Towards coevolution-aware ancestral sequence reconstruction

Sintesi Tecnica: Verso la Ricostruzione di Sequenze Ancestrali Consapevole della Coevoluzione

Definizione del Problema
La Ricostruzione di Sequenze Ancestrali (ASR) è uno strumento standard per lo studio dell'evoluzione molecolare e della funzione proteica. Tuttavia, i metodi convenzionali di ASR si basano sull'assunto che i siti amminoacidici evolvano indipendentemente. Questa semplificazione trascura i vincoli epistatici — interazioni tra residui che sono critiche per il mantenimento della struttura, della stabilità e della funzione proteica. Gli autori sostengono che questa indipendenza dei siti porti a due problemi primari:

1. Sovra-idealizzazione: Le ricostruzioni a massima probabilità a posteriori (MAP) spesso concentrano la probabilità in una singola sequenza che può essere "sovra-idealizzata", esibendo una stabilità o promiscuità insolitamente elevata rispetto alle proteine estanti.
2. Implausibilità: Il campionamento diretto dalle distribuzioni a posteriori indipendenti dai siti può generare sequenze che sono statisticamente plausibili sotto il modello indipendente, ma biologicamente implausibili o non funzionali perché violano i vincoli residuo-residuo.
   Inoltre, i metodi ASR esistenti sono raramente testati contro dati di "Verità Fondamentale" (Ground Truth - GT) generati sotto realistici vincoli epistatici, poiché il recupero sperimentale di sequenze antiche è limitato a scale temporali molto recenti.

Metodologia
Il documento propone un framework di ASR consapevole della coevoluzione che integra l'inferenza filogenetica standard con l'Analisi del Disaccoppiamento Diretto (Direct Coupling Analysis - DCA). La metodologia consiste in tre componenti principali:

1. Ricostruzione Standard Indipendente dai Siti:
   Il processo inizia con una standard ASR bayesiana (utilizzando l'algoritmo di Yang) per inferire la distribuzione a posteriori per sito degli amminoacidi al nodo ancestrale. Ciò produce un insieme di sequenze ancestrali candidate ($S_{anc}$) campionate dalla distribuzione a posteriori sito-indipendente. Fondamentalmente, questo passaggio preserva le statistiche marginali (frequenze per sito) inferite dalla filogenesi.

2. Rimescolamento Coevolutivo (L'Innovazione Centrale):
   Per imporre i vincoli epistatici senza l'intrattabilità computazionale dell'inferenza esatta su una filogenesi sotto un prior DCA, gli autori introducono una procedura di rimescolamento:

• Le sequenze candidate sono ottimizzate iterativamente tramite scambi casuali di amminoacidi in siti specifici.
• Gli scambi sono accettati in base a un criterio di Metropolis utilizzando la funzione di energia DCA ($E_{DCA}$), che include campi specifici per sito ($h_i$) e accoppiamenti a coppie ($J_{ij}$).
• Questo processo minimizza l'energia DCA delle sequenze pur preservando rigorosamente le frequenze amminoacidiche per sito derivate dalla ricostruzione iniziale sito-indipendente.
• Il risultato è un insieme di candidati coevoluzione-consapevoli ($S^{DCA}_{anc}$) che sono filogeneticamente coerenti (corrispondenti ai marginali del sito) ma strutturalmente e funzionalmente vincolati dal modello DCA.

3. Framework di Benchmarking:
   Per valutare rigorosamente il metodo, gli autori hanno sviluppato un simulatore di evoluzione in avanti basato sul modello DCA.

• Partendo da sequenze di "Verità Fondamentale" ($s_{GT}$) note selezionate da dati estanti, le sequenze vengono fatte evolvere lungo un albero filogenetico fisso utilizzando una catena di Markov a tempo discreto che rispetta i vincoli di energia DCA.
• Questo simulatore genera dati foglia sintetici che mantengono sia le correlazioni filogenetiche che i realistici vincoli epistatici, permettendo un confronto diretto tra le sequenze ricostruite e la $s_{GT}$ nota.
• Lo studio testa vari regimi evolutivi scalando le lunghezze dei rami ($\mu_{gen}$) e selezionando sequenze radice con variabili mutabilità (quantificate tramite Entropia Dipendente dal Contesto, CDE).

