Máxima verossimilhança com dados de RAD-seq no IQ-TREE 3

Matriz completa, SNPs e fatores de concordância em Pedicularis

Tutorial da disciplina de pós-graduação Métodos Computacionais em Sistemática e Filogeografia.

O roteiro

Vamos estimar a filogenia das 13 amostras de Pedicularis por máxima verossimilhança no IQ-TREE 3 (Wong et al. 2025), com três matrizes que o ipyrad gerou a partir dos mesmos dados, e comparar o que cada uma mostra. No fim, vamos medir o conflito entre os sítios com os fatores de concordância de sítio.

Programas

IQ-TREE 3 e FigTree.

Antes de começar: o tutorial do ipyrad

Esta prática parte das saídas do tutorial do ipyrad com os dados de RAD-seq de Pedicularis (13 amostras, Eaton & Ree (2013)), feito antes desta prática: https://ipyrad.readthedocs.io/en/master/pedicularis_.html. Três avisos sobre aquele tutorial:

  1. O download pode falhar. O ipyrad --download usa o fastq-dump do sra-tools, e o ambiente do ipyrad pode vir com uma versão de 2019 (2.9.6), que não lê o formato atual dos arquivos do NCBI. O erro aparece como rcColumn, rcNotFound. Para consertar, dentro do ambiente do ipyrad:

    conda install -c conda-forge -c bioconda "sra-tools>=3"
    fastq-dump --version
    

    A versão deve começar com 3. Apague os arquivos .sra que tiverem sobrado na pasta e rode o ipyrad --download de novo.

  2. O arquivo de SNPs mudou de nome. Quando o tutorial manda olhar o pedicularis.snps.phy, na versão atual do ipyrad o arquivo é o pedicularis.snps (o mesmo formato PHYLIP, só sem o .phy no nome).

  3. Cuidado com os parâmetros 25 e 26. O tutorial muda o 26 (trim_loci) para 0, 5, 0, 0. O 25 (trim_reads), logo acima, tem o mesmo formato: se o valor for parar nele, cada sequência é cortada para 5 pb e o passo 2 descarta todas (No reads passed filtering).

Introdução

As três matrizes

O ipyrad escreve a mesma informação de vários jeitos. Vamos usar três:

Arquivo O que tem Correção +ASC?
pedicularis.phy todos os sítios de todos os loci, concatenados não
pedicularis.snps só os sítios variáveis: todos os SNPs de cada locus sim
pedicularis.usnps um SNP sorteado por locus (unlinked) sim

Por que corrigir

Uma matriz só de SNPs não tem sítios invariáveis, porque eles foram tirados. Se o modelo não souber disso, ele interpreta “todo sítio variou” como uma taxa de substituição altíssima, e os ramos saem longos demais. A correção do viés de averiguação (ascertainment bias correction, +ASC no IQ-TREE (Lewis 2001)) calcula a verossimilhança de cada sítio sabendo que ele é variável: divide a verossimilhança do sítio pela probabilidade de um sítio qualquer ser variável,

\[L_i^{\text{ASC}} = \frac{L_i}{1 - \left[L(\text{AAA}\ldots) + L(\text{CCC}\ldots) + L(\text{GGG}\ldots) + L(\text{TTT}\ldots)\right]},\]

em que L(AAA…) é a verossimilhança de uma coluna com A em todas as amostras.

Por que olhar além do bootstrap

Com centenas de milhares de sítios, o bootstrap ultrarrápido (UFBoot) (Hoang et al. 2018) tende a dar 100 em quase todo nó, mesmo onde há conflito real entre os sítios (por separação incompleta de linhagens, por exemplo). O fator de concordância de sítio (sCF) (Minh et al. 2020; Mo et al. 2023) mede outra coisa: a porcentagem dos sítios informativos que apoiam cada ramo, contra as duas alternativas. Vamos calcular os dois.

