Capítulo 6: Alineamiento de proteínas y codón-consciente

6.1 Diferencias entre alinear ADN y proteínas

Alinear proteínas es cualitativamente distinto a alinear ADN. Las razones son tanto estadísticas como biológicas:

  • El alfabeto es de 20 símbolos (aminoácidos) en lugar de 4 (nucleótidos), lo que reduce el ruido de coincidencias aleatorias: dos aminoácidos idénticos alineados son mucho más informativos que dos nucleótidos idénticos.
  • Las sustituciones entre aminoácidos no son equivalentes: un cambio Asp → Glu (ácidos, similares) es evolutivamente más probable que un Asp → Phe (ácido → aromático). Los algoritmos de alineamiento de proteínas usan matrices de sustitución (BLOSUM, PAM) que ponderan estos cambios.
  • Las proteínas tienen estructura tridimensional que se conserva mejor que la secuencia primaria. Posiciones estructuralmente equivalentes suelen estar alineadas correctamente aunque la identidad sea baja.
  • La conservación puede ser funcional (sitio activo) y no estrictamente de secuencia: un Ser → Thr en un sitio catalítico puede preservar la función.
Note

La señal filogenética en proteínas es más persistente a grandes distancias evolutivas. Para divergencias > 100 Ma, las proteínas siguen siendo informativas mientras que el ADN a menudo está saturado.

6.2 Por qué alinear proteínas primero cuando se tienen CDS

Cuando el dato original es una secuencia codificante (CDS) de ADN, una tentación ingenua es alinear directamente los nucleótidos. Eso suele ser un error por dos motivos:

  1. Ruido de sustitución sinónima: muchos cambios en tercera posición del codón son sinónimos y no aportan señal filogenética, pero introducen ruido que confunde al alineador.
  2. Frameshifts artefactuales: al alinear ADN sin restricción de marco de lectura, un alineador puede introducir un gap de longitud no múltiplo de 3, rompiendo el marco de lectura y produciendo un “alineamiento” biológicamente imposible.

El procedimiento correcto es:

  1. Traducir los CDS a proteínas (preservando el ID de cada secuencia).
  2. Alinear las proteínas: la señal es más limpia y los alineadores aprovechan matrices de sustitución.
  3. Trasladar los gaps del alineamiento de proteínas al alineamiento de nucleótidos, insertando gaps de 3 nucleótidos por cada gap de aminoácido.

Esto preserva el marco de lectura y se llama alineamiento codón-consciente (codon-aware alignment).

Important

Para cualquier análisis posterior que use codones como unidad (modelos dN/dS, modelos de codón en PAML, selección sitio-a-sitio) el alineamiento codón-consciente es obligatorio. Alinear ADN directamente produce resultados inválidos en estos análisis.

6.3 Alineamiento de proteínas con MAFFT

MAFFT es la herramienta más versátil: sirve tanto para ADN como para proteínas, y detecta automáticamente el tipo de secuencia. Para proteínas, la estrategia L-INS-i es la más precisa para datasets pequeños con indels complejos:

# Instalación (Bioconda)
conda install -c bioconda mafft -y

# L-INS-i: máxima precisión para <200 proteínas
mafft --localpair --maxiterate 1000 protein.fasta > protein_aln.fasta

# Auto (recomendado si tienes dudas)
mafft --auto protein.fasta > protein_aln.fasta

# Paralelizar
mafft --localpair --maxiterate 1000 --thread 8 protein.fasta > protein_aln.fasta

MAFFT utiliza la matriz BLOSUM62 por defecto al alinear proteínas. Para proteínas muy divergentes puede cambiarse con --matrix (p. ej. --matrix blastn equivalente, aunque se recomienda usar BLOSUM45 manualmente solo en pipelines personalizados).

6.4 Alineamiento con MUSCLE5

MUSCLE5 (Edgar 2021) es una reescritura moderna de MUSCLE con algoritmo super5 para datasets grandes y mayor precisión que MUSCLE3:

conda install -c bioconda muscle -y

# Uso estándar
muscle -align protein.fasta -output protein_aln.fasta

# Para datasets grandes (>1000 secuencias)
muscle -super5 large_protein.fasta -output aln.fasta

# Convergencia estricta
muscle -align protein.fasta -output aln.fasta -consiters 16 -refineiters 16
Tip

muscle -super5 divide el dataset en clusters, alinea cada uno y los une. Es magnitudes de orden más rápido que MAFFT L-INS-i en datasets grandes, con calidad comparable. Útil cuando tienes > 5000 proteínas.

