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:
- La matriz de sustitución es de 20×20 = 400 entradas (o 210 si es simétrica), no 12 como en GTR.
- 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.
- Los cambios dependen de propiedades bioquímicas: un cambio Asp→Glu (ácido→ácido) es mucho más probable que Asp→Phe (ácido→aromático).
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).
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.
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.
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:
- Se corre un árbol inicial con
LG+G+F. - Se calculan las frecuencias posteriores por sitio (basadas en ese árbol).
- 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 4ProtTest 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 aminoacídicosSoporta 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-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.
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_treePMSF 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;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.iqtreeBest-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+ recomendadoEn 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+C60Reportar 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 "$acc" -format fasta >> cytb_prot.fasta
done
# 2. Alinear con MUSCLE5
muscle -align cytb_prot.fasta -output cytb_prot_aln.fasta
# 3. Recortar
trimal -in cytb_prot_aln.fasta -out cytb_prot_trim.fasta -automated1
# 4. Selección de modelo con ModelTest-NG
modeltest-ng -i cytb_prot_trim.fasta -d aa -p 4 -o cytb_prot.out
# 5. Reportar el mejor modelo según AIC, BIC y DT
grep -E "^Best model" cytb_prot.outBest model according to AIC: mtMet+I+G+F
Best model according to AICc: mtMet+I+G+F
Best model according to BIC: mtMet+I+G+F
Best model according to DT: mtMet+I+G+F
Comentario: Para Cytochrome b mitocondrial de mamíferos, los modelos mtMam o mtMet son los más apropiados porque capturan los sesgos de composición del código genético mitocondrial. Modelos generales como LG o WAG quedarían muy por detrás.
Solución 2
# Inferir árboles con tres modelos sobre el mismo alineamiento
iqtree2 -s cytb_prot_trim.fasta -m JTT+G+F -pre jtt_tree --quiet
iqtree2 -s cytb_prot_trim.fasta -m WAG+G+F -pre wag_tree --quiet
iqtree2 -s cytb_prot_trim.fasta -m LG+G+F -pre lg_tree --quiet
# Extraer logL y AIC
for m in jtt wag lg; do
logL=$(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"
donejtt : 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.
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.iqtreeBest-fit model according to BIC: LG+C60+F+G
Explicación:
LG+C60+F+Gincluye el modelo empírico LG + 60 perfiles de frecuencias + frecuencias empíricas + Gamma.- Cada sitio de la proteína puede “pertenecer” a uno de los 60 perfiles. Los perfiles codifican preferencias como “hidrofóbico”, “ácido”, “aromático”, etc.
- La mejora del AIC/BIC respecto a
LG+G+Fsuele ser de cientos de unidades, indicando que la heterogeneidad de sitios es real y modelable. - 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.
+Fasume que todos los sitios comparten las frecuencias globales (lo cual es falso).+C60permite a cada sitio elegir su perfil preferido. - Trade-off:
+C60introduce 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.
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.