Instalação e arquivos

O IQ-TREE 3

Os executáveis estão em https://iqtree.github.io, e o programa se chama iqtree3. Use a versão 3.1.4 ou mais nova: foi a versão testada neste tutorial. Como as saídas do ipyrad estão no Linux (ou no WSL) ou no Mac, instale-o no mesmo lugar: baixe o arquivo do seu sistema (por exemplo, iqtree-3.1.4-Linux-intel.tar.gz no Linux e no WSL) e descompacte com tar xzf seguido do nome do arquivo. O programa é o iqtree3 da pasta bin.

O PATH

Até aqui, rodamos programas baixados com ./, de dentro da pasta onde eles estão. O jeito mais prático é colocá-los numa pasta onde o terminal sempre procura comandos. Essa lista de pastas é a variável de ambiente PATH; veja quais são com

echo $PATH

A pasta /usr/local/bin está nessa lista no Linux, no WSL e no Mac. Mova o iqtree3 para lá (o sudo pede a senha de administrador; no WSL, é a senha que você criou ao instalar o Ubuntu):

sudo mkdir -p /usr/local/bin
sudo mv iqtree-3.1.4-Linux-intel/bin/iqtree3 /usr/local/bin/
iqtree3 --version

O primeiro comando só cria a pasta, se ela ainda não existir (nos Macs com chip Apple, ela às vezes não existe). No segundo, troque iqtree-3.1.4-Linux-intel pelo nome da pasta que saiu do arquivo do seu sistema. No Mac, antes do mv, rode xattr -d com.apple.quarantine seguido do caminho do iqtree3, para tirar o bloqueio que o Mac põe em programas baixados. Agora o iqtree3 funciona de qualquer pasta.

Os arquivos

Crie uma pasta para a prática e copie para ela as três matrizes, que ficam na pasta de saídas do ipyrad (ou use as da pasta da prática):

mkdir iqtree
cp analysis-ipyrad/pedicularis_outfiles/pedicularis.phy iqtree/
cp analysis-ipyrad/pedicularis_outfiles/pedicularis.snps iqtree/
cp analysis-ipyrad/pedicularis_outfiles/pedicularis.usnps iqtree/
cd iqtree

O grupo externo

As duas amostras de P. przewalskii enraízam as árvores. Os nomes vêm com o número do SRA, e o IQ-TREE recebe os dois separados por vírgula, sem espaço:

-o 32082_przewalskii_SRR1754729,33588_przewalskii_SRR1754727

Para conferir os nomes, olhe o começo de cada linha do pedicularis.snps com cut -c1-40 pedicularis.snps.

Os comandos

Os comandos abaixo terminam algumas linhas com \: é o jeito de quebrar um comando longo em várias linhas no terminal. Pode copiar assim mesmo, ou digitar tudo numa linha só, sem as barras.

Análise 1: a matriz completa

A primeira árvore usa todos os sítios e serve de referência para as outras duas. O IQ-TREE busca a árvore de máxima verossimilhança e calcula o UFBoot com 1.000 réplicas (-B 1000):

iqtree3 -s pedicularis.phy -st DNA -m GTR+I+G4 -B 1000 -T AUTO \
  -o 32082_przewalskii_SRR1754729,33588_przewalskii_SRR1754727 \
  --prefix completo --seed 2026
  • -st DNA: avisa que os dados são DNA. Sem isso, o IQ-TREE para com o erro cannot confidently detect the sequence data type: a matriz tem tantos N (dados faltantes) e códigos de ambiguidade (os heterozigotos) que ele não tem certeza de que é DNA.

  • -m GTR+I+G4: o modelo de substituição, fixado. Nas Análises 2 e 3, o IQ-TREE vai escolher o modelo sozinho, com o ModelFinder (Kalyaanamoorthy et al. 2017); aqui, com 2,8 milhões de colunas, a escolha levaria horas. Usamos o modelo mais geral, o GTR, com variação de taxas entre sítios (+G4) e uma proporção de sítios invariáveis (+I), já que quase todos os sítios da matriz são constantes.

  • -T AUTO: o IQ-TREE escolhe quantos núcleos do processador usar.

  • --prefix: o começo do nome de todos os arquivos de saída.

  • --seed: a semente dos números aleatórios, para todos chegarem ao mesmo resultado.

