Alinhamento múltiplo de sequências
MUSCLE no MEGA, MAFFT no terminal e concatenação no R
Tutorial da disciplina de pós-graduação Métodos Computacionais em Sistemática e Filogeografia.
Alinhamento e homologia primária
Apesar de muitos sistematas darem pouca importância ao alinhamento e o tratarem apenas como parte do processo para a obtenção de uma árvore filogenética, esta etapa é extremamente importante para a análise filogenética como um todo, pois é nela que definimos a hipótese de homologia primária entre as nossas sequências. Em outras palavras, nesta etapa assumimos que as bases alinhadas em uma mesma coluna divergiram de um mesmo estado ancestral.
Sendo esta uma etapa tão importante, existem vários programas e algoritmos comumente utilizados para alinhar sequências de DNA (e também de aminoácidos, que não abordaremos no curso), como o ClustalW (Larkin et al. 2007), o T-Coffee (Notredame et al. 2000), o MUSCLE (Edgar 2004) e o MAFFT (Katoh & Standley 2013). Nesta prática usaremos os dois últimos.
Continuamos o trabalho com a filogenia de Hylodidae do tutorial Aquisição de sequências no GenBank. Agora que você adquiriu as sequências de 16S rRNA e COI no GenBank, precisa alinhá-las. Usaremos as matrizes baixadas por número de acesso, menores e mais controladas, com um exemplar por espécie. Elas incluem Limnomedusa macroglossa (Alsodidae), que servirá como raiz da árvore nas próximas análises.
MUSCLE no MEGA 12
O MEGA (Kumar et al. 2024) traz o MUSCLE embutido. Vamos usá-lo para alinhar o COI:
-
No MEGA 12, vá em Align > Edit/Build Alignment, escolha Retrieve sequences from a file e abra
sequencias/COI_ids.fasta. Está tudo desalinhado. -
Selecione todas as sequências (Edit > Select All, ou Ctrl+A) e vá em Alignment > Align by MUSCLE. Se o MEGA oferecer as opções DNA e Codons, escolha DNA.
-
Na janela de parâmetros do MUSCLE, mantenha os valores padrão e clique em Compute. Aguarde um pouquinho e pronto: as sequências estão alinhadas.
O COI é um gene codificante, então é interessante verificar se as sequências estão corretas: se começam no códon certo e se os possíveis gaps são múltiplos de três, por exemplo. Isso influenciará etapas posteriores, por isso é interessante que o alinhamento comece sempre na posição 1 do códon. A tradução também serve para checar se há stop codons no meio das sequências, o que poderia indicar que você sequenciou um pseudogene ou o gene errado.
-
Clique na aba Translated Protein Sequences. Quando aparecer a pergunta The Current Genetic Code is: Standard. Is this correct?, clique em No.
-
Na janela seguinte, como se trata de um fragmento mitocondrial de anfíbios, marque Vertebrate Mitochondrial e confirme.
-
Verifique se há stop codons (indicados pelo símbolo
*) em alguma posição. Se houver, provavelmente o alinhamento não começa na posição 1 do códon, ou o gene sequenciado não é o que você queria.
MAFFT no terminal
O MAFFT é um programa um pouco mais completo que o MUSCLE, por ter vários algoritmos diferentes (estratégias) para alinhar as sequências. Alguns são mais rápidos e menos precisos, ideais para um grande número de sequências ou para fragmentos codificantes, sem estrutura secundária; outros são mais precisos e mais lentos, ideais, por exemplo, para fragmentos com estrutura secundária, como o 16S. Por serem mais lentos, estes últimos não podem ser utilizados em grandes conjuntos de sequências. As duas estratégias que usaremos são:
| Estratégia | Opções no comando | Uso nesta prática |
|---|---|---|
| FFT-NS-2 (rápida, padrão) | --retree 2 | COI |
| E-INS-i (precisa, lenta) | --genafpair --maxiterate 1000 | 16S |
A FFT-NS-2 parte de uma matriz de distâncias confiável, mas não é tão lenta quanto outras estratégias do MAFFT. A E-INS-i lida bem com fragmentos como o 16S, em que regiões conservadas se alternam com regiões cheias de inserções e deleções; ela faz iterações, refinando o alinhamento até chegar a um resultado satisfatório, e --maxiterate 1000 aumenta o número de iterações possíveis para 1000. Em todos os comandos usaremos também --preservecase, para que as bases sejam mantidas em letra maiúscula. Para saber mais sobre as estratégias, veja https://mafft.cbrc.jp/alignment/software/algorithms/algorithms.html.