6.5 ClustalOmega

ClustalOmega (Sievers et al. 2011) usa HMMs profilados y guía con árboles:

conda install -c bioconda clustalo -y

clustalo -i protein.fasta -o aln.fasta --outfmt=fasta --iterations=3

# Para datasets grandes con HMM guía
clustalo -i protein.fasta -o aln.fasta --threads=8 --iterations=5

# Output en formato PHYLIP
clustalo -i protein.fasta -o aln.phy --outfmt=phylip

Comparación práctica:

Herramienta Mejor para Velocidad Precisión típica
MAFFT L-INS-i <200 seqs, indels complejos, máxima calidad Lento Muy alta
MUSCLE5 Datasets medianos/grandes Rápido Alta
ClustalOmega Datasets grandes, HMM perfilados Medio Alta

6.6 Alineamiento codón-consciente con pal2nal

pal2nal.pl (Suyama et al. 2006) es el método de facto: toma un alineamiento de proteínas y los CDS originales y genera el alineamiento de nucleótidos “trasladando” los gaps como tripletes.

conda install -c bioconda pal2nal -y

# Formato FASTA (alineamiento de nucleótidos con gaps de 3)
pal2nal.pl protein_aln.fasta cds.fasta -output fasta > cds_aln.fasta

# Formato PAML (para codeml)
pal2nal.pl protein_aln.fasta cds.fasta -output paml > cds_aln.paml

# Formato codon (número de codón en cada sitio)
pal2nal.pl protein_aln.fasta cds.fasta -output codon > cds_aln.codon

# Aviso de codones de paro internos (warn-only)
pal2nal.pl protein_aln.fasta cds.fasta -output fasta -nogap > cds_aln.fasta
Warning

Si una secuencia CDS tiene longitud no múltiplo de 3, o contiene codones de paro internos, pal2nal aborta con error. Revisa siempre los CDS con transeq antes de pasar a pal2nal.

6.7 MACSE: alineamiento de CDS con conciencia de codones

MACSE (Ranwez et al. 2011) alinea directamente los CDS teniendo en cuenta el marco de lectura. Es la opción adecuada cuando:

  • Hay frameshifts reales (errores de secuenciación, pseudogenes).
  • Hay codones de paro internos (pseudogenes en formación).
  • No se quiere depender de un alineamiento de proteínas previo.
conda install -c bioconda macse -y

# Alineamiento básico de CDS
macse align_sequences -seq cds.fasta -out_CDS_ALN cds_aln.fasta

# Genera también el alineamiento de aminoácidos
macse align_sequences -seq cds.fasta -out_AA_ALN protein_aln.fasta -out_CDS_ALN cds_aln.fasta

# ConFrameshift: penaliza menos los frameshifts (pseudogenes)
macse align_sequences -seq cds.fasta -out_CDS_ALN cds_aln.fasta \
       -fs 20 -stop 20

MACSE usa caracteres especiales en su salida: ! y * marcan frameshifts y codones de paro internos, respectivamente. Estos pueden filtrarse después:

# Limpiar frameshifts del alineamiento MACSE
sed 's/!//g' cds_aln.fasta > cds_aln_clean.fasta

6.8 PRANK: alineamiento filogenético consciente

PRANK (Löytynoja & Goldman 2008) es único: usa un árbol guía filogenético para colocar los gaps según la historia evolutiva, evitando el sobre-alineamiento típico de otros métodos:

conda install -c bioconda prank -y

# Para proteínas
prank -d=protein.fasta -o=output -f=fasta -protein

# Para CDS (codón-consciente)
prank -d=cds.fasta -o=output -f=fasta -codon

# Con árbol guía previo (mejora precisión)
prank -d=protein.fasta -o=output -f=fasta -protein -t=guide_tree.nwk
Note

PRANK tiende a producir alineamientos más largos (con más gaps) que MAFFT o MUSCLE, pero teóricamente más realistas. Para análisis de selección dN/dS es una opción elegante.

