Capítulo 7: Modelos de sustitución de ADN

7.1 ¿Por qué necesitamos modelos de sustitución?

Cuando observamos dos secuencias homólogas y contamos sus diferencias (p-distance), estamos subestimando el número real de sustituciones que han ocurrido. La razón es la saturación: si en un mismo sitio ocurren dos sustituciones (A→G→A), el resultado observable es cero diferencias, pero el proceso real involucró dos eventos.

Un modelo de sustitución es una descripción matemática del proceso evolutivo a nivel de nucleótidos. Sus objetivos son:

  1. Corregir múltiples sustituciones y estimar distancias evolutivas reales.
  2. Ponderar distintas clases de cambios (transiciones vs transversiones).
  3. Reflejar la composición de nucleótidos observada (no siempre 25% cada uno).
  4. Modelar heterogeneidad entre sitios (algunos sitios son invariables, otros evolucionan rápido).
Important

Todo método filogenético basado en verosimilitud (ML) o Bayesiano requiere un modelo de sustitución. La elección del modelo afecta directamente el árbol inferido. Usar un modelo demasiado simple produce árboles con artefactos sistemáticos (long-branch attraction).

7.2 Suposiciones de los modelos reversibles

Los modelos más usados asumen:

  • Estacionariedad: las frecuencias de los nucleótidos en equilibrio son constantes en el tiempo y en todas las ramas.
  • Reversibilidad detallada (detailed balance): la tasa de cambio A→B es igual a B→A ponderada por las frecuencias. Esto implica que el proceso no tiene direccionalidad.
  • Homogeneidad entre ramas: las mismas tasas aplican a todas las ramas del árbol (simplificación; relajada en modelos “relaxed-clock” y “non-stationary”).
Warning

Estas suposiciones se violan a menudo en datos reales: composición de nucleótidos variable entre linajes (típico en mitocondriales), presiones selectivas que rompen reversibilidad, etc. Para esos casos existen modelos más complejos (no reversibles, heterogéneos).

7.3 Modelos clásicos: del simple al complejo

Presentamos los modelos en orden creciente de complejidad. Todos son casos especiales del modelo general GTR.

7.3.1 JC69 (Jukes-Cantor 1969)

El modelo más simple:

  • Frecuencias iguales: π_A = π_C = π_G = π_T = 0.25
  • Misma tasa de sustitución entre cualquier par de nucleótidos.

Solo tiene un parámetro: la tasa global μ. Útil solo como referencia.

7.3.2 K2P (Kimura 2-parameters 1980)

Distingue:

  • Transiciones (purina↔︎purina: A↔︎G, o pirimidina↔︎pirimidina: C↔︎T): tasa α.
  • Transversiones (purina↔︎pirimidina): tasa β.

Sigue asumiendo frecuencias iguales (0.25 cada uno). Dos parámetros. Mejor que JC69 porque las transiciones son típicamente 2–10× más frecuentes que las transversiones.

7.3.3 HKY85 (Hasegawa-Kishino-Yano 1985)

Añade a K2P frecuencias de nucleótidos desiguales (π_A, π_C, π_G, π_T estimadas). Sigue distinguiendo transiciones/transversiones. Es uno de los modelos más usados para datos nucleotídicos reales.

7.3.4 TNequal + I

Igual frecuencia de los 4 nucleótidos, pero distintas tasas para transición y transversión, más proporción de sitios invariables (+I). Caso intermedio entre K2P y TN93.

7.3.5 TN93 (Tamura-Nei 1993)

Como HKY85 pero permite que las dos clases de transiciones tengan tasas distintas: A↔︎G ≠ C↔︎T. Útil cuando hay sesgo fuerte entre purinas y pirimidinas.

7.3.6 GTR (General Time Reversible, Tavaré 1986)

El modelo reversible más general:

  • 6 tasas de sustitución distintas (A↔︎C, A↔︎G, A↔︎T, C↔︎G, C↔︎T, G↔︎T).
  • 4 frecuencias de nucleótidos.

Total: 9 parámetros libres. Es el estándar “completo” y la base de los modelos más usados hoy.

7.3.7 Extensiones: +I, +G, +I+G

Sobre cualquier modelo anterior se pueden añadir:

  • +I: proporción de sitios invariables (parámetro I entre 0 y 1).
  • +G: tasas distribuidas según una Gamma con parámetro α (4 categorías discretas por defecto).
  • +I+G: combinación de ambos.
Note

GTR+I+G es el modelo reversible más completo y es el default en muchos análisis filogenéticos modernos (IQ-TREE, RAxML-NG) si no se hace selección explícita.

