Horse, not zebra: accounting for lineage abundance in maximum likelihood phylogenetics

Este artigo apresenta dois métodos implementados no software MAPLE que incorporam a abundância das linhagens na inferência filogenética de máxima verossimilhança, demonstrando que priorizar linhagens comuns ("cavalos") em vez de raras ("zebras") melhora drasticamente a precisão e reduz a incerteza em cenários de genômica epidemiológica, como no caso do SARS-CoV-2.

O essencial

Imagine que você é um detetive tentando reconstruir a história de uma epidemia, como a do coronavírus. Você tem milhões de "testes" (genomas) de pessoas infectadas e precisa montar uma árvore genealógica para ver quem infectou quem.

O problema é que, às vezes, os dados são confusos. Você tem uma amostra de vírus que é quase idêntica a dois outros vírus diferentes. A ciência tradicional (o "Máximo de Verossimilhança") diz: "Não consigo saber qual é o pai certo, eles são tão parecidos que a probabilidade é a mesma". É como se o detetive dissesse: "Pode ser o Sr. Silva ou a Sra. Souza, não tenho como decidir".

Este artigo, escrito por Nicola De Maio, propõe uma nova regra para o detetive: "Quando você ouve cascos, pense em cavalos, não em zebras."

A Metáfora Principal: Cavalos vs. Zebras

Na medicina, existe um ditado famoso: se você ouve o som de cascos, é mais provável que seja um cavalo (algo comum) do que uma zebra (algo raro e exótico), a menos que haja provas fortes do contrário.

O autor aplica isso à genética:

• O Cavalo: É uma linhagem de vírus que é muito comum na população (muitas pessoas infectadas).
• A Zebra: É uma linhagem rara (poucas pessoas infectadas).

Se você encontra um vírus "confuso" que poderia pertencer a um cavalo ou a uma zebra, a regra antiga dizia: "não importa, é 50/50". A nova regra diz: "Aposte no cavalo!". Se uma linhagem é abundante na natureza, é estatisticamente muito mais provável que o vírus que você está analisando venha dela, e não de uma linhagem rara.

O Problema das "Furcas" (Multifurcações)

Em árvores de vírus muito recentes (como no SARS-CoV-2), muitas vezes temos muitas pessoas infectadas com o mesmo vírus exato. Na árvore genealógica, isso cria um "nó" onde muitas linhas saem de um único ponto ao mesmo tempo. Os cientistas chamam isso de multifurcação.

Para a ciência tradicional, isso é um problema. É como se o vírus tivesse se dividido em 100 pessoas ao mesmo tempo, o que é biologicamente estranho. Na verdade, o vírus se dividiu em uma, depois em outra, mas como não houve tempo para mutações (mudanças no DNA), a árvore parece um "emaranhado" de linhas saindo de um ponto.

O autor criou dois métodos inteligentes (chamados HnZ1 e HnZ2) para resolver isso:

1. HnZ1 (O Contador de Caminhos):
   Imagine que aquele "nó" com 100 linhas não é um evento mágico, mas sim 100 caminhos possíveis diferentes que poderiam ter acontecido. O método conta quantos caminhos existem. Se você colocar sua nova amostra em um grupo grande (o "cavalo"), você está escolhendo um dos muitos caminhos possíveis. Isso aumenta a "pontuação" daquela árvore. Se você colocar em um grupo pequeno (a "zebra"), a pontuação é menor. O computador então escolhe a árvore com a pontuação mais alta.

2. HnZ2 (O Apostador de Probabilidade):
   Este método é mais direto. Ele diz: "Se um vírus é visto 1.000 vezes na nossa lista, é 1.000 vezes mais provável que ele seja o pai do próximo vírus do que um vírus que só foi visto 1 vez". Ele dá um "bônus" matemático para colocar novas amostras nos galhos onde já existem muitos vírus.

Por que isso é importante?

O autor testou isso com dados reais do coronavírus (mais de 2 milhões de genomas) e com simulações. Os resultados foram impressionantes:

• Menos Erros: A árvore ficou muito mais precisa. O método reduziu a incerteza em cerca de 10 vezes.
• Histórias Mais Simples: Sem essa regra, a árvore parecia cheia de "reversões" bizarras (o vírus mudava de cor e voltava a ser da cor original várias vezes, o que é improvável). Com a regra "Cavalos, não Zebras", a história ficou lógica e simples: o vírus evoluiu de forma coerente.
• Confiança: Onde antes os cientistas diziam "não sabemos onde esse vírus se encaixa", agora eles podem dizer com 99% de certeza: "Ele veio desse grupo grande".