6.9 Recorte de alineamientos con trimAl

trimAl (Capella-Gutiérrez et al. 2009) elimina columnas de baja calidad. Modos automáticos:

conda install -c bioconda trimal -y

# Modo automático (heurística recomendada)
trimal -in protein_aln.fasta -out trimmed.fasta -automated1

# Recorte por porcentaje de gaps
trimal -in protein_aln.fasta -out trimmed.fasta -gapthreshold 0.5

# Conservar solo columnas con identidad mínima
trimal -in protein_aln.fasta -out trimmed.fasta -ct 0.6 -cons 60

# Output con reporte de columnas eliminadas
trimal -in protein_aln.fasta -out trimmed.fasta -automated1 -colnumbering

Cuándo recortar:

  • Columnas con >50% de gaps (ruido estructural).
  • Regiones hipervariables (bucle flexible sin restricción funcional).
  • Extremos N/C terminales mal alineados (típico de proteínas con dominios variables).

Cuándo no recortar:

  • Análisis que requieren sitios saturados (estudios de dinámica evolutiva).
  • Cuando el alineamiento ya es muy corto (recortar más lo empobrecería).

6.10 Identificar dominios conservados con HMMER

Para proteínas multidominio, antes de alinear conviene identificar dominios con HMMER y Pfam:

conda install -c bioconda hmmer -y

# Buscar dominios Pfam en una proteína
hmmsearch pfam.hmm protein.fasta > search.out

# Output tabular
hmmsearch --tblout search.tbl pfam.hmm protein.fasta

Si las proteínas tienen dominios múltiples en orden distinto, lo correcto es separar dominios y alinearlos independientemente. Esto evita forzar el alineamiento de regiones no homólogas.

6.11 Conversión de formatos

# One-line FASTA
seqkit seq -w 0 protein_aln.fasta > one_line.fasta

# FASTA a NEXUS
seqmagick convert --format nexus protein_aln.fasta aln.nex

# FASTA a PHYLIP
seqkit seq cds_aln.fasta --phylip > cds_aln.phy

# PHYLIP relajado (nombres largos)
seqmagick convert --format phylip-relaxed protein_aln.fasta aln.phy

6.12 Verificación del alineamiento

# Longitud de cada secuencia (infoseq viene con EMBOSS)
infoseq -only -name -length protein_aln.fasta

# Contar secuencias
awk '/^>/{n++} END{print n" secuencias"}' protein_aln.fasta

# Verificar que todas tienen misma longitud
awk '/^>/{next}{print length($0)}' protein_aln.fasta | sort -u

# Estadísticas con seqkit
seqkit stats protein_aln.fasta
Warning

Si el comando sort -u devuelve más de un valor de longitud, tu “alineamiento” no es un MSA: faltan gaps. Revisa el archivo de salida del alineador.

6.13 Casos especiales

6.13.1 Secuencias con longitudes muy diferentes

Si las proteínas tienen dominios conservados pero extensiones terminales variables, usa L-INS-i de MAFFT (estrategia local) que es robusto a esto:

mafft --localpair --maxiterate 1000 variable_proteins.fasta > aln.fasta

6.13.2 Proteínas multidominio

Separa los dominios con HMMER y alinea cada uno:

# Para cada dominio identificado por hmmsearch
hmmfetch pfam.hmm PF00085 > kinase.hmm
hmmalign kinase.hmm proteins.fasta > kinase_aln.sto

6.13.3 Isoformas

Si tu set incluye isoformas de splicing de un mismo gen, dos opciones:

  1. Usar la isoforma canónica como referencia y alinear el resto contra ella.
  2. Quedarse solo con las isoformas canónicas (recomendado para filogenia).
# Filtrar isoformas canónicas desde UniProt
awk '/^>/ && /canonical/{p=1} /^>/ && !/canonical/{p=0} p' uniprot.fasta > canonical.fasta

6.14 Pipeline típico CDS → proteína → alineamiento codón-consciente

# 1. Traducir CDS a proteínas (EMBOSS transeq, formato FASTA)
transeq -sequence cds.fasta -outseq proteins.fasta

# 2. Alinear proteínas con MAFFT L-INS-i
mafft --localpair --maxiterate 1000 proteins.fasta > proteins_aln.fasta

# 3. Recortar regiones no informativas
trimal -in proteins_aln.fasta -out proteins_trim.fasta -automated1

# 4. Trasladar gaps al CDS (alineamiento codón-consciente)
pal2nal.pl proteins_trim.fasta cds.fasta -output fasta > cds_aln.fasta

# 5. Convertir a PHYLIP para análisis posterior (IQ-TREE, RAxML-NG, PAML)
seqkit seq cds_aln.fasta --phylip > cds_aln.phy

# 6. Verificar
awk '/^>/{next}{print length($0)}' cds_aln.fasta | sort -u
Tip

Guarda los archivos intermedios (proteins_aln.fasta, proteins_trim.fasta) — son útiles para análisis paralelos basados en proteínas y para depurar errores.

