Árvore de espécies com o StarBEAST2

Árvore de espécies datada a partir de vários locos

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

Um aviso

Esta é uma análise de tutorial, montada para rodar em menos de meia hora. Ao longo do texto, os quadros “Na vida real” indicam o que faríamos diferente numa análise para publicação.

Introdução

Até aqui, todas as árvores da disciplina foram estimadas a partir de uma matriz concatenada, como se todos os genes tivessem a mesma história. Mas cada loco tem a sua própria genealogia, a árvore de genes, e ela nem sempre coincide com a história das espécies, a árvore de espécies. A principal razão é a separação incompleta de linhagens (incomplete lineage sorting): quando duas espécies se separam há pouco tempo, ou quando as populações ancestrais eram grandes, as cópias de um gene podem continuar misturadas por muitas gerações, e a árvore daquele gene pode mostrar um agrupamento diferente do das espécies (Degnan & Rosenberg 2009).

O modelo que descreve essa relação é o coalescente multiespécies: as árvores de genes evoluem “dentro” da árvore de espécies, como linhas dentro de tubos, e coalescem (se juntam num ancestral comum) mais depressa ou mais devagar dependendo do tamanho das populações. O StarBEAST2 (Ogilvie et al. 2017), um pacote do BEAST 2 (Bouckaert et al. 2019), estima ao mesmo tempo a árvore de cada loco e a árvore de espécies que melhor explica todas elas. Para isso, ele precisa saber a qual espécie pertence cada sequência, e é bom ter mais de um indivíduo por espécie.

Os dados desta prática são de Phyzelaphryninae, uma subfamília de rãzinhas de folhiço minúsculas com dois gêneros: Phyzelaphryne, da Amazônia, e Adelophryne, com espécies na Amazônia, no Escudo das Guianas e na Mata Atlântica (Fouquet et al. 2012). A filogenia do grupo mostrou três clados em Adelophryne, um no norte da Amazônia e dois na Mata Atlântica (norte e sul), e sugeriu que a subfamília surgiu na Amazônia e chegou à Mata Atlântica no início do Mioceno (Fouquet et al. 2012). São 14 espécies (12 de Adelophryne e 2 de Phyzelaphryne), de 1 a 4 indivíduos por espécie, e quatro locos: o 16S, mitocondrial, e três genes nucleares, tirosinase (Tyr), RAG1 e POMC. As sequências foram reunidas do GenBank; os números de acesso estão no seção Números de acesso do GenBank.

Instalação

  1. BEAST 2, Tracer e FigTree. Os mesmos do tutorial Árvore datada com o BEAST 2.7. O BEAST traz também o DensiTree, na mesma pasta do BEAUti.

  2. StarBEAST2. Abra o BEAUti, vá em File > Manage Packages, selecione starbeast2 e clique em Install/Upgrade. Feche e abra o BEAUti de novo para que o pacote seja carregado.

  3. R, com o pacote fitdistrplus (tutorial Árvore datada com o BEAST 2.7) e, para o desafio final, os pacotes phytools e phyloch (instruções no script desafio_arvore.R).

Os dados

Desta vez, cada loco fica num arquivo NEXUS separado, porque cada um terá a sua árvore. Os nomes das sequências seguem o padrão

A_baturitensis_JX298277        (16S)
A_baturitensis_JX298096_a      (genes nucleares, cópia a)
A_baturitensis_JX298096_b      (genes nucleares, cópia b)

com a inicial do gênero (A para Adelophryne, P para Phyzelaphryne), a espécie e um número de acesso do GenBank, que identifica o indivíduo. Nos genes nucleares, cada indivíduo aparece duas vezes, com _a e _b: são as duas cópias do gene (os dois alelos), separadas computacionalmente. O arquivo especies.dat é uma tabela com duas colunas, separadas por tabulação: o nome da sequência e a sua espécie.

  16S Tyr RAG1 POMC
Sequências 46 64 62 66
Sítios 583 471 504 495

Nem todas as espécies têm os quatro locos: falta a Tyr de A. amapaensis e o RAG1 de A. nordestina. O StarBEAST2 aceita isso, desde que cada espécie esteja em pelo menos um loco.