Esta é a análise mais demorada da prática: deixe-a rodando e, enquanto isso, faça as Análises 2 e 3 em outra janela do terminal. Os principais arquivos de saída:

  • completo.iqtree: o relatório, com o modelo escolhido, o logaritmo da verossimilhança, o comprimento total da árvore e a árvore desenhada em texto;

  • completo.treefile: a árvore de máxima verossimilhança, com o UFBoot em cada nó;

  • completo.log: tudo o que apareceu na tela.

Abra o completo.treefile no FigTree, enraíze nos dois P. przewalskii e mostre os rótulos dos nós (Node Labels).

Questão 1. No completo.iqtree, quantos sítios a matriz tem? Quantos são constantes, quantos são informativos para parcimônia (parsimony-informative) e quantos são singletons? Qual proporção de sítios invariáveis o modelo estimou (Proportion of invariable sites)? Compare com a proporção de sítios constantes.

Questão 2. As amostras da mesma espécie formam clados? Quantos nós têm UFBoot abaixo de 95 (o limite que a documentação do IQ-TREE sugere)?

Análise 2: só os SNPs, com +ASC

Agora a matriz só de SNPs. O +ASC no fim do -m MFP faz o ModelFinder testar só modelos com a correção:

iqtree3 -s pedicularis.snps -st DNA -m MFP+ASC -B 1000 -T AUTO \
  -o 32082_przewalskii_SRR1754729,33588_przewalskii_SRR1754727 \
  --prefix snps --seed 2026

O erro esperado

O IQ-TREE vai parar logo no começo, com esta mensagem:

ERROR: For your convenience alignment with variable sites printed to snps.varsites.phy
ERROR: Invalid use of +ASC because of 33197 invariant sites in the alignment

Mas o ipyrad não tinha tirado os sítios invariáveis? Tinha, só que “variável” não quer dizer a mesma coisa para os dois programas. Para o ipyrad, um sítio onde uma amostra é heterozigota (R, por exemplo, que é A ou G) já tem um SNP. Para o +ASC, a coluna só é variável se não puder ser explicada por uma única base: uma coluna só com A, R e N pode ser toda de A, e conta como invariável.

O IQ-TREE já resolve: junto com o erro, ele grava um alinhamento só com as colunas realmente variáveis, no arquivo snps.varsites.phy (o nome vem do --prefix). Rode de novo com ele:

iqtree3 -s snps.varsites.phy -st DNA -m MFP+ASC -B 1000 -T AUTO \
  -o 32082_przewalskii_SRR1754729,33588_przewalskii_SRR1754727 \
  --prefix snps --seed 2026 -redo

O -redo é importante. A tentativa que deu erro deixou um arquivo de checkpoint (snps.model.gz), e, sem o -redo, o IQ-TREE tenta aproveitá-lo, mesmo ele sendo de outro alinhamento. Dependendo da versão, isso faz o programa travar no meio do ModelFinder, com um erro Assertion ... failed e IQ-TREE CRASHES WITH SIGNAL ABORTED. O -redo manda ignorar o checkpoint e começar do zero.

Questão 3. Quantas colunas o IQ-TREE tirou? Que fração das colunas do pedicularis.snps isso representa? Compare o número de colunas que sobraram com o número de sítios variáveis da Análise 1 (informativos mais singletons).

Questão 4. Qual modelo o ModelFinder escolheu, e por qual critério? Compare o comprimento total da árvore (no .iqtree) com o da Análise 1. Por que eles são tão diferentes, se os dados são os mesmos?

Questão 5. (Opcional.) Rode a Análise 2 sem a correção, com o modelo que o ModelFinder escolheu, mas sem o +ASC (para não esperar o ModelFinder de novo):

iqtree3 -s snps.varsites.phy -st DNA -m TVM+G4 -B 1000 -T AUTO \
  -o 32082_przewalskii_SRR1754729,33588_przewalskii_SRR1754727 \
  --prefix snps_sem_asc --seed 2026

(Se o seu ModelFinder tiver escolhido outro modelo, use o seu, sem o +ASC.) O que acontece com o comprimento total da árvore? E com a topologia?

