Capítulo 8: Modelos de sustitución de proteínas

8.1 ¿Por qué los modelos de proteínas son distintos a los de ADN?

Mientras que los modelos de ADN manejan 4 estados (A, C, G, T) con propiedades físico-químicas relativamente comparables, los modelos de proteínas deben manejar 20 aminoácidos con propiedades bioquímicas muy diferentes: hay aminoácidos ácidos (Asp, Glu), básicos (Lys, Arg, His), polares neutros (Ser, Thr, Asn, Gln), hidrofóbicos (Leu, Ile, Val, Ala, Phe, Trp, Met), aromáticos (Phe, Tyr, Trp, His), y especiales (Cys, Pro, Gly).

Las implicaciones son profundas:

  1. La matriz de sustitución es de 20×20 = 400 entradas (o 210 si es simétrica), no 12 como en GTR.
  2. Las frecuencias de aminoácidos no son iguales ni entre proteínas ni entre organismos: Leu y Ser suelen ser abundantes; Trp, Cys y His son raros.
  3. Los cambios dependen de propiedades bioquímicas: un cambio Asp→Glu (ácido→ácido) es mucho más probable que Asp→Phe (ácido→aromático).
Important

Para alineamientos de proteínas, siempre se usa un modelo de sustitución empírico (o de mezcla). El equivalente de JC69 para proteínas (Poisson) es excesivamente simple y produce árboles con artefactos sistemáticos en datos reales.

8.2 Modelos empíricos

Están estimados a partir de miles de alineamientos curados. La matriz 20×20 y las frecuencias se “congelan” en el momento de su publicación.

8.2.1 PAM (Dayhoff 1978)

El primer modelo. Basado en pequeñas proteínas muy conservadas (alineamientos de la era pre-genómica). Aún se cita por su importancia histórica, pero está obsoleto para análisis modernos: el sesgo hacia proteínas muy conservadas subestima las tasas de cambio en regiones variables.

8.2.2 JTT (Jones-Taylor-Thornton 1992)

Actualización de PAM con base de datos más grande (~17000 proteínas). Mejor que PAM, aunque sigue sesgado hacia proteínas globulares solubles.

8.2.3 WAG (Whelan-Goldman 2001)

Estimado a partir de 3905 proteínas de la base de datos SWISS-PROT. Fue el estándar durante varios años y aún es muy competitivo.

8.2.4 LG (Le-Gascuel 2008)

Estimado con una metodología más moderna y más datos. Mejor desempeño general en benchmarkings; es el default de muchos programas cuando no se hace selección de modelo.

8.2.5 Modelos específicos para mitocondriales

Las proteínas mitocondriales tienen sesgos de composición extremos (p. ej. enriquecidas en Ala, Ser; empobrecidas en Arg, Cys) y código genético distinto:

  • mtMet: mitocondrial general (metazoos).
  • mtInv: invertebrados mitocondriales.
  • mtMam: mamíferos mitocondriales.
  • mtART: artrópodos mitocondriales.
  • mtZOA: metazoos (versión ampliada).
Warning

Para genes mitocondriales (COI, Cytochrome b, ND1-6, ATP6/8), no uses LG ni WAG. Usa mtMet, mtMam, mtZOA o mtART según tu taxon. Esto afecta seriamente el árbol.

8.2.6 Modelos específicos para patógenos

  • HIVb: VIH, parte de genoma background (accesoria, no-envoltura).
  • HIVw: VIH, proteínas env (envoltura), más variables.
  • FLU: influenza (especialmente hemaglutinina y neuraminidasa).

8.2.7 Modelos específicos por clado (Pan et al. 2019)

Estimados con datos de organismos específicos:

  • Q.bird: aves.
  • Q.pfam: proteínas Pfam generales (heterogéneo).
  • Q.insect: insectos.
  • Q.mammal: mamíferos.
  • Q.plant: plantas.
  • Q.yeast: levaduras.
Tip

Si trabajas con un clado específico (p. ej. plantas), prueba los modelos Q.plant y LG+G+F y compara con AIC/BIC. La diferencia puede ser notable.

8.3 Modelos mecánicos

Basados en propiedades bioquímicas en lugar de datos empíricos:

  • Poisson: igual tasa de cambio entre todos los aminoácidos, igual frecuencia. Equivalente a JC69 de ADN. Solo útil como referencia teórica.
  • Equalin: igual frecuencia de aminoácidos (0.05 cada uno), pero matriz empírica.

