Estimating Bayesian phylogenetic information content using geodesic distances

Este artigo apresenta uma nova medida bayesiana de conteúdo de informação filogenética baseada em distâncias geodésicas no espaço de árvores, que quantifica a redução da variância entre as distribuições a priori e a posteriori para avaliar a informação dos dados, a consistência topológica e o conflito entre conjuntos de dados.

O essencial

Imagine que você é um detetive tentando reconstruir a história de uma família antiga (a árvore genealógica da vida, ou seja, a filogenia). Você tem um monte de pistas (dados de DNA), mas nem todas as pistas são úteis. Algumas são ruído, outras são confusas, e algumas são muito claras.

Este artigo científico apresenta uma nova "régua mágica" para medir o quanto as suas pistas realmente ajudam a resolver o mistério.

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

1. O Problema: Como saber se os dados são bons?

Antigamente, os cientistas tentavam contar quantas árvores diferentes podiam ser feitas com os dados. O problema é que, com muitas espécies, o número de árvores possíveis é tão gigantesco (maior que o número de grãos de areia na Terra) que é impossível contar tudo. Era como tentar adivinhar a forma de um elefante no escuro apenas tocando em uma única pata e contando quantas vezes você tocou nela.

2. A Nova Solução: A "Régua de Distância" (Geodésica)

Os autores, Analisa Milkey e Paul Lewis, propõem uma ideia mais inteligente. Em vez de contar árvores, eles medem o espaço que as árvores ocupam.

• A Analogia do "Círculo de Confusão":
  Imagine que você tem duas caixas de areia:

  1. A Caixa do "Antes" (Prior): Antes de olhar as pistas, você joga areia aleatoriamente em todo o chão. A areia está espalhada por toda a sala. Isso representa a ignorância total. Você não sabe nada sobre a família.
  2. A Caixa do "Depois" (Posterior): Agora você olha as pistas de DNA. Você começa a juntar a areia em um único ponto, formando um monte bem definido. Isso representa o conhecimento.

  A "régua" deles mede o tamanho desse monte de areia.

  • Se o monte de areia Depois for quase do mesmo tamanho que o espalhado Antes, significa que suas pistas não servem para nada (0% de informação).
  • Se o monte de areia Depois for minúsculo e muito concentrado, significa que você descobriu a verdade com certeza (100% de informação).

3. O Truque da "Escala" (Comprimento das Pistas)

Às vezes, a areia se concentra não porque você descobriu a forma da família, mas apenas porque descobriu o tamanho das pessoas (comprimento dos ramos da árvore).
Para evitar isso, os autores "esticam" ou "encolhem" as árvores para que todas tenham o mesmo tamanho total antes de medir. Assim, eles garantem que estão medindo apenas a forma (quem é parente de quem) e não apenas o tamanho das distâncias.

4. O "Ruído" e o "Conflito" (Dissonância)

E se você tiver duas caixas de pistas que contam histórias diferentes?

• Imagine que um grupo de pistas diz que "João é irmão de Maria".
• Outro grupo diz que "João é irmão de Pedro".

A nova régua mede o conflito (chamado de dissonância). Se as duas caixas de areia ficarem em cantos opostos da sala, longe uma da outra, a régua diz: "Ei, vocês estão brigando! Há um conflito nos dados!". Isso é crucial para cientistas saberem quando não devem misturar certos dados, pois eles contam histórias contraditórias.

5. O Que Eles Descobriram?

Eles testaram essa régua de várias formas:

• Simulações: Criaram dados falsos para ver se a régua funcionava. Funcionou perfeitamente: quanto mais dados bons, menor o monte de areia (mais informação).
• Dados Reais (Algas): Descobriram que, em certos genes, a 3ª letra do código genético (que geralmente as pessoas acham que é "lixo" ou saturada) na verdade tinha mais informação do que as outras letras. A régua mostrou que essas letras estavam contando uma história muito clara.
• Dados Reais (Plantas): Encontraram um caso onde duas partes do mesmo gene contavam histórias totalmente diferentes (uma dizia que a planta era de um grupo, a outra dizia que era de outro). A régua de conflito gritou "ALERTA!", confirmando que havia uma transferência genética estranha acontecendo.

Resumo Final

Pense neste método como um termômetro de certeza.

• Antigamente, era difícil saber se você estava ficando mais esperto com os dados ou apenas alucinando.
• Agora, com essa nova "régua de geodésica", os cientistas podem dizer: "Olhem, nossos dados reduziram nossa confusão em 90%!" ou "Cuidado, esses dois conjuntos de dados estão gritando coisas diferentes!".

É uma ferramenta poderosa para garantir que, ao reconstruir a árvore da vida, estamos nos baseando em fatos sólidos e não em ruídos ou contradições.

Resumo técnico

Título: Estimativa do Conteúdo de Informação Filogenética Bayesiana Usando Distâncias Geodésicas

1. O Problema

A medição da quantidade de informação contida em dados filogenéticos é um desafio central na sistemática. Métodos anteriores, como os baseados em entropia relativa de distribuições de topologias (ex: Lewis et al., 2016), enfrentam um problema crítico de escalabilidade. À medida que o número de táxons aumenta, o espaço de árvores possíveis torna-se tão vasto que é impossível amostrar adequadamente a distribuição posterior para estimar a entropia com precisão. Além disso, métodos baseados em topologia pura muitas vezes ignoram informações contidas nos comprimentos das arestas (ramos). Há também a necessidade de medir não apenas a informação, mas também o dissonância (conflito de informação) entre diferentes conjuntos de dados (ex: diferentes loci ou genes).

2. Metodologia

Os autores propõem uma nova medida baseada na variação de árvores filogenéticas amostradas das distribuições a priori e a posteriori, utilizando o conceito de distância geodésica no espaço de árvores (treespace).