Análise 3: um SNP por locus

Os SNPs de um mesmo locus estão a poucas dezenas de pares de bases uns dos outros e, quase sempre, compartilham a mesma história genealógica. Na matriz de todos os SNPs, um locus com dez SNPs pesa dez vezes mais que um locus com um. O pedicularis.usnps guarda um SNP sorteado por locus, mais perto da ideia de sítios independentes que o modelo assume:

iqtree3 -s pedicularis.usnps -st DNA -m MFP+ASC -B 1000 -T AUTO \
  -o 32082_przewalskii_SRR1754729,33588_przewalskii_SRR1754727 \
  --prefix usnps --seed 2026

O mesmo erro do +ASC vai aparecer: rode de novo com o usnps.varsites.phy, como na Análise 2, sem esquecer o -redo:

iqtree3 -s usnps.varsites.phy -st DNA -m MFP+ASC -B 1000 -T AUTO \
  -o 32082_przewalskii_SRR1754729,33588_przewalskii_SRR1754727 \
  --prefix usnps --seed 2026 -redo

Questão 6. Quantas colunas tem a matriz final, comparada à da Análise 2? O que aconteceu com os valores de UFBoot? A topologia mudou?

Comparando as árvores

As topologias

A distância de Robinson-Foulds (RF) conta quantos clados estão numa árvore e não na outra; 0 quer dizer a mesma topologia. Junte as três árvores num arquivo e peça ao IQ-TREE as distâncias entre todos os pares:

cat completo.treefile snps.treefile usnps.treefile > tres_arvores.tre
iqtree3 -t tres_arvores.tre -rf_all

As distâncias ficam no tres_arvores.tre.rfdist, numa matriz em que as árvores aparecem na ordem do arquivo (Tree0 é a da matriz completa, Tree1 a dos SNPs e Tree2 a de um SNP por locus).

Os números

Preencha com os relatórios (.iqtree) das três análises:

  Completa Todos os SNPs Um SNP por locus
Colunas analisadas      
Modelo GTR+I+G4    
Comprimento total da árvore      
Nós com UFBoot < 95      
Distância RF até a completa 0    

Questão 7. Onde estão as diferenças entre as três árvores? Elas aparecem em nós com UFBoot alto ou baixo?

O fator de concordância de sítio

Na árvore da matriz completa, vamos calcular o sCF de cada ramo. Para cada ramo, o IQ-TREE sorteia 100 quartetos de amostras em volta dele e, em cada quarteto, vê quais sítios apoiam o ramo e quais apoiam cada uma das duas alternativas. A árvore (-te) e o modelo são os da Análise 1:

iqtree3 -te completo.treefile -s pedicularis.phy -st DNA -m GTR+I+G4 \
  --scfl 100 -T AUTO --prefix concord --seed 2026
  • concord.cf.tree: a árvore com o UFBoot e o sCF em cada nó, separados por uma barra (por exemplo, 100/44.6);

  • concord.cf.stat: uma tabela com uma linha por ramo, com o sCF e os dois fatores de discordância, sDF1 e sDF2 (a porcentagem dos sítios que apoiam cada alternativa), e o número médio de sítios informativos por quarteto (sN);

  • concord.cf.branch: a mesma árvore, com o número de cada ramo (a coluna ID do concord.cf.stat) no lugar dos suportes.

Abra o concord.cf.tree e o concord.cf.branch no FigTree, lado a lado, para saber a que ramo corresponde cada linha da tabela. (A árvore sai sem raiz: enraíze nos dois P. przewalskii, como antes.)

Como ler

Em volta de cada ramo, há três arranjos possíveis dos quatro grupos de amostras. Um sCF perto de 33% quer dizer que os sítios não preferem o ramo da árvore a nenhuma das alternativas; um sCF bem acima disso quer dizer que a maioria dos sítios concorda com ele. Um ramo pode ter UFBoot de 100 e sCF de 40%: é o mais apoiado dos três arranjos, mas com muito conflito. Os dois fatores de discordância também contam uma história: se sDF1 e sDF2 são parecidos, o conflito é o esperado pela separação incompleta de linhagens; se um é bem maior que o outro, um dos arranjos alternativos tem apoio demais, e isso pode indicar fluxo gênico entre as linhagens desse arranjo.