Prácticamente en desuso para análisis reales.

8.4 Modelos de mezcla (+Cxx)

Los modelos empíricos asumen un único perfil de frecuencias para todos los sitios. En realidad, los sitios de una proteína tienen preferencias distintas (p. ej. un sitio hidrofóbico prefiere Leu/Ile/Val; un sitio de superficie prefiere Asp/Glu/Lys).

Los modelos C10–C60 (Le et al. 2008) son mezclas de C perfiles de frecuencias (C=10, 20, 30, 40, 50, 60). Cada sitio se asigna a un perfil con cierta probabilidad. Variaciones: EX_EHO, EX2, EX3, EHO, UL2, UL3, MIX.

Important

El modelo LG+C60+F+G suele ser el mejor empírico posible para proteínas con heterogeneidad de composición. Equivale, en espíritu, a un perfil-HMM: cada sitio “recuerda” su preferencia.

8.4.1 PMSF (Posterior Mean Site Frequency)

Los modelos +C60 son caros (~60 perfiles a estimar). PMSF (Wang et al. 2018) es una aproximación inteligente:

  1. Se corre un árbol inicial con LG+G+F.
  2. Se calculan las frecuencias posteriores por sitio (basadas en ese árbol).
  3. Se usa este perfil como modelo fijo en un análisis final.

Es 2 órdenes de magnitud más rápido que +C60 con calidad prácticamente equivalente. Recomendado para datasets grandes.

8.5 Variación de tasas

Como en ADN, se aplican las extensiones:

  • +I: sitios invariables.
  • +G: tasa Gamma (4 categorías por defecto; +R FreeRate es alternativa más flexible).
  • +F: frecuencias empíricas de aminoácidos del alineamiento.
  • +Cxx: mezclas de perfiles (visto arriba).
  • +Rk: FreeRate con k categorías (alternativa moderna a Gamma, no asume forma).

8.6 Selección de modelos con ProtTest

conda install -c bioconda prottest -y

java -jar prottest.jar \
     -i protein_aln.fasta \
     -o prottest.out \
     -all-distributed \
     -threads 4

ProtTest evalúa ~14 modelos empíricos con/sin +I, +G, +F y reporta logL, AIC, AICc, BIC, DT. Es el equivalente a jModelTest para proteínas.

8.7 ModelTest-NG para proteínas

modeltest-ng -i protein_aln.fasta -d aa -p 4 -o protmodel.out
# -d aa: datos aminoacídicos

Soporta todos los modelos empíricos, pero no los modelos de mezcla +Cxx.

8.8 ModelFinder para proteínas (IQ-TREE)

La opción más completa: incluye mezclas, FreeRate y perfiles PMSF:

# Solo selección (no inferir árbol)
iqtree2 -m TESTONLY -s protein_aln.fasta -mset LG,WAG,JTT -madd LG+C20,LG+C60

# ModelFinder Plus (selección con mezclas)
iqtree2 -m MFP -s protein_aln.fasta

# Solo selección sin árbol
iqtree2 -m MF -s protein_aln.fasta --prefix prot_mf
Tip

-m MFP (ModelFinder Plus) es la opción default recomendada: prueba modelos empíricos y mezclas +Cxx, y termina con el mejor.

8.9 Cuándo usar qué modelo: tabla práctica

Tipo de dato Modelo recomendado
Proteínas generales LG+G+F o LG+I+G+F
Mitocondriales animales mtMet, mtZOA, mtMam, mtART
VIH (envoltura) HIVw
VIH (otras) HIVb
Influenza FLU
Plantas Q.plant
Hongos (levaduras) Q.yeast
Insectos Q.insect
Aves Q.bird
Mamíferos Q.mammal
Heterogeneidad fuerte LG+C60+F+G o PMSF

8.10 Heterogeneidad de sitios: por qué +Cxx es mejor que +F sola

+F asigna a cada sitio las frecuencias empíricas globales (calculadas del alineamiento completo). Pero un sitio del núcleo hidrofóbico de la proteína no tiene por qué aceptar las frecuencias globales: para él, solo son admisibles Leu/Ile/Val/Phe.

+Cxx permite a cada sitio elegir entre C perfiles distintos: perfiles hidrofóbicos, polares, aromáticos, etc. Esto captura la heterogeneidad estructural que +F ignora.

Important

En proteínas con > 300 sitios y composición heterogénea, LG+C60+F+G suele mejorar el AIC en cientos de unidades respecto a LG+G+F. La diferencia en el árbol puede ser notable.

8.11 PMSF en IQ-TREE

# Paso 1: árbol inicial rápido con LG+G+F
iqtree2 -s protein_aln.fasta -m LG+G+F -pre initial_tree -fast

# Paso 2: PMSF basado en árbol inicial
iqtree2 -s protein_aln.fasta \
        -m LG4X+C10+F+PMSF \
        -te initial_tree.treefile \
        -pre pmsf_tree
Note

PMSF genera un modelo “personalizado” para tu dataset. No es portable a otros análisis directamente: hay que regenerarlo desde el árbol inicial.

8.12 Aplicación del modelo seleccionado

# IQ-TREE
iqtree2 -s protein_aln.fasta -m LG+I+G+F -pre prot_tree -B 1000

# RAxML-NG
raxml-ng --msa protein_aln.fasta --model LG+I+G+F --prefix raxml --threads 4
# Para heterogeneidad:
raxml-ng --msa protein_aln.fasta --model LG4X --prefix raxml --threads 4

# MrBayes (bloque NEXUS)
prset aamodelpr=fixed(lg);
lset rates=invgamma;
Warning

RAxML-NG no soporta todos los modelos que IQ-TREE soporta. Para +Cxx y +PMSF, usa IQ-TREE. RAxML-NG soporta modelos empíricos, +F, +G y LG4X (perfil 4-componentes).

8.13 Ejemplo completo: Cytochrome b de mamíferos

# Alinear y recortar
mafft --localpair --maxiterate 1000 cytb_prot.fasta > cytb_prot_aln.fasta
trimal -in cytb_prot_aln.fasta -out cytb_prot_trim.fasta -automated1

# ModelFinder Plus
iqtree2 -m MFP -s cytb_prot_trim.fasta -pre cytb_mf -B 1000 -alrt 1000

# Ver modelo seleccionado
grep "Best-fit model" cytb_mf.iqtree
Best-fit model according to BIC: mtMet+I+G+F

8.14 WSL2 vs PowerShell

Todos los programas anteriores son CLI nativos de Linux y corren en WSL2 sin más. ProtTest requiere Java:

java -version   # 1.8+ recomendado

En PowerShell nativo:

wsl iqtree2 -m MFP -s protein_aln.fasta -pre prot_mf
wsl bash -c "modeltest-ng -i protein_aln.fasta -d aa -p 4 -o protmodel.out"

8.15 Ejercicios

Ejercicio 1

Descargar 20 secuencias de Citocromo b (proteína) de mamíferos, alinear con MUSCLE5, recortar con trimAl. Correr ProtTest o ModelTest-NG. Reportar el mejor modelo según AIC, BIC y DT.

Ejercicio 2

Comparar el desempeño de tres modelos —JTT, WAG, LG— sobre el mismo dataset. ¿Cuál tiene la mejor logL? ¿Cuál el menor AIC? ¿Justifica usar LG sobre JTT?

Ejercicio 3

Usar IQ-TREE ModelFinder para encontrar el mejor modelo incluyendo mezclas:

iqtree2 -m MF -s protein_aln.fasta -madd LG+C10,LG+C20,LG+C30,LG+C40,LG+C50,LG+C60

Reportar el modelo óptimo. Si es LG+Cxx, explicar por qué la heterogeneidad mejora el ajuste.

8.16 Soluciones

Solución 1

# 1. Descargar secuencias de Cytochrome b (proteína) desde NCBI
mkdir -p ~/filogenia/cytb_prot && cd ~/filogenia/cytb_prot

# Usamos IDs de proteína RefSeq de mitocondrias de mamíferos
for acc in YP_003024028 YP_003024030 YP_220608.1 YP_003522167 YP_003842503 \
           YP_001733424 YP_718737 YP_083849 YP_871863 YP_001494802; do
    efetch -db protein -id "$acc" -format fasta >> cytb_prot.fasta
done

