An Empirical Bayes approach for the study of phenotypic evolution from high-dimensional data

Este artigo apresenta uma nova abordagem de Bayes Empírico, implementada no pacote R mvMORPH, que supera as limitações computacionais dos métodos comparativos filogenéticos multivariados atuais, permitindo a análise eficiente e precisa de dados de alta dimensionalidade (como formas 3D e expressão gênica) para inferir parâmetros evolutivos e detectar convergência morfológica, como demonstrado no estudo da adaptação dietética em mamíferos.

O essencial

Imagine que você é um detetive tentando entender a história da evolução dos mamíferos. Você tem um quebra-cabeça gigante com milhares de peças (os traços físicos, como o formato do maxilar) e uma árvore genealógica com muitas famílias (as espécies).

O problema é que, para alguns desses quebra-cabeças, o número de peças é maior do que o número de famílias. Na matemática tradicional, isso é um pesadelo: é como tentar resolver uma equação onde você tem mais variáveis desconhecidas do que equações para resolvê-las. O computador trava, a memória explode e os métodos antigos simplesmente não funcionam.

Este artigo apresenta uma nova "ferramenta mágica" chamada Abordagem Empírica Bayesiana para resolver exatamente esse problema.

Aqui está a explicação simplificada, usando analogias do dia a dia:

1. O Problema: O "Trânsito" de Dados

Antes, os cientistas usavam métodos que tentavam olhar para todas as peças do quebra-cabeça de uma só vez. Quando há milhares de peças (como em escaneamentos 3D de ossos ou genes), o "trânsito" de dados fica congestionado. O computador precisa calcular uma tabela gigantesca de relações entre todas as peças, e isso consome tanta memória e tempo que se torna impossível de usar.

• A analogia: Imagine tentar organizar uma festa com 100 pessoas (espécies) onde cada uma precisa conversar com 1.000 convidados diferentes (traços). O método antigo tentaria fazer todas as 100.000 conversas simultaneamente, o que causaria um caos total.

2. A Solução: O "Detetive Inteligente" (Empirical Bayes)

Os autores criaram um novo método que age como um detetive muito esperto. Em vez de tentar calcular cada conversa individualmente, ele usa uma regra geral baseada no que já viu antes.

• A analogia: Em vez de perguntar a cada um dos 1.000 convidados o que eles pensam, o detetive olha para o grupo e diz: "Pelo que eu vejo, a maioria das pessoas gosta de música pop e odeia barulho. Vou assumir isso como uma base e ajustar apenas os detalhes estranhos."
• Como funciona: O método usa uma técnica chamada "regularização". Ele assume que, embora existam milhares de traços, eles provavelmente seguem um padrão simples (como uma média). Ele "puxa" as estimativas loucas em direção a esse padrão seguro. Isso evita que o computador tente calcular coisas que não existem (matrizes que não podem ser invertidas).

3. A Vantagem: Velocidade e Eficiência

O método antigo (Penalized Likelihood) era como tentar adivinhar a resposta certa testando milhões de combinações possíveis (uma técnica chamada "validação cruzada"). Era preciso, mas demorava dias.

O novo método é como ter um GPS que calcula a rota instantaneamente.

• Velocidade: É pelo menos 10 vezes mais rápido.
• Memória: Usa até 20 vezes menos memória do computador.
• Resultado: Conseguimos analisar dados que antes eram impossíveis, como escaneamentos 3D de mandíbulas com milhares de pontos de referência.

4. A Aplicação Real: O Que a Mandíbula dos Mamíferos Nos Conta

Para testar essa ferramenta, os autores olharam para o formato das mandíbulas de 95 espécies de mamíferos (carnívoros e herbívoros, incluindo fósseis).

