🧬 biology

Empirical substitution models of SARS-CoV-2 protein evolution for phylogenetic inference

Este estudo desenvolve e valida novos modelos de substituição empírica especificamente para as proteínas do SARS-CoV-2, demonstrando que eles produzem inferências filogenéticas mais precisas e previsões evolutivas biologicamente realistas em comparação com os modelos generalistas existentes.

Autores originais: David Ferreiro, Luis Daniel González-Vázquez, Miguel Arenas

Publicado 2026-07-21

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: David Ferreiro, Luis Daniel González-Vázquez, Miguel Arenas

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo

Imagine que você esteja tentando rastrear a história da família de uma celebridade muito famosa e muito ocupada. Para fazer isso, você precisa de um livro de regras que diga qual é a probabilidade de um membro da família se transformar em outro ao longo do tempo. No mundo da biologia, esse livro de regras é chamado de "modelo de substituição". Cientistas usam esses modelos para construir árvores genealógicas (chamadas de filogenias) para vírus, animais e plantas. O objetivo é descobrir quem é parente de quem e como eles mudaram ao longo do tempo. No entanto, a maioria dos livros de regras existentes são guias "generalistas" — eles funcionam razoavelmente bem para muitos tipos diferentes de proteínas, de forma semelhante a um livro genérico de "como cozinhar" que tenta cobrir desde o preparo de um bolo até o grelhamento de um bife. O problema é que diferentes proteínas têm trabalhos e regras muito específicos. Uma proteína que atua como o motor de um vírus (uma protease) tem regras diferentes de uma proteína que atua como a chave do vírus para abrir uma célula (a proteína spike). Se você usar um livro de regras genérico para um trabalho específico, sua árvore genealógica pode acabar ficando um pouco instável e imprecisa. Isso é especialmente verdadeiro para o SARS-CoV-2, o vírus que causa a COVID-19, que tem evoluído rapidamente e mudado o mundo. Até agora, os cientistas não tinham um livro de regras personalizado especificamente para as proteínas deste vírus, o que significava que eles estavam tentando encaixar um pino quadrado em um buraco redondo.

Neste estudo, os pesquisadores decidiram escrever seus próprios livros de regras personalizados especificamente para o SARS-CoV-2. Eles analisaram milhares de sequências reais de vírus para ver exatamente como os aminoácidos (os blocos de construção das proteínas) trocavam de lugar na principal protease do vírus, em sua protease tipo papaína, em sua proteína spike e no pacote completo do vírus. Pense nisso como observar uma pista de dança massiva e em tempo real do vírus para ver quais dançarinos realmente trocam de parceiros e quais permanecem no lugar. Eles descobriram que o vírus tem seus próprios passos de dança únicos que os livros de regras genéricos simplesmente não captaram. Por exemplo, eles descobriram que nas proteases do vírus (as enzimas que cortam outras proteínas), certas trocas ocorrem muito raramente porque a estrutura é tão apertada e frágil, enquanto a proteína spike é muito mais flexível e permite mudanças mais selvagens, especialmente aquelas que ajudam o vírus a se esconder do nosso sistema imunológico.

A equipe então testou seus novos livros de regras personalizados contra os antigos, genéricos. Eles fizeram isso de duas maneiras. Primeiro, verificaram qual livro de regras conseguia explicar melhor os dados reais que coletaram, como um detetive verificando qual teoria melhor se ajusta às pistas. Seus modelos personalizados venceram quase todas as vezes, mostrando que são muito melhores em descrever como este vírus específico evolui. Segundo, realizaram simulações computacionais onde deixaram o vírus evoluir para o futuro usando suas novas regras versus as regras antigas. Eles verificaram a "estabilidade de dobramento" das proteínas resultantes — imagine verificar se um tsuru de papel feito com as novas regras ainda mantém sua forma, enquanto o feito com as regras antigas desmorona ou torna-se rígido demais. As proteínas que evoluíram usando os novos modelos específicos para o SARS-CoV-2 mantiveram sua forma de maneira muito mais realista, parecendo-se com as proteínas reais do vírus encontradas na natureza.

