AmpliPhy improves gene trees by adding homologous sequences without affecting alignments

Resumo Técnico: AmpliPhy

Problema
Na filogenômica, a reconstrução de árvores de genes depende fundamentalmente de duas etapas sequenciais: o alinhamento múltiplo de sequências (MSA) e a inferência de árvores. Embora esteja estabelecido que a amostragem de táxons mais densa geralmente melhora a inferência de árvores de genes, os efeitos mecanísticos específicos da adição de sequências homólogas a um conjunto de dados existente permanecem pouco compreendidos. Especificamente, há uma falta de conhecimento empírico sobre como o enriquecimento de homólogos influencia as distintas etapas do pipeline de inferência, incluindo a qualidade do alinhamento múltiplo de sequências, a precisão da reconstrução de árvores e a correção do enraizamento da árvore. Além disso, existem preocupações de que a adição de sequências possa introduzir ruído ou complicar os alinhamentos sem garantir ganhos proporcionais na precisão filogenética.

Metodologia
Para abordar essas lacunas, os autores realizaram benchmarks em larga escala utilizando tanto dados empíricos quanto simulações. O estudo empregou um delineamento experimental de "enriquecimento-empobrecimento" para quantificar sistematicamente o impacto da adição de sequências homólogas. Os pesquisadores avaliaram os efeitos desse enriquecimento através de três dimensões específicas:

1. Qualidade do Alinhamento: Avaliando se a adição de sequências degradou ou melhorou o MSA.
2. Reconstrução de Árvores: Medindo a precisão das árvores filogenéticas inferidas.
3. Enraizamento: Analisando o posicionamento da raiz em árvores enriquecidas.

A precisão da árvore foi quantificada usando uma métrica baseada na congruência taxonômica. O estudo também investigou a relação entre o posicionamento preciso da raiz e a melhoria geral da árvore, particularmente quando métodos sensíveis de busca de homólogos foram empregados.

Principais Contribuições
A principal contribuição deste trabalho é o desenvolvimento e o lançamento do AmpliPhy, um software de pipeline de código aberto projetado para melhorar eficientemente a reconstrução filogenética de famílias de proteínas por meio do enriquecimento de homólogos. A ferramenta operacionaliza as descobertas de que a adição de homólogos pode ser uma rota prática para uma maior precisão à medida que os bancos de dados de sequências se expandem.

Resultos
Os benchmarks produziram várias descobertas distintas:

• Inferência de Árvore: O enriquecimento de homólogos melhorou consistentemente a qualidade da inferência de árvore.
• Qualidade do Alinhamento: Os efeitos da adição de sequências na qualidade do alinhamento múltiplo de sequências foram considerados marginais.
• Enraizamento: A melhoria observada na inferência de árvore está associada, embora não limitada estritamente a isso, a um posicionamento de raiz mais preciso quando buscas de homólogos sensíveis são utilizadas.
• Eficiência: Uma parte significativa dos benefícios filogenéticos pode ser retida mesmo ao utilizar alinhamentos relativamente compactos produzidos pelo processo de adição de sequências, sugerindo que alinhamentos exaustivos e massivos nem sempre são necessários para capturar os ganhos.

Significância
O artigo posiciona o AmpliPhy como uma solução prática para aproveitar o volume crescente de dados de sequências em bancos de dados para melhorar análises filogenômicas. Ao demonstrar que o enriquecimento de homólogos melhora a precisão da árvore sem comprometer significativamente a qualidade do alinhamento, o trabalho valida uma estratégia de "adicionar mais dados" aos pipelines existentes. A disponibilidade do software permite que pesquisadores apliquem essas estratégias de enriquecimento para melhorar a reconstrução de famílias de proteínas, sendo a ferramenta acessível via repositório GitHub do DessimozLab.