Risultati Chiave
Il framework è stato applicato alle famiglie delle $\beta$-lattamasi e dei domini di legame al DNA. Le scoperte chiave includono:

• Impatto della Mutabilità della Radice: L'accuratezza della ricostruzione dipende fortemente dalla mutabilità della sequenza ancestrale. Per le radici "debolmente mutabili" (altamente vincolate dall'epistasi), il metodo consapevole della coevoluzione supera significativamente i metodi indipendenti dai siti. Per le radici "altamente mutabili", il vantaggio è meno pronunciato, ma il metodo produce comunque candidati biologicamente plausibili.
• Distanza di Hamming vs. Energia DCA:
  • Le ricostruzioni MAP standard spesso producono sequenze con distanze di Hamming inferiori rispetto alle semplici sequenze di consenso, ma presentano energie DCA artificialmente basse, suggerendo che siano sovra-ottimizzate per la stabilità e possano non riflettere il vero stato ancestrale.
  • Il campionamento indipendente dai siti produce sequenze con energie DCA elevate, che spesso cadono al di fuori della regione funzionale dello spazio delle sequenze.
  • I candidati coevoluzione-consapevoli ($S^{DCA}_{anc}$) raggiungono un equilibrio: mantengono distanze di Hamming comparabili alle stime MAP pur presentando energie DCA coerenti con le famiglie naturali estanti.
• Plausibilità Strutturale: I candidati provenienti dal set coevoluzione-consapevole mostrano proprietà strutturali superiori rispetto ai campioni indipendenti dai siti. Essi mostrano punteggi di Local Distance Difference Test (pLDDT) previsti più elevati e un Root Mean Square Deviation (RMSD) inferiore quando confrontati con le strutture ad alta accuratezza di AlphaFold della verità fondamentale.
• Identificazione di Regimi Evolutivi: Gli autori identificano un tempo scala evolutivo intermedio ($\mu_{gen} \in [1, 100]$) in cui l'inferenza filogenetica fornisce informazioni non banali oltre il semplice consenso, e dove i benefici dell'incorporazione della coevoluzione sono più rilevabili.

Significatività e Rivendicazioni
Il documento sostiene di fornire una via pratica per le ricostruzioni ancestrali che riflettano meglio la natura accoppiata dell'evoluzione proteica. La sua significatività risiede nel:

• Colmare il Divario: Offre una soluzione computazionalmente trattabile che colma il divario tra la ricostruzione MAP a singola sequenza (che ignora l'epistasi) e il campionamento a posteriori non vincolato (che ignora i vincoli strutturali).
• Realismo Biologico: Imponendo i vincoli DCA, il metodo genera ensemble di candidati ancestrali che sono non solo filogeneticamente coerenti, ma anche statisticamente compatibili con le naturali famiglie proteiche e strutturalmente vitali.
• Quantificazione dell'Incertezza: L'approccio raccomanda di campionare un ensemble di possibili antenati piuttosto che affidarsi a una singola stima puntuale, fornendo una rappresentazione più realistica dell'incertezza e della diversità ancestrali.
• Validazione: Il lavoro dimostra che i benefici della ricostruzione consapevole della coevoluzione sono rilevabili solo quando i dati sottostanti (o la simulazione) riflettono veri vincoli epistatici, evidenziando la necessità di tali modelli per gli studi evolutivi in tempi profondi.

Gli autori concludono che, sebbene il loro metodo si applichi attualmente ai singoli nodi indipendentemente, esso rappresenta un passo procedurale verso la ricostruzione di antenati che siano sia evolutivamente coerenti che biologicamente autentici, evitando i bias sistematici degli approoli tradizionali indipendenti dai siti.