Os pesquisadores concluem que o uso desses novos modelos específicos para o vírus oferece uma imagem muito mais clara e precisa de como o SARS-CoV-2 está mudando. Eles sugerem que, para obter os melhores resultados, os cientistas devem parar de usar os livros de regras de "tamanho único" e mudar para esses guias personalizados. Embora o estudo mostre que esses modelos funcionam melhor em simulações e se ajustam mais estritamente aos dados, os autores observam que este é um passo significativo para compreender o passado do vírus e prever seus movimentos futuros, ajudando-nos a manter um passo à frente na batalha contínua contra o vírus.

Resumo Técnico: Modelos de Substituição Empírica da Evolução de Proteínas do SARS-CoV-2

Definição do Problema
A inferência filogenética probabilística depende de modelos de substituição da evolução molecular para gerar previsões precisas. Embora os modelos de substituição empírica sejam bem estabelecidos para a evolução de proteínas, o repertório disponível permanece limitado em relação à diversidade das famílias de proteínas. Crucialmente, nenhum modelo de substituição empírica havia sido desenvolvido especificamente para as proteínas do SARS-CoV-2 antes deste estudo. Os autores observam que os padrões evolutivos variam entre as proteínas, e o uso de modelos generalistas para proteínas virais específicas pode levar a uma modelagem irrealista, potencialmente comprometendo a precisão de árvores filogenéticas, reconstruções de sequências ancestrais e previsões de trajetórias evolutivas.

Metodologia
O estudo empregou uma abordagem de máxima verossimilhança (ML) para estimar novos modelos de substituição empírica para o SARS-CoV-2.

Curadoria de Dados: As sequências foram recuperadas do GISAID e NCBI. Um processo de filtragem excluiu sequências com ambiguidades, indels de 10+ aminoácidos em relação à referência (NCBI Protein ID: YP_009724389.1) e aquelas que compartilhavam menos de 75% de identidade de aminoácidos com a referência.
Construção do Conjunto de Dados:
- Conjuntos de Dados de Método: Para a Spike, Protease Principal (Mpro/nsp5) e Protease do tipo Papína (PLpro/nsp3), foram construídos conjuntos de dados de 100.000 sequências amostradas aleatoriamente. Para o proteoma completo, foi utilizado um conjunto de dados de 20.000 sequências.
- Conjuntos de Dados de Teste: 10 conjuntos de dados de teste independentes foram gerados para cada proteína (1.000 sequências cada) e para o proteoma (100 sequências cada), excluindo as sequências utilizadas nos conjuntos de dados de método.
Estimativa do Modelo: Usando o método QMaker implementado no IQ-TREE2, os autores estimaram matrizes de trocação 20×20 de tempo reversível geral ( $Q$ ) e frequências de equilíbrio de aminoácidos ( $\pi$ ) para cada alvo. As árvores filogenéticas necessárias para a estimativa foram reconstruídas usando o modelo existente de melhor ajuste selecionado via ModelFinder.
Validação:
- Verossimilhança Filogenética: O ajuste dos novos modelos (SC2-Mpro, SC2-PLpro, SC2-Spike, SC2-Proteome) foi comparado com modelos empíricos existentes usando o Critério de Informação Bayesiano (BIC) e o Critério de Informação de Akaike (AIC) em conjuntos de dados de teste.
- Estabilidade de Dobramento de Proteínas: Simulações evolutivas de tempo para frente foram conduzidas para Mpro e PLpro sob os novos modelos, o modelo tradicional de melhor ajuste e um modelo de substituição estruturalmente constrangido (SCS). As sequências simuladas resultantes foram avaliadas quanto à estabilidade de dobramento ( $\Delta G$ ) usando o DeltaGREM, comparando-as com sequências reais.
- Análise de Similaridade: Uma Análise de Componentes Principais (PCA) foi realizada nas matrizes de taxa normalizadas para avaliar a distância entre os modelos de SARS-CoV-2 e outros modelos empíricos (ex: JTT, HIVw, FLU).