Resumo em uma frase

O artigo ensina aos computadores de biologia a usarem o bom senso: se algo é comum, é mais provável que seja a resposta certa. Ao fazer isso, eles conseguem desenhar mapas de epidemias muito mais precisos, rápidos e confiáveis, ajudando a entender como vírus se espalham e evoluem.

É como se o detetive finalmente percebesse que, em uma cidade cheia de carros vermelhos, se ele vê um carro vermelho com uma mancha de tinta, é muito mais provável que seja um dos milhares de carros vermelhos da cidade do que um carro vermelho único e raro que ele nunca viu antes.

Resumo técnico

1. O Problema

Os métodos de filogenética de Máxima Verossimilhança (Maximum Likelihood - ML) são amplamente utilizados para reconstruir histórias evolutivas. No entanto, eles tradicionalmente não assumem hipóteses prévias sobre a forma da árvore ou o processo de amostragem.

• Contexto de Epidemiologia Genômica: Em estudos de patógenos (como o SARS-CoV-2), a taxa de sequenciamento pode ser "agnóstica" à linhagem específica, significando que a abundância de uma linhagem na população hospedeira é refletida na abundância relativa de genomas sequenciados dessa linhagem.
• A Lacuna: Em cenários de alta densidade de amostragem e baixa divergência evolutiva, surgem muitas multifurcações (nós com mais de dois descendentes) na árvore inferida. Isso ocorre devido a mutações ausentes em certas ramificações ou sequências incompletas.
• A Ambiguidade: Quando um genoma incompleto ou ambíguo pode ser colocado em múltiplos locais na árvore com a mesma verossimilhança estatística (ex: um genoma "G3" que se encaixa igualmente bem em uma linhagem comum "G1" ou uma rara "G2"), o ML clássico não consegue distinguir entre as opções. Isso leva a uma alta incerteza filogenética e a inferências de histórias evolutivas complexas e pouco prováveis (muitas reversões de mutações).
• Princípio Médico: O autor aplica o princípio "quando se ouve o som de cascos, pense em cavalos, não em zebras", sugerindo que, diante de evidências ambíguas, deve-se priorizar a colocação em linhagens mais abundantes (cavalos) em vez de raras (zebras).

2. Metodologia

O autor, Nicola De Maio, propõe duas abordagens distintas, coletivamente chamadas de HnZ ("Horse not Zebra"), para incorporar a abundância de linhagens no framework de Máxima Verossimilhança, sem recorrer a métodos Bayesianos computacionalmente custosos. Ambas as abordagens são implementadas no software de código aberto MAPLE (v0.7.5.4).

Abordagem HnZ1: Rescalamento por Topologias Bifurcantes

• Conceito: Interpreta uma multifurcação (MM - mutational multifurcation) não como um evento instantâneo de divisão múltipla, mas como um conjunto de topologias bifurcantes possíveis consistentes com a falta de sinal de mutação.
• Mecanismo: O log-verossimilhança da árvore é multiplicado pelo número de resoluções bifurcantes possíveis para cada nó multifurcante.
• Cálculo: Para um nó de tamanho $n$ (número de ramos descendentes), o número de resoluções bifurcantes é dado por $H(n) = (2n-3)!!$. O score total da árvore é o produto de $H(n)$ para todos os nós.
• Efeito: Ao adicionar uma amostra a um nó de tamanho $n$, o score aumenta por um fator de $2n-3$. Isso favorece matematicamente a colocação de novas amostras em nós já grandes (linhagens abundantes), pois isso maximiza o número de topologias consistentes.

Abordagem HnZ2: Priori de Árvore Baseada em Abundância

• Conceito: Inspirado em priores Bayesianos, assume que genomas são sequenciados a uma taxa proporcional à sua abundância.
• Mecanismo: Define um prior de árvore onde a probabilidade de amostragem é proporcional ao tamanho do nó ($n$).
• Cálculo: O score é definido como $H(n) = n^n$ (proporcional a $(n/N)^n$, onde $N$ é o total de genomas).
• Efeito: Esta abordagem é ligeiramente mais "agressiva" que a HnZ1, incentivando ainda mais a formação de multifurcações grandes, pois penaliza exponencialmente a colocação em nós pequenos.

