Towards coevolution-aware ancestral sequence reconstruction

Resumo Técnico: Rumo à Reconstrução de Sequências Ancestrais Consciente da Coevolução

Definição do Problema
A Reconstrução de Sequências Ancestrais (ASR) é uma ferramenta padrão para o estudo da evolução molecular e da função proteica. No entanto, os métodos convencionais de ASR baseiam-se na premissa de que os sítios de aminoácidos evoluem independentemente. Essa simplificação negligencia as restrições epistáticas — interações entre resíduos que são críticas para manter a estrutura, estabilidade e função da proteína. Os autores argumentam que essa independência de sítios leva a dois problemas principais:

1. Sobre-idealização: As reconstruções de Máxima Verossimilhança Posterior (MAP) frequentemente concentram a probabilidade em uma única sequência que pode ser "sobre-idealizada", exibindo uma estabilidade ou promiscuidade incomumente alta em comparação com as proteínas extantes.
2. Implausibilidade: A amostragem direta a partir de distribuições posteriores independentes de sítios pode gerar sequências que são estatisticamente plausíveis sob o modelo independente, mas biologicamente implausíveis ou não funcionais porque violam restrições resíduo-resíduo.
   Além disso, os métodos de ASR existentes raramente são testados contra dados de "Verdade Fundamental" (Ground Truth - GT) gerados sob restrições epistáticas realistas, uma vez que a recuperação experimental de sequências ancestais está limitada a escalas de tempo muito recentes.

Metodologia
O artigo propõe um framework de ASR consciente da coevolução que integra a inferência filogenética padrão com a Análise de Acoplamento Direto (DCA). A metodologia consiste em três componentes principais:

1. Reconstrução Padrão Independente de Sítios:
   O processo começa com uma ASR Bayesiana padrão (usando o algoritmo de Yang) para inferir a distribuição posterior por sítio dos aminoácidos no nó ancestral. Isso gera um conjunto de sequências candidatas ($S_{anc}$) amostradas da posterior independente de sítios. Crucialmente, esta etapa preserva as estatísticas marginais (frequências por sítio) inferidas da filogenia.

2. Remezclagem Coevolutiva (A Inovação Central):
   Para impor restrições epistáticas sem a intratabilidade computacional da inferência exata em uma filogenia sob um prior de DCA, os autores introduzem um procedimento de remezclagem:

• Candidatas a sequências são iterativamente otimizadas via trocas aleatórias de aminoácidos em sítios específicos.
• As trocas são aceitas com base em um critério de Metropolis usando a função de energia de DCA ($E_{DCA}$), que inclui campos específicos de sítio ($h_i$) e acoplamentos pareados ($J_{ij}$).
• Este processo minimiza a energia de DCA das sequências enquanto preserva estritamente as frequências de aminoácidos por sítio derivadas da reconstrução inicial independente de sítios.
• O resultado é um conjunto de candidatos conscientes da coevolução ($S^{DCA}_{anc}$) que são filogeneticamente consistentes (correspondendo às marginais de sítio), mas estrutural e funcionalmente restringidos pelo modelo de DCA.

3. Framework de Benchmarking:
   Para avaliar rigorosamente o método, os autores desenvolveram um simulador de evolução direta baseado no modelo de DCA.

• Partindo de sequências de "Verdade Fundamental" ($s_{GT}$) conhecidas selecionadas de dados extantes, as sequências são evoluídas ao longo de uma árvore filogenética fixa usando uma cadeia de Markov de tempo discreto que respeita as restrições de energia de DCA.
• Este simulador gera dados de folhas que retêm tanto as correlações filogenéticas quanto as restrições epistáticas realistas, permitindo uma comparação direta entre os ancestrais reconstruídos e o $s_{GT}$ conhecido.
• O estudo testa vários regimes evolutivos ao escalar os comprimentos dos ramos ($\mu_{gen}$) e selecionar sequências de raiz com variabilidade de mutabilidade (quantificada por Entropia Dependente de Contexto, CDE).

Resultos Principais
O framework foi aplicado às famílias de $\beta$-lactamase e de domínio de ligação ao DNA. As principais descobertas foram:

• Impacto da Mutabilidade da Raiz: A precisão da reconstrução é altamente dependente da mutabilidade da sequência ancestral. Para raízes "fracamente mutáveis" (altamente restringidas pela epistasia), o método consciente da coevolução supera significativamente os métodos independentes de sítios. Para raízes "altamente mutáveis", a vantagem é menos pronunciada, mas o método ainda produz candidatos biologicamente plausíveis.
• Distância de Hamming vs. Energia de DCA:
  • As reconstruções MAP padrão frequentemente geram sequências com menores distâncias de Hamming em relação ao GT do que sequências consenso simples, mas exibem energias de DCA artificialmente baixas, sugerindo que são sobre-otimizadas para estabilidade e podem não refletir o verdadeiro estado ancestral.
  • A amostragem independente de sítios produz sequências com altas energias de DCA, muitas vezes situando-se fora da região funcional do espaço de sequências.
  • Os candidatos conscientes da coevolução (S^{D%}_{anc}) alcançam um equilíbrio: mantêm distâncias de Hamming comparáveis às estimativas MAP, enquanto exibem energias de DCA consistentes com famílias naturais extantes.
• Plausibilidade Estrutural: Os candidatos do conjunto consciente da coevolução apresentam propriedades estruturais superiores em comparação com as amostras independentes de sítios. Eles exibem pontuações de teste de diferença de distância local predito (pLDDT) mais altas e menor Desvio Quadrático Médio (RMSD) quando comparados a estruturas de alta precisão do AlphaFold para a verdade fundamental.
• Identificação de Regimes Evolutivos: Os autores identificam um intervalo de escala de tempo evolutiva intermediária ($\mu_{gen} \in [1, 100]$) onde a inferência filogenética fornece informação não trivial além do consenso simples, e onde os benefícios de incorporar a coevolução são mais detectáveis.

Significância e Alegações
O artigo afirma fornecer um caminho prático para reconstruções ancestrais que melhor refletem a natureza acoplada da evolução de proteínas. Sua significância reside em:

• Preencher a Lacuna: Oferece uma solução computacionalmente tratável que une a reconstrução MAP de sequência única (que ignora a epistasia) e a amostragem de posterior sem restrições (que ignora restrições estruturais).
• Realismo Biológico: Ao impor restrições de DCA, o método gera conjuntos de candidatos ancestrais que não são apenas filogeneticamente consistentes, mas também estatisticamente compatíveis com famílias de proteínas naturais e estruturalmente viáveis.
• Quantificação de Incerteza: A abordagem defende a amostragem de um conjunto de ancestrais plausíveis em vez de depender de uma única estimativa pontual, proporcionando uma representação mais realista da incerteza e diversidade ancestral.
• Validação: O trabalho demonstra que os benefícios da reconstrução consciente da coevolução só são detectáveis quando os dados subjacentes (ou a simulação) refletem verdadeiras restrições epistáticas, destacando a necessidade de tais modelos para estudos de tempo profundo.

Os autores concluem que, embora seu método se aplique atualmente a nós únicos de forma independente, ele representa um passo principiado em direção à reconstrução de ancestrais que sejam tanto evolutivamente coerentes quanto biologicamente autênticos, evitando os vieses sistemáticos das abordagens tradicionais independentes de sítios.