Um guia prático para completar árvores filogenéticas
Ao trabalhar com árvores filogenéticas, sempre aparece o problema de sequências faltando ou de taxons que não foram incluídos na análise inicial. Complete a árvore significa essencialmente inserir esses elementos ausentes no contexto da topologia já construída, preservando a estrutura evolutiva e a confiabilidade dos ramos existentes.
O método mais utilizado: insertção por máxima verossimilhança
O processo começa com a árvore base e o conjunto de sequências que precisam ser inseridas. Você utiliza o software RAxML ou IQ-TREE para realizar uma inserção guiada pela distância, seguida de refino pelo critério de máxima verossimilhança. No final, o resultado é uma árvore completa com todas as sequências posicionadas. O primeiro passo é gerar uma matriz de distâncias entre as sequências completas e os taxons faltantes. Isso pode ser feito com ferramentas como FastME ou o módulo de distância do UShER. A matriz serve como guia para o algoritmo de inserção. Sem essa etapa, o programa tenta adivinhar a posição correta e gasta muito mais tempo em cálculos desnecessários.
Depois da inserção inicial, rodamos um refino. O IQ-TREE com a opção -plc faz isso de forma eficiente, reestiman-do os comprimentos de ramo apenas nas áreas afetadas pela adição. Em árvores grandes, isso corta o tempo de processamento de horas para minutos, dependendo do número de taxons adicionados. Um detalhe que muita gente perde: a inserção deve respeitar o modelo evolutivo usado na árvore original. Se a árvore base foi construída com LG+G4, você precisa usar o mesmo modelo na inserção. Misturar modelos gera artefatos de posicionamento que passam despercebidos em análises superficiais.
O problema que encontrei na prática
Em um projeto real, precisei inserir cerca de 340 novas sequências de SARS-CoV-2 em uma árvore filodinâmica com mais de 12 mil sequências. O padrão funcionou bem até certo ponto, mas alguns desses novos samples tinham poucas mutações em relação ao clado mais próximo. O algoritmo as posicionava de forma ambígua, criando polifilias artificiais que destruíam a estrutura do tim-tree. A solução foi aplicar o método UShER, que é baseado em parsimônia e permite uma inserção muito mais rápida e precisa para esse tipo de dado viral. Com UShER, as sequências foram colocadas nos galhos certos sem ambiguidade, e o tempo total foi de cerca de 20 minutos contra as 4 horas que o IQ-TREE teria levado com a abordagem tradicional.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Quando o método não funciona bem
Complete a árvore funciona bem quando os taxons faltantes são bastante similares aos já presentes. Quando há muitos taxons altamente divergentes, a inserção tende a criar ramos longos isolados que não refletem a realidade evolutiva. Isso é comum em dados de metagenômica, onde sequências de organismos não cultivados aparecem como grupos solitários na árvore. Outro ponto crítico: se a árvore base tiver poucos sítios informativos — digamos, uma única região gênica como o 16S —, a inserção de taxons novos pode gerar conflitos topológicos. O problema não está no método de inserção, e sim na informação disponível. Nesse caso, o ideal é reconstruir a árvore completa do zero com todos os dados juntados, mesmo que leve mais tempo.
Alternativas quando a inserção falha
Se os resultados de inserção apresentarem suporte baixo nos nós adjacentes (valores de bootstrap abaixo de 70%), convém reconsiderar a abordagem. Um caminho alternativo é usar o FastTree com a opção -nni, que faz uma inferência rápida mas razoável para grandes conjuntos de dados. Outra opção, especialmente para dados virais, é o Nextstrain, que já integra pipeline de inserção com visualização em tempo real.
Software e links úteis
O IQ-TREE está disponível em http://www.iqtree.org/ e o comando básico para inserção guiada é: IQ-TREE -s alinhamento.faa -t arvore_base.nwk --plc -m LG+G4
O UShER pode ser instalado via Conda e é executado com: usher.py --variant-matrix variantes.vcf --pb-tree arvore_base.pb
A ferramenta ETE Toolkit também oferece funções úteis para manipulação programática de árvores, especialmente se você precisa automatizar o processo para dezenas ou centenas de arquivos.