• Conceito Central: A informação nos dados é quantificada pela redução da variância da distribuição posterior em relação à distribuição a priori. Se os dados não contiverem informação filogenética, a variância posterior será igual à da prior. Se houver informação completa, a variância posterior tenderá a zero.
• Cálculo da Variância:
  • Utiliza-se a distância geodésica de Owen e Provan (2010) no espaço de árvores definido por Billera et al. (2001).
  • Calcula-se a árvore média de Fréchet para as amostras de árvores (prior e posterior).
  • A variância ($V$) é estimada como a dispersão das árvores amostradas em torno dessa árvore média.
• Medidas de Dispersão (Volume):
  • O artigo propõe o uso do raio de 95% (método RAD) como medida de "volume" (distância da árvore média até a árvore mais distante dentro do conjunto de 95% mais próximas).
  • Alternativas testadas incluíram o desvio padrão (STD) e o conjunto de densidade posterior mais alta (HPD), mas o RAD foi preferido por ser mais estável e intuitivo.
• Índices de Informação:
  • LCR (Log Concentration Ratio): $LCR = \log(V_0 / V)$, onde $V_0$ é a variância da prior e $V$ é a variância da posterior.
  • Informação Percentual (I): Transformação do LCR para uma escala de 0 a 100%: $I = 100 \times (1 - e^{-LCR})$.
• Escalonamento de Comprimento de Árvore: Para evitar que a informação sobre os comprimentos das arestas domine a medida topológica, as árvores nas amostras são escalonadas para que as árvores médias a priori e a posteriori tenham o mesmo comprimento total (normalizado para 1.0).
• Medida de Dissonância: Define-se um tamanho de efeito modificado (baseado em Cohen's $d$) que compara a distância geodésica entre as árvores médias de dois conjuntos de dados, normalizada pelos seus respectivos raios de 95%.

3. Contribuições Principais

• Escalabilidade: O método escala muito melhor com o aumento do número de táxons do que os métodos baseados em entropia de topologias, pois depende apenas da capacidade de amostrar das distribuições (via MCMC) e calcular distâncias geodésicas, não da enumeração de todas as topologias possíveis.
• Integração de Topologia e Comprimento: A medida captura informações tanto sobre a estrutura da árvore (topologia) quanto sobre os comprimentos dos ramos, embora o escalonamento permita focar na topologia se desejado.
• Medida de Conflito (Dissonância): Introduz uma métrica quantitativa para avaliar o conflito entre subconjuntos de dados (ex: genes), baseada na distância entre suas distribuições posteriores.
• Validação Robusta: O método foi validado através de simulações e análises empíricas, demonstrando comportamento intuitivo frente a variações em taxas de substituição, comprimento de sequência, dados faltantes e heterogeneidade de taxas.

4. Resultados

• Simulações de Informação:
  • A informação foi máxima em taxas de substituição ideais e diminuiu com taxas muito baixas (pouca variação) ou muito altas (saturação).
  • A informação aumentou com o comprimento da sequência e diminuiu com a proporção de dados faltantes e com a heterogeneidade de taxas entre sítios (ASRV).
  • O método detectou corretamente a ausência de informação quando o número de sítios era zero.
• Simulações de Dissonância:
  • A dissonância aumentou linearmente e fortemente correlacionada com a distância geodésica entre as árvores modelo utilizadas para gerar os dados.
  • Mesmo dados simulados a partir da mesma árvore modelo apresentaram uma pequena dissonância basal (não zero), devido à variância estocástica das amostras.
• Análises Empíricas:
  • Saturação (Locus psaB): Confirmou-se que sítios da 3ª posição codônica continham mais informação filogenética do que os da 2ª posição no grupo de algas verdes, contradizendo a suposição comum de saturação. As árvores médias derivadas dos dados da 3ª posição mostraram maior resolução.
  • Dissonância (Locus rps11 em Sanguinaria): O método quantificou o alto conflito entre a parte 5' (transferência vertical) e a parte 3' (transferência horizontal) do gene. A dissonância entre os subconjuntos foi alta (>8), enquanto a dissonância entre amostras independentes do mesmo subconjunto foi baixa (<0.2), validando a capacidade do método de detectar conflitos biológicos reais.

5. Significado e Implicações

• Filogenômica: O método oferece uma ferramenta prática para filtrar locos em estudos filogenômicos. Locos com baixa informação podem ser excluídos para aumentar a eficiência computacional em métodos de inferência de árvores de espécies (como BEAST2 ou ASTRAL).
• Uso de Árvores Médias: Sugere-se o uso de árvores médias (em vez de árvores de máxima verossimilhança ou MAP) como entrada para métodos de árvores de espécies, pois as árvores médias refletem melhor a incerteza e a informação real dos dados, evitando a introdução de falsas informações de suporte alto em clados mal resolvidos.
• Superioridade sobre Testes de Saturação: Diferente de testes de saturação rápidos (como PhyloMAd ou DAMBE) que apenas detectam excesso de substituições, este método avalia o espectro completo de informação, incluindo a falta de informação devido a poucas substituições, e utiliza o modelo bayesiano exato usado na inferência.
• Limitações Futuras: A decomposição aditiva da informação (atribuir porcentagem de informação a clados específicos) ainda não é possível com este método, diferentemente dos métodos baseados em entropia, mas é uma área para trabalho futuro.

Em suma, o artigo apresenta uma abordagem robusta, escalável e intuitiva para quantificar a informação filogenética e o conflito de dados no contexto bayesiano, superando as limitações computacionais de métodos anteriores e fornecendo novas perspectivas para a análise de grandes conjuntos de dados genômicos.