EFECTO DE BASES AMBIGUAS EN LA RESOLUCION DE LAS FILOGENIAS. Laura Rocío Forero Moreno

Transcripción

1 EFECTO DE BASES AMBIGUAS EN LA RESOLUCION DE LAS FILOGENIAS Laura Rocío Forero Moreno Introducción El objetivo de los métodos de reconstrucción filogenética es utilizar del mejor modo posible la información actual para hacer inferencias acerca del pasado. Las hipótesis resultantes normalmente se expresan en forma de un árbol, en el que la topología nos habla de las relaciones de parentesco entre las distintas entidades y la longitud de las ramas del árbol de la distancia que hay entre ellas (Abascal, 2007). Sin embargo, los diferentes set de datos arrojan diferentes resultados. Al trabajar con datos moleculares es necesario tener en cuenta la codificación utilizada para determinar las bases de la secuencia utilizada (García, 2008). En organismos difíciles de secuenciar el código IUPAC determino como código para bases ambiguas la letra N cuyo significado puede ser A, C, G o T (Delport et al., 2008). El objetivo de este trabajo es dilucidar el manejo adecuado para estas bases con respecto a la resolución dada en la topología obtenida. La pregunta de investigación es: cuál es el manejo adecuado para las bases ambiguas de las secuencias, basados en la resolución (relaciones filogenéticas) de la topología como principal indicador. Materiales y métodos Para llevar a cabo este trabajo se obtuvieron 7 secuencias de aminoácidos (con una longitud igual a 1000) simuladas con ayuda del programa SEQ-GEN Rambaut & Grassly, 1997). Posteriormente se modificaron las secuencias para añadir bases ambiguas (codificadas como N) obteniendo 4 sets de datos: secuencias sin modificar (sin bases ambiguas), secuencias con 0.5%, 2% y 5%de bases N al azar. Con el programa MUSCLE (Edgar, 2004) se realizaron los alineamientos de cada set de secuencias dependiendo de la frecuencia de N asignadas a cada secuencia. Se escogió el modelo evolutivo con el software R (Hornik, 2008) para escoger el modelo evolutivo para un posterior análisis y con el software PhyML (Guindon et al., 1999) de máxima verosimilitud se manejaron diferentes modelos evolutivos obtenidos de los diferentes sets de datos. Además se calculó el likelihood y el bootstrap no paramétrico con 100 replicas. El mismo tratamiento metodológico se le aplicó a los datos sin las bases ambiguas después de ser eliminadas de las secuencias. Resultados La topología resultante del análisis de las secuencias sin bases ambiguas ha producido una topología con una politomia posiblemente blanda ya que al simular las secuencias de

2 aminoácidos se generaron secuencias muy similares. Se evidencia una topología con relación de grupos hermanos entre el taxón 6 y 7. Sin embargo el valor del bootstrap para el análisis fue muy bajo (igual a ) lo que probablemente indique relaciones formadas azarosamente y sin límites de confianza. Al agregar las bases N al azar (0.5%) se producen 2 politomias alterando la estructura de la topología, reportando el mismo comportamiento para las topologías con frecuencia de N igual a 2 y 5 %. los valores de bootstrap fueron mayores mostrando relaciones más soportadas al repetir la metodología eliminando las bases N de las secuencias. al darle un manejo de eliminación a las bases N se evidencia en las topologías resultantes mayor resolución de las topologías aunque presentando relaciones variables entre topologías. además, los valores de bootstrap obtenidos para estas 3 topologías soportan con mayor limite de confianza las relaciones obtenidas a diferencia de las filogenias donde las bases N se encontraban presentes. Discusión En los resultados obtenidos se observo una tendencia evidente en cuanto al manejo de las bases que mejora la resolución de las topologías, sus relaciones filogenéticas y sus valores de soporte. Probablemente haya influido en los diferentes resultados los modelos escogidos para cada set de datos (que variaron con las diferentes secuencias) y la simulación de las secuencias. Sin embargo, al eliminar las bases ambiguas se resolvieron algunas relaciones filogenéticas eliminando politomías presentadas con los datos que contenían bases N. a su vez, el valor del bootstrap fue más significativo aumentando los limites de confianza en las nuevas relaciones creadas con las secuencias de las que habíamos eliminado las bases N. esto indica que estas bases no contienen mucha información filogenética ya que no estructuran los resultados obtenidos en el análisis, por lo tanto pueden ser descartadas para generar mejores resultados. Posiblemente sea conveniente realizar búsquedas con bases ambiguas dándoles pesaje diferencial a estas bases para rectificar los resultados obtenidos en este estudio. Conclusiones El manejo adecuado para las bases N, entre las opciones de dejarlas presentes en las secuencias o eliminarlas, se evidencio en los resultados obtenidos de resolución y soporte al eliminarlas de las secuencias. La variación presente en los resultados probablemente se dio al simular las secuencias o por encontrar diferentes modelos para los diferentes sets de datos. al aumentar el número de bases N aumentaron las diferencias entre las relaciones filogenéticas y resolución de las topologías. Probablemente el pesaje diferencial de estas bases ayude a esclarecer una solución diferente a la eliminación de estas bases ya que probablemente esta opción genere un sesgo en los análisis.