Instalação
Windows (Ubuntu no WSL)
No terminal do Ubuntu, digite os comandos abaixo; o sudo pede a senha do Ubuntu (que não aparece enquanto é digitada) e o apt pergunta se deve continuar (responda Y):
$ sudo apt update
$ sudo apt install mafft
macOS
Na página do MAFFT (https://mafft.cbrc.jp/alignment/software/), entre em Mac OS X, baixe o pacote padrão (.pkg), abra-o e siga as instruções do instalador. Quem usa o Homebrew pode, em vez disso, digitar brew install mafft.
Conferindo
Feche e abra o terminal e digite:
$ mafft --version
Deve aparecer o número da versão (por exemplo, v7.505, seguido da data). Lembre-se de que o símbolo $ representa o prompt e não deve ser digitado; no seu terminal ele pode ser outro, como %.
Indo até a pasta da prática
O MAFFT precisa encontrar os arquivos, então primeiro vamos até a pasta pratica_alinhamento com o cd (prática 2 da disciplina).
-
Windows: os arquivos do Windows ficam, no Ubuntu, dentro de
/mnt/c. Se a pasta estiver em Downloads, por exemplo, o comando é o abaixo, trocandoNomepelo seu usuário do Windows (a tecla Tab completa os nomes):$ cd /mnt/c/Users/Nome/Downloads/pratica_alinhamentoOutra opção: abra a pasta no Explorador de Arquivos, clique na barra de endereço, digite
wsle tecle Enter; o Ubuntu abre já dentro da pasta. -
macOS: digite
cdseguido de um espaço, arraste a pasta do Finder para a janela do Terminal e tecle Enter.
Confira se você está no lugar certo: pwd mostra o caminho da pasta atual, e a lista mostrada por ls deve incluir as pastas R e sequencias.
$ pwd
$ ls
Agora crie a pasta onde ficarão os alinhamentos:
$ mkdir alinhamentos
Alinhando um marcador
Vamos começar pelo COI, com a estratégia FFT-NS-2:
$ mafft --preservecase --retree 2 \
sequencias/COI_ids.fasta > alinhamentos/COI_alinhado.fasta
A barra invertida \ no fim da primeira linha indica que o comando continua na linha de baixo: tecle Enter logo depois dela e continue digitando (você também pode escrever tudo em uma única linha, sem a barra). Por partes:
-
mafft --preservecase --retree 2: o programa e as opções (seção MAFFT no terminal); -
sequencias/COI_ids.fasta: o arquivo de entrada, com as sequências desalinhadas; -
> alinhamentos/COI_alinhado.fasta: o sinal>redireciona a saída do MAFFT, isto é, o alinhamento, para um arquivo, como no prática 2 da disciplina. Não use o mesmo nome do arquivo de entrada, ou ele será apagado antes de ser lido!
Enquanto trabalha, o MAFFT mostra mensagens de progresso na tela; elas não vão para o arquivo. Quando o prompt voltar, confira com ls alinhamentos se o arquivo foi criado.