3. Contribuições Principais

1. Novas Heurísticas para ML: Introduz dois métodos (HnZ1 e HnZ2) que "Bayesianizam" a inferência de Máxima Verossimilhança ao incorporar informações de abundância de linhagens diretamente no score da árvore.
2. Interpretação de Multifurcações: Propõe uma nova interpretação de multifurcações em árvores de mutação como conjuntos de topologias bifurcantes, em vez de eventos biológicos instantâneos.
3. Implementação Eficiente: Integração dessas correções no software MAPLE, permitindo a análise de milhões de genomas com um aumento computacional gerenciável (duplicação do tempo de execução, mas mantendo a escalabilidade).
4. Redução de Incerteza: Demonstra que a incorporação de dados de prevalência reduz drasticamente a incerteza filogenética em escalas pandêmicas.

4. Resultados

Os métodos foram avaliados usando dados simulados de SARS-CoV-2 e um conjunto de dados real com mais de 2 milhões de genomas.

• Precisão em Dados Simulados:
  • Tanto HnZ1 quanto HnZ2 melhoraram significativamente a precisão da reconstrução da árvore.
  • A HnZ1 preveniu cerca de 40% dos erros topológicos em comparação com o ML padrão.
  • A HnZ1 foi ligeiramente mais precisa que a HnZ2.
• Demanda Computacional:
  • O uso de HnZ aumentou o tempo de inferência em aproximadamente 2x, mas o uso de memória RAM aumentou apenas marginalmente.
  • A análise de dados reais (2,07 milhões de genomas) foi viável, embora tenha exigido semanas de processamento em clusters.
• Análise de Dados Reais (SARS-CoV-2):
  • Redução de Incerteza: A proporção de ramos com suporte baixo (<50%) caiu drasticamente. Para ramos terminais de comprimento zero (genomas idênticos ou quase idênticos), a incerteza caiu de ~8% para ~0.05%.
  • História Evolutiva do AY.4 (Delta): Sem HnZ, a linhagem AY.4 apresentava um padrão caótico de reversões de mutações (ex: T17040C e C17040T). Com HnZ1, a história inferida tornou-se muito mais simples e parcimoniosa, eliminando reversões re-reversas biologicamente improváveis e reduzindo o número de mutações inferidas de 655 para 40 (para C17040T).
  • Suporte Estatístico: Subclados principais da linhagem AY.4 que tinham suporte <10% sem HnZ atingiram 100% de suporte com HnZ1.
  • Taxas de Substituição: A correção reduziu drasticamente as taxas de substituição inferidas em sítios problemáticos (ex: sítio 17040), indicando que as altas taxas anteriores eram artefatos de erros de inferência topológica.

5. Significado e Impacto

O trabalho demonstra que ignorar a abundância de linhagens em dados de epidemiologia genômica leva a reconstruções filogenéticas imprecisas e cheias de incertezas artificiais.

• Validade Biológica: Ao priorizar linhagens comuns ("cavalos"), os métodos HnZ produzem árvores evolutivas que são biologicamente mais plausíveis, reduzindo a necessidade de explicar padrões complexos através de altas taxas de mutação reversa ou eventos raros.
• Escalabilidade: Oferece uma alternativa viável e mais rápida à inferência Bayesiana completa (MCMC) para conjuntos de dados massivos (milhões de genomas), mantendo a capacidade de lidar com a incerteza topológica.
• Aplicações Futuras: Além da vigilância de patógenos, a abordagem tem potencial para melhorar a precisão em metagenômica, genômica de célula única e genômica do câncer, onde a abundância de sequências é um dado crucial para a interpretação correta da filogenia.

Em resumo, o artigo estabelece que, em cenários de alta densidade de amostragem, a abundância de linhagens é uma informação crítica que, quando integrada corretamente ao framework de Máxima Verossimilhança, resolve ambiguidades topológicas e gera reconstruções evolutivas muito mais confiáveis.