Questão 8. Quais ramos têm UFBoot alto (95 ou mais) e sCF abaixo de 50%? Eles estão entre espécies ou entre amostras da mesma espécie?

Questão 9. Para esses ramos, sDF1 e sDF2 são parecidos ou um é bem maior que o outro? O que isso sugere?

Na vida real

Um segundo suporte

O UFBoot é rápido e, com modelos adequados, bem calibrado: um clado com 95 é verdadeiro em cerca de 95% dos casos. Mas ele pode superestimar o apoio quando o modelo está errado. Por isso, a documentação do IQ-TREE recomenda calcular junto o SH-aLRT (-alrt 1000) (Guindon et al. 2010), um teste que compara cada ramo com os dois arranjos alternativos em volta dele, reamostrando os sítios. Os dois saem no mesmo rótulo do nó (SH-aLRT/UFBoot), e um clado é considerado confiável quando o SH-aLRT é pelo menos 80 e o UFBoot pelo menos 95. Numa análise para publicação, rodaríamos sempre os dois.

A escolha do modelo

Na Análise 1, fixamos o GTR+I+G4 porque o ModelFinder levaria horas numa matriz de 2,8 milhões de colunas. Numa análise para publicação, escolheríamos o modelo mesmo assim, deixando o computador trabalhar ou limitando os modelos testados (por exemplo, só variação de taxas por gama, com -mrate G,I+G).

Além da concatenação

Uma árvore de máxima verossimilhança de dados concatenados assume que todos os loci têm a mesma história. Com RAD-seq de espécies próximas, isso raramente é verdade, e o sCF mostra o tamanho do conflito. Numa análise para publicação, complementaríamos com métodos de árvore de espécies que lidam com essa discordância, como o SVDquartets ou o tetrad (das ferramentas de análise do ipyrad). O fator de concordância de gene (gCF) exigiria uma árvore por locus, e os loci de RAD-seq (cerca de 70 pb aqui) são curtos demais para dar árvores informativas.

Referências

  • Eaton, D. A. R. & Ree, R. H. 2013. Inferring phylogeny and introgression using RADseq data: an example from flowering plants (Pedicularis: Orobanchaceae). Systematic Biology 62: 689–706.
  • Guindon, S., Dufayard, J.-F., Lefort, V., Anisimova, M., Hordijk, W. & Gascuel, O. 2010. New algorithms and methods to estimate maximum-likelihood phylogenies: assessing the performance of PhyML 3.0. Systematic Biology 59: 307–321.
  • Hoang, D. T., Chernomor, O., von Haeseler, A., Minh, B. Q. & Vinh, L. S. 2018. UFBoot2: improving the ultrafast bootstrap approximation. Molecular Biology and Evolution 35: 518–522.
  • Kalyaanamoorthy, S., Minh, B. Q., Wong, T. K. F., von Haeseler, A. & Jermiin, L. S. 2017. ModelFinder: fast model selection for accurate phylogenetic estimates. Nature Methods 14: 587–589.
  • Lewis, P. O. 2001. A likelihood approach to estimating phylogeny from discrete morphological character data. Systematic Biology 50: 913–925.
  • Minh, B. Q., Hahn, M. W. & Lanfear, R. 2020. New methods to calculate concordance factors for phylogenomic datasets. Molecular Biology and Evolution 37: 2727–2733.
  • Mo, Y. K., Lanfear, R., Hahn, M. W. & Minh, B. Q. 2023. Updated site concordance factors minimize effects of homoplasy and taxon sampling. Bioinformatics 39: btac741.
  • Wong, T. K. F., Ly-Trong, N., Ren, H. et al. 2025. IQ-TREE 3: phylogenomic inference software using complex evolutionary models. Preprint, EcoEvoRxiv, doi:10.32942/X2P62N.