A New Information Theoretic Approach Shows that Mixture Models Outperform Partitioned Models for Phylogenetic Analyses of Amino Acid Data

Utilizando o critério de informação de Akaike marginal (mAIC) e outras abordagens, este estudo demonstra que os modelos de mistura superam universalmente os modelos particionados na análise filogenética de dados de aminoácidos, sugerindo que o desenvolvimento contínuo dos modelos de mistura é uma via crucial para pesquisas futuras.

O essencial

Imagine que você é um detetive tentando reconstruir a história de uma grande família antiga, apenas olhando para um monte de cartas antigas (o DNA das espécies). O seu objetivo é montar a árvore genealógica perfeita. Mas há um problema: nem todas as cartas foram escritas da mesma forma. Algumas são curtas e diretas, outras são longas e poéticas, e algumas usam gírias diferentes.

Para resolver isso, os cientistas usam dois métodos principais para organizar essas cartas:

1. O Método dos "Gabinetes" (Modelos Partitionados): Você separa as cartas em caixas diferentes baseadas em quem as escreveu ou onde foram encontradas. Dentro de cada caixa, você assume que todas as cartas seguem as mesmas regras. É como se você dissesse: "Todas as cartas da caixa 'Avós' seguem a regra A, e todas da caixa 'Netos' seguem a regra B".
2. O Método da "Sopa de Letrinhas" (Modelos de Mistura): Em vez de separar as cartas em caixas rígidas, você joga tudo numa panela gigante. Você assume que, em qualquer lugar da carta, pode haver uma mistura de diferentes estilos de escrita. É como se cada palavra da carta pudesse ter sido escrita por um autor diferente, e o modelo tenta adivinhar qual autor escreveu qual palavra, sem precisar de caixas pré-definidas.

O Grande Problema: A Régua Errada
Por anos, os cientistas tentaram comparar qual método era melhor usando uma régua chamada "AIC". O problema é que essa régua era defeituosa para o método da "Sopa". Ela era feita para medir caixas separadas. Quando usada na sopa, ela sempre dizia que as caixas (modelos partitionados) eram melhores, mesmo quando a sopa (modelos de mistura) estava explicando a história com muito mais precisão. Era como tentar medir a temperatura de um líquido usando uma régua de madeira: o resultado não fazia sentido.

A Nova Descoberta: Uma Régua Justa
Neste novo estudo, os pesquisadores usaram uma nova régua inventada recentemente, chamada mAIC. Pense nela como uma régua inteligente que sabe exatamente como medir tanto as caixas quanto a sopa, tratando os dois métodos de forma justa.

Eles pegaram 9 conjuntos de dados reais (desde insetos e borboletas até fungos e bactérias) e testaram os dois métodos.

O Resultado Surpreendente:
A nova régua mostrou que, quase em todos os casos, o Método da Sopa (Modelos de Mistura) era muito superior.

• Por que? Porque a vida real é complexa. As regras da evolução não seguem caixas rígidas. Às vezes, uma parte de um gene evolui de um jeito, e a parte ao lado evolui de outro, mesmo dentro da mesma "caixa". O modelo de mistura consegue capturar essa bagunça natural, enquanto o modelo de caixas força a realidade a se encaixar em compartimentos que não existem.

O Que Isso Significa para Nós?

1. Árvores Genealógicas Mais Precisas: Se usarmos o método de mistura (a "sopa"), vamos ter árvores evolutivas mais corretas. Isso ajuda a entender melhor como os animais, plantas e bactérias estão relacionados.
2. Fim das Caixas Rígidas: O estudo sugere que devemos parar de tentar forçar a natureza a se encaixar em caixas separadas e começar a aceitar que a evolução é uma mistura complexa e fluida.
3. Uma Nova Ferramenta: A principal contribuição do artigo não é apenas dizer "a sopa é melhor", mas fornecer a ferramenta (a nova régua mAIC) que permite aos cientistas comparar os métodos corretamente no futuro.

Em resumo:
Pense na evolução como uma orquestra. O método antigo tentava separar os músicos em seções rígidas (violinos aqui, trompetes ali) e analisar cada seção isoladamente. O novo estudo diz: "Espera aí! Às vezes o trompetista toca junto com o violino, e às vezes o ritmo muda no meio da música". O novo método de "mistura" ouve a orquestra inteira como um todo complexo, e a nova régua prova que essa abordagem ouve a música real com muito mais fidelidade.

Para o futuro da ciência, isso significa que as histórias da vida na Terra que contaremos a partir de agora serão muito mais precisas e menos distorcidas por regras de organização que não existem na natureza.

Resumo técnico

Título: Uma Nova Abordagem Teórica da Informação Mostra que Modelos de Mistura Superam Modelos Partitionados para Análises Filogenéticas de Dados de Aminoácidos

1. O Problema

A filogenética moderna enfrenta o desafio de modelar a heterogeneidade evolutiva em grandes conjuntos de dados genômicos. Existem duas abordagens principais para lidar com essa heterogeneidade:

• Modelos Partitionados: O alinhamento é dividido em subconjuntos pré-definidos (ex: genes, posições de códons), e um modelo de substituição é atribuído a cada partição.
• Modelos de Mistura (Mixture Models): Modelam múltiplos processos evolutivos sobre todo o alinhamento sem atribuir sítios a subconjuntos fixos (ex: modelos C10-C60, GHOST).

O problema central é que não existia uma maneira justa e direta de comparar o ajuste (fit) desses dois tipos de modelos usando critérios de informação padrão.