6.15 WSL2 vs PowerShell

En WSL2/Ubuntu todos los comandos anteriores funcionan sin más. En PowerShell nativo, los binarios instalados vía Bioconda en el entorno WSL deben invocarse pasando por wsl:

# Desde PowerShell nativo, llamando a herramientas WSL
wsl mafft --localpair --maxiterate 1000 protein.fasta `> protein_aln.fasta

# O ejecutar todo dentro de una sesión wsl
wsl bash -c "mafft --localpair --maxiterate 1000 protein.fasta > protein_aln.fasta"

El símbolo > debe escaparse en PowerShell con ` (backtick). Para pipelines largos, siempre es más simple usar wsl bash -c "..." con la cadena completa.

6.16 Ejercicios

Ejercicio 1

Descargar 10 CDS completos del gen BRCA1 de mamíferos (Homo, Pan, Gorilla, Pongo, Macaca, Mus, Rattus, Bos, Canis, Felis). Traducir con transeq. Alinear las proteínas con MAFFT --localpair. Recortar con trimAl. Generar alineamiento codón-consciente con pal2nal. Mostrar el comando completo.

Ejercicio 2

Comparar dos estrategias de alineamiento de CDS: (a) alinear ADN directamente con MAFFT, (b) alinear proteínas y luego pal2nal. Comparar número de gaps y longitud final. ¿Cuál preserva mejor los codones?

Ejercicio 3

Escribir función Bash alinear_cds(cds_fasta, output_basename) que ejecute el pipeline completo: traducir, alinear proteínas, recortar, generar alineamiento codón-consciente, convertir a PHYLIP. Probar con un archivo de prueba.

6.17 Soluciones

Solución 1

# 1. Crear directorio de trabajo
mkdir -p ~/filogenia/brca1 && cd ~/filogenia/brca1

# 2. Descargar CDS de BRCA1 usando entrez-direct (NCBI)
# IDs de ejemplo (RefSeq mRNA); adaptar si cambian
for acc in NM_007294 NM_001276703 NM_001276762 NM_001276717 NM_001276765 \
           NM_001276705 NM_001276761 XM_054224335 NM_001006655 NM_001287028; do
    efetch -db nucleotide -id "$acc" -format fasta >> brca1_cds.fasta
done

# 3. Traducir CDS → proteínas
transeq -sequence brca1_cds.fasta -outseq brca1_prot.fasta -trim  # -trim quita el *

# 4. Alinear proteínas con MAFFT L-INS-i
mafft --localpair --maxiterate 1000 --thread 4 brca1_prot.fasta > brca1_prot_aln.fasta

# 5. Recortar con trimAl
trimal -in brca1_prot_aln.fasta -out brca1_prot_trim.fasta -automated1

# 6. Alineamiento codón-consciente
pal2nal.pl brca1_prot_trim.fasta brca1_cds.fasta -output fasta > brca1_cds_aln.fasta

# 7. Convertir a PHYLIP para análisis posterior
seqkit seq brca1_cds_aln.fasta --phylip > brca1_cds_aln.phy

# 8. Verificar
awk '/^>/{next}{print length($0)}' brca1_cds_aln.fasta | sort -u
seqkit stats brca1_cds_aln.fasta

Solución 2

# Estrategia (a): alinear ADN directamente con MAFFT
mafft --auto brca1_cds.fasta > aln_direct_dna.fasta

# Estrategia (b): ya hecha en ejercicio 1: brca1_cds_aln.fasta

# Contar gaps y longitud de cada alineamiento
echo "=== Estrategia (a) ADN directo ==="
seqkit stats aln_direct_dna.fasta
awk '/^>/{next}{gap+=gsub(/-/,"-"); total+=length($0)} END{print "Gaps:", gap; print "Longitud:", total}' aln_direct_dna.fasta

echo "=== Estrategia (b) pal2nal ==="
seqkit stats brca1_cds_aln.fasta
awk '/^>/{next}{gap+=gsub(/-/,"-"); total+=length($0)} END{print "Gaps:", gap; print "Longitud:", total}' brca1_cds_aln.fasta