• A descoberta: Eles descobriram que, independentemente de serem marsupiais (como cangurus) ou placentários (como nós), os mamíferos que comem plantas desenvolveram mandíbulas muito parecidas entre si, e os que comem carne também.
• A convergência: É como se a natureza tivesse dois "modelos de fábrica": um modelo "Máquina de Moer Plantas" (mandíbulas longas e profundas) e um modelo "Tesoura de Carne" (mandíbulas mais curtas e fortes). Mesmo que as linhagens sejam diferentes, a dieta forçou a evolução a criar o mesmo formato.
• O detalhe: O método mostrou que a parte da mandíbula onde os dentes ficam (para moer) é a que mais muda com a dieta, enquanto a parte de trás (onde os músculos se fixam) tem mais variação.

Resumo Final

Este artigo é como a invenção de um novo motor para carros de corrida. Antes, se você quisesse analisar a evolução de características complexas (como formas 3D), seu carro (o computador) queimava o motor. Agora, com essa nova abordagem Empírica Bayesiana, você pode dirigir em alta velocidade por estradas de dados gigantescas, descobrindo padrões de evolução que antes estavam escondidos na neblina.

E o melhor? Eles colocaram essa ferramenta de graça na internet (no pacote R chamado mvMORPH), para que qualquer biólogo possa usá-la para desvendar os mistérios da evolução.

Resumo técnico

1. O Problema

O avanço tecnológico permitiu a geração massiva de dados fenotípicos de alta dimensão (ex.: formas 3D de estruturas anatômicas via morfometria geométrica, perfis de expressão gênica), onde o número de traços ($p$) frequentemente excede o número de espécies ($n$).

• Limitação Atual: Os métodos comparativos filogenéticos multivariados tradicionais baseados em máxima verossimilhança tornam-se computacionalmente proibitivos ou matematicamente impossíveis quando $p \geq n$. Isso ocorre porque a matriz de variância-covariância dos traços torna-se singular (não invertível), impedindo o cálculo do determinante necessário para a função de verossimilhança.
• Soluções Existentes e Defeitos:
  • Redução de dimensionalidade (PCA): Perde informações sobre a estrutura de covariância completa.
  • Métodos baseados em distâncias: Ignoram as correlações entre traços.
  • Verossimilhança Composta Pares (PCL): Não fornece o estimador completo da matriz de covariância e não é invariante a rotações (crítico para dados de morfometria).
  • Verossimilhança Penalizada (PL): Utiliza técnicas de regularização, mas depende de validação cruzada (CV) computacionalmente intensiva (requer inversão repetida de matrizes grandes), limitando sua aplicação a conjuntos de dados muito grandes ou modelos complexos (como OU com múltiplos ótimos).

2. Metodologia Proposta

Os autores propõem uma nova abordagem baseada no Framework Bayesiano Empírico (Empirical Bayes) para modelar a evolução de traços multivariados em alta dimensão.

• Formulação Teórica:
  • Em vez de estimar explicitamente a matriz de covariância dos traços ($R$) e invertê-la, o método integra analiticamente $R$ fora da equação de verossimilhança.
  • Assume-se uma distribuição a priori Inverse Wishart para $R$, que é conjugada à distribuição normal multivariada subjacente aos modelos de evolução (como Movimento Browniano, OU, Early Burst).
  • Ao integrar $R$, a distribuição marginal dos dados segue uma distribuição T de matriz variada.
• Estimação de Parâmetros:
  • Os parâmetros do modelo evolutivo (ex.: força de seleção $\alpha$ no modelo OU) e o parâmetro de regularização ($\mu$, que controla a intensidade da penalização) são estimados diretamente maximizando a verossimilhança marginal (ou verossimilhança restrita - REML).
  • Isso elimina a necessidade de procedimentos iterativos de validação cruzada (CV) usados na Verossimilhança Penalizada (PL).
• Implementação:
  • O método foi implementado na função mvgls() do pacote R mvMORPH.
  • Suporta modelos: Movimento Browniano (BM), Early Burst (EB), Lambda de Pagel, Ornstein-Uhlenbeck (OU) e OU com múltiplos ótimos (OUM).
  • Permite a escolha de matrizes alvo ("targets") para a regularização: Matriz Identidade (invariante a rotações, ideal para morfometria) ou Matriz Diagonal (captura heterocedasticidade).