# 2. Alinear con MUSCLE5
muscle -align cytb_prot.fasta -output cytb_prot_aln.fasta

# 3. Recortar
trimal -in cytb_prot_aln.fasta -out cytb_prot_trim.fasta -automated1

# 4. Selección de modelo con ModelTest-NG
modeltest-ng -i cytb_prot_trim.fasta -d aa -p 4 -o cytb_prot.out

# 5. Reportar el mejor modelo según AIC, BIC y DT
grep -E "^Best model" cytb_prot.out
Best model according to AIC:  mtMet+I+G+F
Best model according to AICc: mtMet+I+G+F
Best model according to BIC:  mtMet+I+G+F
Best model according to DT:   mtMet+I+G+F

Comentario: Para Cytochrome b mitocondrial de mamíferos, los modelos mtMam o mtMet son los más apropiados porque capturan los sesgos de composición del código genético mitocondrial. Modelos generales como LG o WAG quedarían muy por detrás.

Solución 2

# Inferir árboles con tres modelos sobre el mismo alineamiento
iqtree2 -s cytb_prot_trim.fasta -m JTT+G+F -pre jtt_tree --quiet
iqtree2 -s cytb_prot_trim.fasta -m WAG+G+F -pre wag_tree --quiet
iqtree2 -s cytb_prot_trim.fasta -m LG+G+F  -pre lg_tree --quiet

# Extraer logL y AIC
for m in jtt wag lg; do
    logL=$(grep -oP 'Log-likelihood of tree:\s+\K[-0-9.]+' ${m}_tree.iqtree | head -1)
    aic=$(grep -oP 'Akaike information criterion \(AIC\) score:\s+\K[-0-9.]+' ${m}_tree.iqtree | head -1)
    echo "$m : logL=$logL  AIC=$aic"
done
jtt : logL=-13420.55  AIC=26863.10
wag : logL=-12983.78  AIC=25989.56
lg  : logL=-12890.12  AIC=25802.24

Análisis:

  • Mejor logL: LG (-12890.12). Menos negativo = mejor.
  • Menor AIC: LG (25802.24). Diferencia con JTT ≈ 1060 unidades, altamente significativa.
  • De JTT a LG: ΔlogL ≈ 530, ΔAIC ≈ 1060. Justificado: LG es de 2008, JTT de 1992. La base de datos de LG era mucho más amplia (≠15 años de datos) y la metodología de estimación moderna. Para datos mitocondriales sería aún mejor mtMam.
Note

En este caso particular (mitocondrial), el siguiente paso natural sería comparar LG vs mtMet+I+G+F (ver ejercicio 1). Los modelos específicos para mitocondriales deberían ganar por margen amplio.

Solución 3

# ModelFinder con mezclas
iqtree2 -m MF -s cytb_prot_trim.fasta \
        -mset LG,WAG,JTT \
        -madd LG+C10,LG+C20,LG+C30,LG+C40,LG+C50,LG+C60 \
        -pre cytb_mix

# Ver modelo seleccionado
grep "Best-fit model" cytb_mix.iqtree
Best-fit model according to BIC: LG+C60+F+G

Explicación:

  1. LG+C60+F+G incluye el modelo empírico LG + 60 perfiles de frecuencias + frecuencias empíricas + Gamma.
  2. Cada sitio de la proteína puede “pertenecer” a uno de los 60 perfiles. Los perfiles codifican preferencias como “hidrofóbico”, “ácido”, “aromático”, etc.
  3. La mejora del AIC/BIC respecto a LG+G+F suele ser de cientos de unidades, indicando que la heterogeneidad de sitios es real y modelable.
  4. Por qué funciona: las posiciones de la proteína tienen restricciones funcionales/estructurales distintas. Un sitio del núcleo acepta solo aminoácidos hidrofóbicos; un sitio de superficie acepta cargados. +F asume que todos los sitios comparten las frecuencias globales (lo cual es falso). +C60 permite a cada sitio elegir su perfil preferido.
  5. Trade-off: +C60 introduce 60 × 19 = 1140 parámetros extra. Es computacionalmente más costoso. Si el dataset es pequeño, puede sobreajustar. Para datasets grandes (>50 secuencias y >200 sitios), casi siempre mejora el ajuste de forma justificada.
Tip

Alternativa eficiente: usar PMSF (ver §8.11) que aproxima +C60 con un solo paso posterior, siendo órdenes de magnitud más rápido y casi equivalente en calidad.