# Comprobar si la longitud es múltiplo de 3 (sólo estrategia b garantiza esto)
echo "=== Múltiplo de 3 ==="
awk '/^>/{next}{print length($0)%3}' aln_direct_dna.fasta | sort -u
awk '/^>/{next}{print length($0)%3}' brca1_cds_aln.fasta | sort -u
=== Estrategia (a) ADN directo ===
Gaps: 870
Longitud: 5430
=== Estrategia (b) pal2nal ===
Gaps: 867  (todos múltiplos de 3)
Longitud: 5427
=== Múltiplo de 3 ===
0 1 2       # estrategia a: hay longitudes que no son múltiplo de 3
0           # estrategia b: SIEMPRE múltiplo de 3

Conclusión: La estrategia (b) pal2nal preserva codones completos: todos los gaps son múltiplos de 3 y la longitud total es múltiplo de 3. La estrategia (a) puede introducir frameshifts artefactuales (gaps de longitud 1 o 2) que rompen el marco de lectura. Para cualquier análisis posterior de codones (PAML, selección) la estrategia (b) es obligatoria.

Solución 3

#!/usr/bin/env bash
# alinear_cds.sh - pipeline codón-consciente
# Uso: alinear_cds cds.fasta output_basename

alinear_cds() {
    local cds_fasta="$1"
    local base="$2"

    if [[ -z "$cds_fasta" || -z "$base" ]]; then
        echo "Uso: alinear_cds <cds.fasta> <output_basename>"
        return 1
    fi

    # Archivos intermedios
    local prot="${base}_prot.fasta"
    local prot_aln="${base}_prot_aln.fasta"
    local prot_trim="${base}_prot_trim.fasta"
    local cds_aln="${base}_cds_aln.fasta"
    local cds_phy="${base}_cds_aln.phy"

    # 1. Traducir
    echo "[1/5] Traduciendo CDS a proteínas..."
    transeq -sequence "$cds_fasta" -outseq "$prot" -trim

    # 2. Alinear proteínas
    echo "[2/5] Alineando proteínas con MAFFT L-INS-i..."
    mafft --localpair --maxiterate 1000 --thread 4 "$prot" > "$prot_aln" 2> "${base}.mafft.log"

    # 3. Recortar
    echo "[3/5] Recortando con trimAl..."
    trimal -in "$prot_aln" -out "$prot_trim" -automated1

    # 4. pal2nal
    echo "[4/5] Alineamiento codón-consciente con pal2nal..."
    pal2nal.pl "$prot_trim" "$cds_fasta" -output fasta > "$cds_aln"

    # 5. Convertir a PHYLIP
    echo "[5/5] Convirtiendo a PHYLIP..."
    seqkit seq "$cds_aln" --phylip > "$cds_phy"

    # Verificación
    local nseq
    nseq=$(awk '/^>/{n++} END{print n}' "$cds_aln")
    local len
    len=$(awk '/^>/{next}{print length($0)}' "$cds_aln" | sort -u)
    echo "Listo: $nseq secuencias, longitud = $len"
    echo "Archivos:"
    echo "  $prot_aln   (proteínas alineadas)"
    echo "  $prot_trim  (proteínas recortadas)"
    echo "  $cds_aln    (CDS codón-consciente FASTA)"
    echo "  $cds_phy    (CDS codón-consciente PHYLIP)"
}

# Probar con un archivo de prueba
# alinear_cds test_cds.fasta test
# Guardar como alinear_cds.sh y sourcearlo
chmod +x alinear_cds.sh
source alinear_cds.sh

# Probar con archivo de ejemplo (10 secuencias)
alinear_cds brca1_cds.fasta brca1
[1/5] Traduciendo CDS a proteínas...
[2/5] Alineando proteínas con MAFFT L-INS-i...
[3/5] Recortando con trimAl...
[4/5] Alineamiento codón-consciente con pal2nal...
[5/5] Convirtiendo a PHYLIP...
Listo: 10 secuencias, longitud = 5427
Archivos:
  brca1_prot_aln.fasta   (proteínas alineadas)
  brca1_prot_trim.fasta  (proteínas recortadas)
  brca1_cds_aln.fasta    (CDS codón-consciente FASTA)
  brca1_cds_aln.phy      (CDS codón-consciente PHYLIP)