3 Bibliografía Rambaut, A. and Grassly, N. C. (1997) Seq-Gen: An application for the Monte Carlo simulation of DNA sequence evolution along phylogenetic trees. Comput. Appl. Biosci. 13: Edgar, Robert C. (2004), MUSCLE: multiple sequence alignment with high accuracy and high throughput. Nucleic Acids Research 32(5), Hornik, K. (2008), The R FAQ. Guindon S., Gascuel O. (1999) A simple, fast and accurate algorithm to estimate large phylogenies by maximum likelihood version 3.0 Systematic Biology 52(5): Hall, T.A. (1999) BioEdit: a user-friendly biological sequence alignment editor and analysis program for Windows 95/98/NT. Nucl. Acids. Symp. Ser. 41: Rambaut, A. (2008) FigTree: Tree Figure Drawing Tool version Institute of Evolutionary Biology, University of Edinburgh. Delport W., Scheffler, K. and Seoighe C (2008) Models of coding sequence evolution. Briefings in bioinformatics. VOL 10. NO García, C. G. (2008) La metodología proteómica, una herramienta para la búsqueda de funcióndepartamento de Microbiología II, Facultad de Farmacia, Universidad Complutense de Madrid Abascal, F. (2007) Introducción a la Filogenia Molecular. Universidad Autónoma de México UNAM Restrepo-Montoya, D. (2005) Aproximación al análisis de motivos en secuencias nucleotídicas y protéicas. Universidad Nacional de Colombia

4 Apéndice Figura 1. Topología resultante del set de datos sin bases ambiguas (N) Figura 2. Topología resultante del análisis con soporte de bootstrap no paramétrico para secuencias sin bases ambiguas.

5 Figura 3. Topología resultante del boostrap no paramétrico para el set de datos con 0.5% de bases ambiguas Figura 4. Topología resultante del boostrap no paramétrico para el set de datos con 2% de bases ambiguas

6 Figura 5. Topología resultante del boostrap no paramétrico para el set de datos con 5% de bases ambiguas

7 Figura 6. Topología resultante del boostrap no paramétrico para el set de datos con 0.5% de bases ambiguas eliminadas de las secuencias

8 Figura 7. Topología resultante del boostrap no paramétrico para el set de datos con 2% de bases ambiguas eliminadas de las secuencias Figura 8. Topología resultante del boostrap no paramétrico para el set de datos con 5% de bases ambiguas eliminadas de las secuencias

9 IUPAC Code Meaning Origin of Description G G Guanine A A Adenine T T Thymine C C Cytosine R G or A purine Y T or C pyrimidine M A or C amino K G or T Ketone S G or C Strong interaction W A or T Weak interaction H A or C or T not-g, H follows G in the alphabet B G or T or C not-a, B follows A in the alphabet V G or C or A not-t (not-u), V follows U in the alphabet D G or A or T not-c, D follows C in the alphabet N G or A or T or C any Tabla 1. Código IUPAC su significado y su origen (tomado de: