été reconstruits à l'aide du meilleur modèle existant sélectionné via ModelFinder.
Validation :
- Vraisemblance phylogénétique : L'ajustement des nouveaux modèles (SC2-Mpro, SC2-PLpro, SC2-Spike, SC2-Proteome) a été comparé aux modèles empiriques existants en utilisant le critère d'information bayésien (BIC) et le critère d'information d'Akaike (AIC) sur les jeux de données de test.
- Stabilité du repliement des protéines : Des simulations évolutives vers l'avant (forward-in-time) ont été menées pour Mpro et PLpro sous les nouveaux modèles, le meilleur modèle traditionnel et un modèle de substitution à contrainte structurelle (SCS). Les séquences simulées résultantes ont été évaluées pour leur stabilité de repliement ( $\Delta G$ ) à l'aide de DeltaGREM, en comparaison avec les séquences réelles.
- Analyse de similitude : Une analyse en composantes principales (PCA) a été réalisée sur les matrices de taux normalisées pour évaluer la distance entre les modèles SARS-CoV-2 et les autres modèles empiriques (ex. JTT, HIVw, FLU).

Contributions clés
Les auteurs présentent un ensemble de quatre nouveaux modèles de substitution empiriques :

SC2-Mpro : Spécifique à la protéase principale.
SC2-PLpro : Spécifique à la protéase de type papaine.
SC2-Spike : Spécifique à la protéine Spike.
SC2-Proteome : Un modèle général pour l'ensemble du protéome du SARS-CoV-2.

Ces modèles ont été rendus publics via la base de données eModelDB.

Résultats

Schémas de substitution : Les modèles ont révélé des schémas évolutifs distincts. Les modèles de protéases (SC2-Mpro, SC2-PLpro) ont montré des taux de substitution plus restrictifs que les modèles Spike et Protéome.
- Tendances physicochimiques : Des taux élevés ont été observés pour les substitutions conservant la taille et l'hydrophobicité (ex. Ala-Val, Val-Ile). Les modèles ont également capturé des substitutions spécifiques conservant la charge (ex. Lys-Arg dans Mpro ; Arg-Lys dans Spike) et des événements de diversification (ex. Pro-His, Pro-Ser).
- Fréquences stationnaires : Des fréquences d'acides aminés distinctes ont été notées, telles qu'une élévation de la Proline dans Mpro, de la Leucine/Isoleucine dans PLpro, de la Phénylalanine/Valine dans Spike et de la Lysine dans le Protéome.
Ajustement phylogénétique : Les modèles spécifiques au SARS-CoV-2 ont généralement surpassé les modèles empiriques existants, produisant des scores BIC et AIC plus faibles sur les jeux de données de test.
- Gestion des fréquences : Pour Mpro et PLpro, les modèles utilisant les fréquences d'équilibre estimées ont été plus performants que ceux utilisant les fréquences observées des tests. Inversement, pour Spike et le Protéome, l'incorporation des fréquences d'acides aminés observées des données de test a davantage amélioré la performance du modèle.
- Analyse PCA : Les modèles spécifiques au SARS-CoV-2 se sont regroupés séparément des modèles généralistes (ex. JTT, VT) et des modèles liés à des lignées spécifiques (ex. HIVw, FLU). Notamment, le taux de substitution Alanine-Valine (A-V) était significativement plus élevé dans les modèles SARS-CoV-2 par rapport aux modèles standards, tandis que les taux Thréonine-Sérine (T-S) étaient plus faibles.
Stabilité de repliement : Lors des simulations évolutives vers l'avant, les séquences ayant évolué sous les modèles SC2-Mpro et SC2-PLpro ont présenté des stabilités de repliement plus proches des protéines virales réelles que celles générées par les modèles empiriques traditionnels ou le modèle SCS. Plus précisément, le modèle SC2-PLpro a produit des profils de stabilité plus réalistes que le modèle SCS, qui avait tendance à générer des protéines excessivement stables.

Signification et affirmations
Les auteurs concluent que les inférences évolutives basées sur des modèles de substitution spécifiques aux protéines sont généralement plus précises et biologiquement plus réalistes que celles basées sur des modèles généralistes. L'étude démontre que les protéines du SARS-CoV-2 évoluent sous des contraintes distinctes qui ne sont pas capturées par les modèles existants.

Précision : Les nouveaux modèles améliorent l'ajustement aux données du SARS-CoV-2, suggérant qu'ils capturent mieux les pressions de sélection spécifiques agissant sur le virus.
Réalisme biologique : La capacité de ces modèles à générer des variantes protéiques avec des stabilités de repliement réalistes indique qu'ils capturent implicitement les contraintes évolutives liées à la structure et à la fonction des protéines.
Recommandation : Les auteurs recommandent l'utilisation de ces modèles spécifiques pour les prédictions évolutives des protéines du SARS-CoV-2 afin de renforcer la fiabilité des inférences phylogénétiques et des projections de trajectoires. Ils appellent également les cadres phylogénétiques à étendre leurs ensembles de modèles implémentés pour inclure de telles options spécifiques aux protéines.

Résumé technique : Modèles de substitution empiriques de l'évolution des protéines du SARS-CoV-2

Articles similaires