Principais Contribuições
Os autores apresentam um conjunto de quatro novos modelos de substituição empírica:

SC2-Mpro: Específico para a protease principal.
SC2-PLpro: Específico para a protease do tipo papína.
SC2-Spike: Específico para a proteína Spike.
SC2-Proteome: Um modelo geral para todo o proteoma do SARS-CoV-2.

Estes modelos foram disponibilizados publicamente através do banco de dados eModelDB.

Resultados

Padrões de Substituição: Os modelos revelaram padrões evolutivos distintos. Os modelos de protease (SC2-Mpro, SC2-PLpro) mostraram taxas de substituição mais restritivas em comparação aos modelos Spike e Proteoma.
- Tendências Físico-Químicas: Altas taxas foram observadas para substituições que conservam tamanho e hidrofobicidade (ex: Ala-Val, Val-Ile). Os modelos também capturaram substituições específicas de conservação de carga (ex: Lys-Arg em Mpro; Arg-Lys em Spike) e eventos de diversificação (ex: Pro-His, Pro-Ser).
- Frequências Estacionárias: Frequências de aminoácidos distintas foram observadas, como Prolina elevada em Mpro, Leucina/Isoleucina em PLpro, Fenilalanina/Valina em Spike e Lisina no Proteoma.
Ajuste Filogenético: Os modelos específicos para SARS-CoV-2 geralmente superaram os modelos empíricos existentes, produzindo pontuações BIC e AIC mais baixas nos conjuntos de dados de teste.
- Tratamento de Frequência: Para Mpro e PLpro, os modelos que utilizaram frequências de equilíbrio estimadas tiveram melhor desempenho do que aqueles que utilizaram frequências observadas de teste. Inversamente, para Spike e o Proteoma, a incorporação das frequências de aminoácidos observadas dos dados de teste aumentou ainda mais o desempenho do modelo.
- Análise PCA: Os modelos específicos de SARS-CoV-2 agruparam-se separadamente dos modelos generalistas (ex: JTT, VT) e modelos de linhagem específica (ex: HIVw, FLU). Notavelmente, a taxa de substituição Alanina-Valina (A-V) foi significativamente maior nos modelos de SARS-CoV-2 em comparação aos modelos padrão, enquanto as taxas de Treonina-Serina (T-S) foram menores.
Estabilidade de Dobramento: Em simulações de tempo para frente, as sequências evoluídas sob os modelos SC2-Mpro e SC2-PLpro exibiram estabilidades de dobramento mais próximas das proteínas virais reais do que as geradas pelos modelos empíricos tradicionais ou pelo modelo SCS. Especificamente, o modelo SC2-PLpro produziu perfis de estabilidade mais realistas do que o modelo SCS, que tendia a gerar proteínas excessivamente estáveis.

Significância e Alegações
Os autores concluem que as inferências evolutivas baseadas em modelos de substituição específicos de proteínas são, em geral, mais precisas e biologicamente realistas do que aquelas baseadas em modelos generalistas. O estudo demonstra que as proteínas do SARS-CoV-2 evoluem sob restrições distintas que não são capturadas pelos modelos existentes.

Precisão: Os novos modelos melhoram o ajuste aos dados do SARS-CoV-2, sugerindo que capturam melhor as pressões seletivas específicas que atuam sobre o vírus.
Realismo Biológico: A capacidade destes modelos de gerar variantes de proteínas com estabilidades de dobramento realistas indica que eles capturam implicitamente as restrições evolutivas relacionadas à estrutura e função das proteínas.
Recomendação: Os autores recomendam o uso destes modelos específicos para previsões evolutivas das proteínas do SARS-CoV-2 para aumentar a confiabilidade das inferências filogenéticas e projeções de trajetória. Eles também pedem que as estruturas filogenéticas expandam seus conjuntos de modelos implementados para incluir tais opções específicas de proteínas.

Resumo Técnico: Modelos de Substituição Empírica da Evolução de Proteínas do SARS-CoV-2

Mais como este