WitChi: Efficient Detection and Pruning of Compositional Bias in Phylogenomic Alignments Using Empirical Chi-Squared Testing

Resumo Técnico: WitChi – Detecção e Poda Eficientes de Viés Composicional

Declaração do Problema
A evolução convergente frequentemente leva a táxons não relacionados a evoluírem independentemente composições de nucleotídeos ou aminoácidos semelhantes. Esse fenômeno introduz viés composicional em dados de sequências biológicas, o que distorce significativamente a inferência filogenética, particularmente em conjuntos de dados filogenômicos profundos ou com amostragem desigual. Embora existam modelos sensíveis à composição para mitigar essas distorções, suas altas demandas computacionais frequentemente os tornam impraticáveis para análises em larga escala envolvendo milhares de táxons. Consequentmente, há uma necessidade crítica de métodos eficientes para detectar e remover tais vieses sem depender de modelos evolutivos computacionalmente intensivos.

Metodologia
Os autores apresentam o WitChi, uma ferramenta computacionalmente eficiente projetada para identificar e podar colunas de alinhamento com viés composicional por meio de testes de significância empírica. A metodologia opera através dos seguintes mecanismos centrais:

• Teste de Qui-Quadrado Empírico: O WitChi calcula escores de qui-quadrado ($\chi^2$) específicos por táxon para colunas de alinhamento.
• Geração de Distribuição Nula: Para estabelecer a significância estatística, a ferramenta compara os escores observados contra distribuições nulas derivadas de permutações dentro das colunas de alinhamento. Crucialmente, essas permutações são restringidas para preservar a estrutura filogenética do alinhamento, garantindo que o modelo nulo respeite as relações evolutivas subjacentes.
• Poda Iterativa: O algoritmo identifica os sítios mais responsáveis pelos desvios da distribuição nula esperada. Esses sítios são iterativamente podados usando um de três algoritmos de pontuação disponíveis. O processo continua até que o viés composicional não seja mais estatisticamente detectável.
• Saída Estatística: A ferramenta gera métricas interpretáveis, incluindo escores Z e valores-p, tanto para táxons individuais quanto para o alinhamento completo, quantificando a magnitude do viés detectado.

Principais Resultados
O artigo valida o WitChi por meio de conjuntos de dados simulados e do mundo real:

• Estudos de Simulação: A poda de alinhamentos simulados com heterogeneidade composicional demonstrou que o WitChi restaura de forma confiável as topologias filogenéticas corretas quando analisadas sob modelos padrão de composição estacionária.
• Benchmarking: Em benchmarks comparativos, o WitChi superou o BMGE (uma ferramenta de trimagem baseada em modelos estacionários amplamente utilizada). Além disso, a ferramenta exibe escalonamento linear em relação ao número de táxons, abordando as limitações de escalabilidade de métodos anteriores.
• Aplicação em Larga Escala: Quando aplicado ao conjunto de dados GTDB r220 de arqueia (composto por 5.869 táxons e 10.101 sítios), o WitChi completou o processo de poda em menos de uma hora usando quatro núcleos de CPU. A filogenia resultante recuperou com sucesso clados fundamentais que anteriormente exigiam análises profundas usando modelos complexos de evolução de sequências para serem resolvidos.

Significância e Alegações
O artigo posiciona o WitChi como uma solução eficiente e escalável para detectar e remover viés composicional em conjuntos de dados filogenômicos que variam de milhares a dezenas de milhares de táxons. Ao permitir o uso de modelos padrão e computacionalmente tratáveis em grandes conjuntos de dados, enquanto mitiga os efeitos distorcentes da heterogeneidade composicional, o WitChi facilita a inferência filogenética mais precisa através da árvore da vida. Os autores enfatizam que a ferramenta preenche a lacuna entre a necessidade de análise sensível à composição e as restrições práticas de recursos computacionais na filogenômica de larga escala.