3. Principais Contribuições

1. Eficiência Computacional: O método evita a estimativa e armazenamento explícito da matriz de covariância $R$ durante o ajuste do modelo, reduzindo drasticamente o uso de memória e tempo de processamento.
2. Escalabilidade: Capacidade de lidar com conjuntos de dados onde o número de traços é 10 vezes maior que o número de espécies ($p = 10n$) e até milhares de variáveis ($p > 4000$).
3. Extensão de Modelos Complexos: Permite o uso de modelos com estruturas de média complexas, especificamente o processo OU com múltiplos ótimos (OUM), que era computacionalmente inviável com métodos PL anteriores para dados de alta dimensão.
4. Inferência de Matriz de Covariância: Embora não seja necessária para o ajuste, o método fornece um estimador regularizado da matriz $R$ (via média posterior) que pode ser utilizado em análises subsequentes (ex.: regressões filogenéticas multivariadas, MANOVA).

4. Resultados

Os autores validaram o método através de simulações e aplicação em dados empíricos:

• Desempenho em Simulações:
  • Precisão: A abordagem Bayesiana Empírica estima parâmetros evolutivos com precisão comparável à Verossimilhança Penalizada (PL), mesmo quando $p \gg n$.
  • Velocidade e Memória: O método é pelo menos 10 vezes mais rápido e utiliza até 50 vezes menos memória do que as implementações mais rápidas de PL (com validação cruzada otimizada). Para dimensões extremas, a diferença de tempo pode chegar a três ordens de magnitude.
  • Seleção de Modelo: Critérios de informação baseados em bootstrap (como o EIC - Extended Information Criterion) e testes de razão de verossimilhança (LRT) tornaram-se viáveis graças à eficiência computacional. O EIC demonstrou ser o critério mais confiável para selecionar o modelo gerador correto, superando AIC e BIC em cenários de alta dimensionalidade.
• Aplicação Empírica (Mandíbulas de Mamíferos):
  • Analisaram a evolução da forma da mandíbula de 95 espécies de mamíferos (342 traços de morfometria geométrica) em relação à dieta (carnívoros vs. herbívoros) e desenvolvimento (Metatheria vs. Eutheria).
  • Convergência Adaptativa: O modelo melhor suportado (pelo AIC e EIC) foi o OU com dois ótimos (OUM2), indicando convergência morfológica entre carnívoros e herbívoros independentemente da linhagem (marsupiais ou placentários).
  • Morfologia: Herbívoros evoluíram para uma mandíbula com corpo mais profundo e ramos mais altos, adaptados à mastigação de fibras vegetais, enquanto carnívoros apresentam adaptações para força de mordida e processamento de presas.
  • O modelo não encontrou suporte significativo para ótimos distintos baseados apenas no modo de desenvolvimento (Metatheria vs. Eutheria) quando a dieta era considerada.

5. Significado e Conclusão

Este trabalho representa um avanço crucial na biologia evolutiva comparativa, permitindo a análise rigorosa de dados fenotípicos de ultra-alta dimensão que antes eram inacessíveis ou exigiam simplificações drásticas.

• Ao contornar a "maldição da dimensionalidade" através da integração analítica de matrizes de covariância, o método Bayesiano Empírico democratiza o uso de modelos evolutivos complexos (como OUM) em grandes conjuntos de dados.
• A implementação no pacote mvMORPH torna a ferramenta acessível à comunidade científica.
• A capacidade de realizar testes de hipóteses robustos (via EIC e LRT com bootstrap) em dados de alta dimensão abre novas possibilidades para estudar a adaptação, convergência evolutiva e a interação entre restrições de desenvolvimento e seleção natural em escalas macroevolutivas detalhadas.