• Os modelos partitionados calculam a verossimilhança como probabilidades condicionais (cAIC), assumindo que os sítios pertencem a uma partição específica.
• Os modelos de mistura calculam a verossimilhança como probabilidades marginais, integrando sobre todos os processos possíveis para cada sítio.
• Comparar diretamente o cAIC de um modelo partitionado com o AIC de um modelo de mistura leva a um viés sistemático, favorecendo erroneamente os modelos partitionados, mesmo quando a partição está incorreta.

2. Metodologia

Os autores utilizaram nove conjuntos de dados empíricos de aminoácidos, cobrindo cinco linhagens principais (animais, plantas, fungos, bactérias e archaea), com profundidades taxonômicas variadas.

• Subamostragem: Devido ao custo computacional, os dados foram subamostrados para diferentes números de táxons (20, 10 e 5) para testar a robustez das conclusões.
• Estimação de Modelos:
  • Modelos Partitionados: Otimizados usando o algoritmo PartitionFinder no IQ-TREE 2, sob três configurações de ligação de ramos: edge-equal (comprimentos iguais), edge-proportional (proporcionais) e edge-unlinked (independentes).
  • Modelos de Mistura: Foram testadas variantes do modelo de perfil de mistura C60 (o mais complexo e comum), incluindo:
    • C60-wfix (pesos fixos).
    • C60-wopt (pesos otimizados).
    • C60+F (perfil empírico adicional +F).
• Critérios de Comparação:
  1. mAIC (Marginal Akaike Information Criterion): Utilizando a nova abordagem proposta por Susko et al. (2026), que calcula o AIC para modelos partitionados baseado em probabilidades marginais, permitindo uma comparação direta e justa com os modelos de mistura.
  2. Testes de Bootstrap Paramétrico: Uma extensão do método de Giacomelli et al. (2025). Os autores simularam 100 replicatas de dados sob cada modelo e compararam a adequação do modelo usando:
     • Distribuição de entropia de Shannon por sítio (em vez de apenas a presença/ausência de aminoácidos).
     • Teste de Cramér–von Mises (CvM) para comparar a distribuição completa das estatísticas entre dados simulados e empíricos.
  3. Teste de Robustez da Árvore: Avaliação da estabilidade da topologia da árvore usando uma abordagem jackknife (removendo um táxon por vez) e medindo a distância topológica (Lin-Rajan-Moret) entre a árvore completa e as árvores subamostradas.

3. Principais Contribuições

• Aplicação do mAIC em Dados Empíricos: É o primeiro estudo a aplicar o mAIC em larga escala para comparar modelos partitionados e de mistura em dados reais, superando as limitações teóricas do cAIC.
• Refinamento do Bootstrap Paramétrico: Introduziram o uso da entropia de Shannon e do teste CvM para uma avaliação mais rigorosa da adequação do modelo, capturando não apenas a presença de aminoácidos, mas também suas frequências relativas e a distribuição completa da diversidade.
• Comparação Abrangente: Avaliaram sistematicamente diferentes configurações de modelos partitionados (especialmente a ligação de ramos) contra modelos de mistura de alta complexidade.

4. Resultados

• Superioridade dos Modelos de Mistura (mAIC): Em todos os nove conjuntos de dados e em todas as subamostragens de táxons, os modelos de mistura (especialmente C60) foram universalmente favorecidos em relação aos melhores modelos partitionados quando avaliados pelo mAIC. As diferenças nos escores foram massivas (milhares de unidades), indicando uma evidência forte a favor dos modelos de mistura.
• Adequação do Modelo (Bootstrap): Os modelos C60 (especificamente C60-wfix) reproduziram melhor a distribuição empírica da diversidade de aminoácidos e da entropia de Shannon na maioria dos conjuntos de dados. Os modelos partitionados tendiam a superestimar a diversidade por sítio, pois forçam um perfil médio dentro de cada partição.
  • Exceção: Nos conjuntos de dados de leveduras e fungos sac, os modelos partitionados (edge-unlinked) mostraram-se ligeiramente melhores em capturar a entropia específica, sugerindo que a heterogeneidade nesses grupos pode ser melhor capturada por partições independentes em certos contextos.
• Robustez da Árvore: Tanto os modelos de mistura (C60+F) quanto os modelos partitionados (edge-proportional) mostraram níveis semelhantes de robustez na inferência de topologias de árvores quando os táxons eram removidos. Não houve um vencedor claro neste critério específico, embora os modelos de mistura tenham sido ligeiramente superiores em alguns casos.
• Configuração de Partições: O mAIC favoreceu consistentemente o modelo edge-proportional (comprimentos de ramos proporcionais) sobre o edge-unlinked, alinhando-se com o critério BIC e com testes de robustez, enquanto o cAIC e o bootstrap paramétrico tendiam a favorecer o edge-unlinked (devido à maior flexibilidade de parâmetros).

5. Significado e Implicações

• Mudança de Paradigma na Seleção de Modelos: O estudo demonstra que, para dados de aminoácidos, os modelos de mistura oferecem um ajuste superior e mais biologicamente realista do que os modelos partitionados tradicionais. Isso sugere que a heterogeneidade evolutiva é melhor modelada como uma mistura contínua de processos do que como blocos discretos e pré-definidos.
• Fim do Viés de Comparação: A adoção do mAIC resolve o problema histórico de comparação injusta entre os dois tipos de modelos, permitindo que pesquisadores escolham o melhor modelo com base em critérios teóricos sólidos.
• Direção Futura: Os resultados incentivam o desenvolvimento contínuo de modelos de mistura complexos e sugerem que a ênfase na criação de esquemas de partição cada vez mais complexos pode ser menos eficaz do que o uso de modelos de mistura globais.
• Recomendação Prática: Para estudos filogenômicos que visam inferir topologias de árvores globais precisas, os autores recomendam o uso de modelos de mistura (como C60) avaliados via mAIC, em vez de depender de critérios condicionais (cAIC) que podem levar a conclusões errôneas.