Alinhando os dois marcadores de uma vez
Para o 16S, bastaria repetir o comando trocando o nome dos arquivos e a estratégia. Com muitos marcadores, porém, repetir comandos dá trabalho e abre espaço para erros. Um laço (loop) executa os mesmos comandos para cada item de uma lista. Digite as linhas abaixo, teclando Enter ao fim de cada uma:
for marcador in 16S COI
do
if [ "$marcador" = "16S" ]
then
mafft --preservecase --genafpair --maxiterate 1000 \
sequencias/${marcador}_ids.fasta > alinhamentos/${marcador}_alinhado.fasta
else
mafft --preservecase --retree 2 \
sequencias/${marcador}_ids.fasta > alinhamentos/${marcador}_alinhado.fasta
fi
done
Depois da primeira linha, o terminal troca o prompt por um sinal de continuação (> no bash do Ubuntu, for> no zsh do macOS), indicando que espera o resto do laço. Os comandos só são executados depois que você digita done. Os espaços no início das linhas são opcionais: servem apenas para facilitar a leitura.
Como o laço funciona:
O alinhamento do 16S leva mais tempo; espere o prompt voltar e confira:
$ ls alinhamentos
16S_alinhado.fasta COI_alinhado.fasta
O COI_alinhado.fasta foi refeito pelo laço, com o mesmo resultado do comando anterior.
Abra os dois alinhamentos no MEGA (Align > Edit/Build Alignment > Retrieve sequences from a file) ou em um editor de texto e compare-os: qual a principal diferença entre o alinhamento do 16S e o do COI? Qual dos dois demorou mais para ser concluído? Por quê? Para medir o tempo, repita um dos comandos com time na frente (por exemplo, time mafft --preservecase --retree 2 ...).
Concatenando os alinhamentos no R
Nas próximas práticas, os dois marcadores serão analisados juntos, em uma única matriz: o 16S nas primeiras colunas e o COI em seguida. Essa união se chama concatenação, e deve ser feita pelo nome da espécie: a linha de Hylodes nasus da matriz final deve juntar o 16S e o COI de H. nasus, embora os dois fragmentos tenham números de acesso diferentes. Quando uma espécie tem apenas um dos marcadores, o outro é preenchido com ?, o símbolo de dado faltante.
Abra o RStudio, crie um projeto na pasta pratica_alinhamento (File > New Project > Existing Directory) e abra o script R/04_concatenar.R. Execute-o linha a linha (Ctrl+Enter, ou Cmd+Enter no macOS), acompanhando os resultados no console. O script usa o pacote ape (Paradis & Schliep 2019), instalado no tutorial Aquisição de sequências no GenBank. Os principais passos são descritos abaixo.
1. Ler os alinhamentos
read.FASTA() lê o arquivo e as.matrix() transforma o alinhamento em uma matriz, com uma linha por sequência e uma coluna por posição; dim() mostra o número de linhas e de colunas:
s16 <- as.matrix(read.FASTA("alinhamentos/16S_alinhado.fasta"))
coi <- as.matrix(read.FASTA("alinhamentos/COI_alinhado.fasta"))
dim(s16)
dim(coi)
2. Separar a espécie do número de acesso
Duas funções com expressões regulares (prática 1 da disciplina) separam as partes do nome:
especie <- function(x) sub("_[A-Z]+_?[0-9]+$", "", x)
acesso <- function(x) sub("^.*_([A-Z]+_?[0-9]+)$", "\\1", x)
Assim, Crossodactylus_schmidti_AY843579 vira Crossodactylus_schmidti e AY843579. O script monta uma tabela com o acesso usado para cada espécie em cada marcador e, em seguida, renomeia as linhas das duas matrizes apenas com o nome da espécie.
3. Completar com dados faltantes
union() reúne os nomes das duas matrizes, e setdiff() mostra quais espécies faltam em cada uma:
nomes <- sort(union(rownames(s16), rownames(coi)))
setdiff(nomes, rownames(s16)) # espécies sem 16S
setdiff(nomes, rownames(coi)) # espécies sem COI
A função completar() acrescenta a cada matriz uma linha de ? para cada espécie que falta e põe as linhas na mesma ordem (a de nomes).
4. Concatenar
Com as duas matrizes com as mesmas linhas, na mesma ordem, cbind() junta as colunas:
concatenada <- cbind(s16_completo, coi_completo)
dim(concatenada)
O número de colunas da matriz concatenada deve ser a soma das colunas do 16S e do COI.