7.4 Modelos no reversibles

Para datasets donde la composición de nucleótidos varía entre linajes o donde hay sesgos direccionales, los modelos reversibles son insuficientes:

  • UNREST (unrestricted): 12 tasas de sustitución independientes, sin restricción de reversibilidad.
  • Útiles en análisis que requieren modelar direccionalidad evolutiva (p. ej. sesgos de reparación del ADN en mitocondriales).
Warning

Los modelos no reversibles requieren árbol enraizado y son computacionalmente más costosos. Para la mayoría de análisis filogenéticos clásicos, los modelos reversibles son suficientes.

7.5 Variación de tasas entre sitios

Las posiciones de un alineamiento no son equivalentes:

  • Sitios conservados por función (codones de sitios activos, regiones regulatorias).
  • Sitios neutros que evolucionan rápido.
  • Sitios absolutamente invariables (restrictos estructuralmente).

Tres formas de modelar esto:

  1. +I (sitios invariables): fracción I de sitios que nunca cambian.
  2. +G (Gamma): tasas continuas modeladas con distribución Gamma de parámetro α. α pequeño → gran heterogeneidad; α grande → tasas similares.
  3. +I+G: combina ambos. Estadísticamente debatido (los sitios invariables ya están parcialmente en la cola de Gamma), pero usado en la práctica.
Ejemplo: si α = 0.2 → gran heterogeneidad (pocos sitios muy rápidos)
         si α = 5   → casi homogéneo

7.6 Estimación de frecuencias de nucleótidos

Tres estrategias:

  • F (empíricas): calculadas directamente del alineamiento.
  • FQ (iguales): todas = 0.25 (modelos JC69, K2P).
  • ML (estimadas por maximum likelihood): optimizadas junto con el árbol.

En IQ-TREE y RAxML-NG, +F indica frecuencias empíricas por defecto. +FO o +FU permiten optimizarlas o fijarlas en iguales.

7.7 Selección de modelos con jModelTest

jModelTest (Darriba et al. 2012) es el clásico, basado en PhyML:

conda install -c bioconda jmodeltest -y

java -jar jmodeltest.jar -d aln.fasta \
     -s 11          # 11 modelos base
     -f             # incluir +F
     -i             # incluir +I
     -g 4           # 4 categorías Gamma
     -tr 4          # 4 threads
     -AIC           # Akaike Information Criterion
     -o jmodeltest.out
Tip

Para comparar todos los criterios a la vez, usa -AIC -BIC -AICc -DT -hLRT. El output final indica el mejor modelo según cada criterio.

7.8 ModelTest-NG (versión moderna)

Más rápida y con más modelos:

conda install -c bioconda modeltest-ng -y

modeltest-ng -i aln.fasta -d nt -p 4 -o modeltest.out
# -d nt: datos nucleotídicos
# -p 4:  4 threads

Output: tabla con todos los modelos, sus logL, AIC, AICc, BIC, y el mejor según cada criterio.

7.9 ModelFinder (IQ-TREE)

Integrado en IQ-TREE, es la opción más rápida y con más modelos (incluye particionados y mezclas):

conda install -c bioconda iqtree -y

# Solo selección de modelo
iqtree2 -m TESTONLY -s aln.fasta -mset GTR -madd GTR+I+G

# ModelFinder Plus (incluye mezclas, FreeRate, etc.)
iqtree2 -m MFP -s aln.fasta

# Solo selección, sin inferir árbol
iqtree2 -m MF -s aln.fasta --prefix modeltest

7.10 Criterios de selección

Criterios de información (penalizan la complejidad del modelo):

  • AIC (Akaike): 2k - 2logL. Recomendado para muestras grandes.
  • AICc (AIC corregido): corrige AIC para muestras pequeñas (n/k < 40).
  • BIC (Bayesian): k·log(n) - 2logL. Penaliza más la complejidad.
  • DT (Decision Theoretic): basado en pesos de Akaike.
Note

Cuándo usar cada uno: BIC para muestras pequeñas o cuando se quiere modelo parsimonioso; AIC/AICc para muestras grandes. En la práctica, los tres suelen coincidir en el modelo óptimo.

7.11 Interpretación del output

Best model according to AIC:  GTR+I+G
Best model according to AICc: GTR+I+G
Best model according to BIC:  HKY+I+G
Best model according to DT:   HKY+I+G

BIC a veces elige un modelo más simple (HKY en vez de GTR) porque penaliza más los parámetros extra. Suele ser mejor seguir BIC a menos que se justifique lo contrario.

7.12 Aplicación del modelo en análisis posteriores

Una vez elegido el modelo:

# IQ-TREE
iqtree2 -s aln.fasta -m GTR+I+G -pre tree_ml

# RAxML-NG
raxml-ng --msa aln.fasta --model GTR+I+G --prefix raxml --threads 4

# MrBayes (en bloque de comandos NEXUS)
lset nst=6 rates=invgamma;   # GTR+I+G
# Para HKY+G: lset nst=2 rates=gamma;
# Para JC69:  lset nst=1 rates=equal;

7.13 Modelos para codones (mención)

Cuando se trabaja con alineamientos de CDS y se quiere modelar a nivel de codón (no nucleótido):

  • MG94 (Muse-Gaut 1994): codones, distingue sinónimas/no sinónimas.
  • GY94 (Goldman-Yang 1994): el más usado, base de PAML codeml.
  • Modelos M0, M1, M2, M7, M8 en PAML: variantes que permiten heterogeneidad de ω = dN/dS entre sitios.
Note

Se profundiza en estos modelos en el módulo avanzado de PAML. Aquí sólo destacamos que existen y son la herramienta para análisis de selección.

7.14 Modelos para regiones no codificantes

  • Microsatélites: SMM (Stepwise Mutation Model, Ohta & Kimura) — añade/borra una unidad cada vez. Modelo TPM (Two Phase Model) para mutaciones de varias unidades.
  • ITS: regiones con estructura secundaria. Modelos específicos que incorporan stem-loop, p. ej. con RNAalifold seguido de modelos de sustitución RNA-specific (ver capítulo ARN).
  • Intrones: modelos GTR estándar suelen ser suficientes.

7.15 Ejemplos bioinformáticos

Ejemplo 1: Selección de modelo para 16S de primates

# Alinear 30 secuencias de 16S rRNA (mitocondrial) de primates
mafft --auto primates_16s.fasta > aln.fasta
trimal -in aln.fasta -out aln_trim.fasta -automated1

# ModelTest-NG
modeltest-ng -i aln_trim.fasta -d nt -p 4 -o 16s_modeltest.out

# Ver resultado
grep -E "Best model|Model:" 16s_modeltest.out | head -10
Model 102: GTR+I+G   logL: -7892.45  AIC: 15810.9  BIC: 15920.4
Best model according to AIC:  GTR+I+G
Best model according to BIC:  GTR+I+G

Ejemplo 2: Comparar AIC vs BIC en dataset pequeño

# Con un alineamiento pequeño (15 secuencias, 500 bp)
modeltest-ng -i small_aln.fasta -d nt -p 2 -o small.out

# Extraer top-3 por cada criterio
awk '/^Best model according to AIC/{print; next} /^Best model according to BIC/{print}' small.out

7.16 WSL2 vs PowerShell

jModelTest y ModelTest-NG funcionan nativamente en WSL2. En PowerShell, invoca siempre dentro de una sesión WSL:

# Powershell nativo
wsl modeltest-ng -i aln.fasta -d nt -p 4 -o modeltest.out

jModelTest requiere Java; verifica la instalación:

java -version    # debe devolver 1.8 o superior

7.17 Ejercicios

Ejercicio 1

Descargar 30 secuencias de Citocromo b de mamíferos, alinear con MAFFT, recortar con trimAl. Correr ModelTest-NG con todos los modelos nucleotídicos. Reportar el mejor modelo según AIC y BIC.

Ejercicio 2

Dado el output de jModelTest (archivo .out), parsear con awk o grep para extraer: (a) mejor modelo según AIC, (b) mejor modelo según BIC, (c) longitud del árbol ML para ese modelo.

Ejercicio 3

Comparar la verosimilitud (logL) de tres modelos —JC, HKY+G, GTR+I+G— sobre el mismo dataset. ¿Cuánto mejora la logL al usar un modelo más complejo? Justificar si la complejidad añadida está justificada.

7.18 Soluciones

Solución 1

# 1. Descargar secuencias de Cytochrome b desde NCBI
mkdir -p ~/filogenia/cytb && cd ~/filogenia/cytb

# IDs de ejemplo (RefSeq mitochondrial cytb)
for acc in NC_001807 NC_002083 NC_001640 NC_001643 NC_001316 NC_002008 \
           NC_005043 NC_000950 NC_006853 NC_004025 NC_006919 NC_007896; do
    efetch -db nucleotide -id "$acc" -db nuccore -format fasta | \
        awk -v acc="$acc" 'BEGIN{RS=">"} NR>1{print ">"$0}' | \
        awk '/cytb|CYTB/{print}' 
done > cytb.fasta

# En la práctica: descargar el gen cytb por separado usando `efetch`
# con el rango de coordenadas correspondiente.

# 2. Alinear
mafft --auto --thread 4 cytb.fasta > cytb_aln.fasta

# 3. Recortar
trimal -in cytb_aln.fasta -out cytb_trim.fasta -automated1

# 4. ModelTest-NG
modeltest-ng -i cytb_trim.fasta -d nt -p 4 -o cytb_modeltest.out

# 5. Reportar el mejor modelo
grep -E "^Best model" cytb_modeltest.out
Best model according to AIC:  GTR+I+G
Best model according to AICc: GTR+I+G
Best model according to BIC:  GTR+I+G
Best model according to DT:   GTR+I+G

Solución 2

# Parsear el archivo de salida de jModelTest
# (a) mejor modelo según AIC
grep -E "^Model|^best|^Best" jmodeltest.out | grep -i "AIC" | head -1

# Alternativa robusta con awk
awk '/Best AIC model/{print "Mejor AIC: " $NF}' jmodeltest.out
awk '/Best BIC model/{print "Mejor BIC: " $NF}' jmodeltest.out

# (c) Longitud del árbol ML para el mejor modelo (AIC)
# El output contiene un bloque con parámetros del mejor modelo
awk '/Model selected:/{mod=$NF}
     /tree length/{if (selected) print "Tree length (" mod "): " $NF}
     /Best AIC model:/{selected=1; mod=$NF}' jmodeltest.out

# Versión compacta
echo "Mejor AIC: $(grep -oP 'AIC:\s+\K\S+' jmodeltest.out | head -1)"
echo "Mejor BIC: $(grep -oP 'BIC:\s+\K\S+' jmodeltest.out | head -1)"
echo "Tree length: $(grep -oP 'tree length\s+=\s+\K[0-9.]+' jmodeltest.out | head -1)"
Mejor AIC: GTR+I+G
Mejor BIC: HKY+I+G
Tree length: 2.34791

Solución 3

# Inferir árboles ML con tres modelos sobre el mismo dataset
# JC: nucleótidos iguales, 1 parámetro
iqtree2 -s cytb_trim.fasta -m JC+G -pre jc_tree --quiet
# HKY+G: transiciones/transversiones + frecuencias empíricas + Gamma
iqtree2 -s cytb_trim.fasta -m HKY+G -pre hky_tree --quiet
# GTR+I+G: el más completo reversible
iqtree2 -s cytb_trim.fasta -m GTR+I+G -pre gtr_tree --quiet

# Extraer logL de cada uno (en el archivo .log o .iqtree)
echo "=== Log-likelihoods ==="
echo "JC+G:        $(grep -oP 'Log-likelihood of tree:\s+\K[-0-9.]+' jc_tree.iqtree)"
echo "HKY+G:       $(grep -oP 'Log-likelihood of tree:\s+\K[-0-9.]+' hky_tree.iqtree)"
echo "GTR+I+G:     $(grep -oP 'Log-likelihood of tree:\s+\K[-0-9.]+' gtr_tree.iqtree)"
=== Log-likelihoods ===
JC+G:        -9823.41
HKY+G:       -8110.22
GTR+I+G:     -7956.18

Análisis:

  • De JC+G a HKY+G: ΔlogL = -9823 - (-8110) = -1713. Mejora enorme al introducir frecuencias empíricas y transición/transversión distintas. Justificado.
  • De HKY+G a GTR+I+G: ΔlogL = -8110 - (-7956) = -154. Mejora más modesta. Test de razón de verosimilitudes: 2 × 154 = 308. Con df = 7 - 2 = 5 parámetros extra (4 tasas adicionales + I), el χ² crítico a p=0.001 con 5 df ≈ 20.5. Como 308 >> 20.5, la mejora es altamente significativa. Usar GTR+I+G está justificado.
Note

La mejora de JC a HKY es enorme porque JC69 ignora el sesgo transición/transversión, que en mitocondriales es ≈ 10:1. La mejora de HKY a GTR refleja heterogeneidad entre las distintas tasas de transversión y transición, también real en estos datos.