5. Gravar
O script cria a pasta matriz com:
-
hylodidae_concatenado.fasta,.phye.nex: a mesma matriz nos formatos FASTA, PHYLIP e NEXUS, pedidos por diferentes programas de análise filogenética; -
particoes.txt: as colunas ocupadas por cada fragmento, que serão usadas para analisar cada marcador com seu próprio modelo de evolução:DNA, 16S = 1-2475 DNA, COI = 2476-3187 -
tabela_acessos.csv: os números de acesso usados para cada espécie, a tabela que acompanha a publicação de um trabalho.
Os números de colunas citados acima são os obtidos com o MAFFT v7.471; com outra versão, eles podem variar um pouco.
Para refletir
-
No MEGA, por que foi preciso trocar o código genético para Vertebrate Mitochondrial? O que aconteceria com o código Standard?
-
O que seria preciso mudar no laço da seção Alinhando os dois marcadores de uma vez para alinhar também um terceiro marcador, por exemplo o citocromo b, em um arquivo
cytb_ids.fasta, com a estratégia FFT-NS-2? -
Quantas espécies há na matriz concatenada? Quais delas não têm o 16S e quais não têm o COI? Quantas colunas tem a matriz?
-
Por que a concatenação é feita pelo nome da espécie, e não pela posição das sequências nos arquivos ou pelo número de acesso?
Problemas comuns
-
mafft: command not found. O MAFFT não foi instalado, ou o terminal foi aberto antes da instalação: feche-o e abra-o de novo. No macOS, com o pacote.pkg, o programa fica em/usr/local/bin/mafft. -
No such file or directory. Você não está na pastapratica_alinhamento, ou o nome do arquivo foi digitado errado. Confira compwdels. -
Arquivo alinhado vazio (0 bytes). O MAFFT não conseguiu ler a entrada (por exemplo, porque o nome do arquivo de entrada está errado); leia a mensagem de erro na tela. Se o erro for sobre a pasta
alinhamentos, ela ainda não existe: rodemkdir alinhamentos. -
O terminal fica mostrando
>e não executa nada. O laço ou oifnão foi fechado: falta digitarfioudone. Se errar no meio, tecle Ctrl+C e comece de novo. -
cannot open fileno R. A pasta de trabalho não épratica_alinhamento, ou os alinhamentos ainda não foram feitos. Confira comgetwd()elist.files(). -
there is no package called ape. Instale o pacote como no tutorial Aquisição de sequências no GenBank (install.packages("ape")).
Referências
- Edgar, R. C. 2004. MUSCLE: multiple sequence alignment with high accuracy and high throughput. Nucleic Acids Research 32(5): 1792–1797.
- Katoh, K. & Standley, D. M. 2013. MAFFT multiple sequence alignment software version 7: improvements in performance and usability. Molecular Biology and Evolution 30(4): 772–780.
- Kumar, S., Stecher, G., Suleski, M., Sanderford, M., Sharma, S. & Tamura, K. 2024. MEGA12: Molecular Evolutionary Genetic Analysis version 12 for adaptive and green computing. Molecular Biology and Evolution 41(12): msae263.
- Larkin, M. A., Blackshields, G., Brown, N. P., Chenna, R., McGettigan, P. A., McWilliam, H., Valentin, F., Wallace, I. M., Wilm, A., Lopez, R., Thompson, J. D., Gibson, T. J. & Higgins, D. G. 2007. Clustal W and Clustal X version 2.0. Bioinformatics 23(21): 2947–2948.
- Notredame, C., Higgins, D. G. & Heringa, J. 2000. T-Coffee: a novel method for fast and accurate multiple sequence alignment. Journal of Molecular Biology 302(1): 205–217.
- Paradis, E. & Schliep, K. 2019. ape 5.0: an environment for modern phylogenetics and evolutionary analyses in R. Bioinformatics 35: 526–528.