Montando a análise no BEAUti

O modelo StarBEAST2

Abra o BEAUti e vá em File > Template > StarBeast2. As abas mudam: aparecem Taxon sets, Gene Ploidy e Population Model, que não existem no modelo padrão.

Partitions

  1. Clique no botão +, no canto inferior esquerdo. Uma janela pergunta o que você quer adicionar: troque Add Morphological Data (a opção que vem marcada) por Import Alignment e clique em OK.

  2. Na pasta dados, selecione os quatro arquivos .nex (clique no primeiro e, com Ctrl, nos outros) e clique em Open. Não selecione o especies.dat: ele não é uma matriz.

  3. O BEAUti mostra uma linha para cada loco: 16S, POMC, RAG1 e Tyr, com o número de sequências (Taxa) e de sítios (Sites) da tabela acima.

Agora, os relógios. Para simplificar, os três genes nucleares vão compartilhar um único relógio; o 16S, que evolui bem mais rápido, terá o seu. Selecione as linhas POMC, RAG1 e Tyr (clique na primeira e, com Shift, na última) e clique em Link Clock Models. Para facilitar a leitura, renomeie esse relógio: clique no nome na coluna Clock Model de uma dessas linhas, apague, escreva nuclear e tecle Enter.

Não clique em Link Trees: cada loco deve ter a sua árvore de genes. Os modelos de substituição (Site Model) também ficam separados.

Na vida real. Os relógios não deveriam ser ligados: cada gene tem a sua própria taxa de evolução, e o ideal é deixar um relógio para cada loco. Ligamos os três genes nucleares só para a análise ter menos parâmetros e terminar no tempo da aula.

Taxon sets

Aqui dizemos ao StarBEAST2 a qual espécie pertence cada sequência. Clique em Guess, marque read from file, clique em Browse, escolha o especies.dat e clique em OK. A coluna Species/Population passa a mostrar a espécie de cada sequência. Role a lista para conferir que nenhuma linha ficou vazia: devem ser 14 espécies.

Tip Dates

Deixe como está.

Gene Ploidy

A ploidia indica quantas cópias de cada loco há em cada indivíduo, comparado com os outros locos. Ela importa porque o tempo até as cópias de um gene coalescerem depende do número de cópias na população. Nos genes nucleares, cada indivíduo tem duas cópias (ploidia 2, o padrão). O DNA mitocondrial é herdado só da mãe e tem uma cópia por indivíduo: o número efetivo de cópias na população é um quarto do de um gene nuclear. Por isso, troque a ploidia de geneTree.t:16S para 0.5; deixe os três genes nucleares em 2.0.

Population Model

Deixe Analytical Population Size Integration, o padrão. Com essa opção, o StarBEAST2 não estima o tamanho de cada população separadamente: ele “integra” sobre todos os valores possíveis, o que deixa a análise bem mais rápida. O único parâmetro de população que aparece no Tracer é a média, popMean.

Site Model

Desta vez, vamos usar o mesmo modelo nos quatro locos: HKY com variação de taxas entre sítios (Gama). Na lista da esquerda, clique em 16S e, no Gamma Site Model:

  1. desmarque estimate em Substitution Rate, que vem marcado, e deixe o valor em 1,0;

  2. em Gamma Category Count, digite 4 e marque estimate em Shape;

  3. em Subst Model, escolha HKY. Deixe Kappa com estimate marcado e Frequencies em Estimated.

Repita para POMC, RAG1 e Tyr. Se a caixa estimate de Substitution Rate voltar a se marcar sozinha, desmarque Automatic set fix mean substitution rate flag no menu Mode e desmarque a caixa de novo.

Por que não estimar a Substitution Rate? Ela é a taxa relativa de cada loco, e quem cuida das taxas aqui são os relógios (seção Clock Model). Se as duas forem estimadas ao mesmo tempo, os dados só “enxergam” o produto entre elas, e a cadeia não converge.

Na vida real. O ideal seria não fixar nada disso. Primeiro, deixar o bModelTest (Bouckaert & Drummond 2017) escolher o modelo de cada loco, como no tutorial Árvore datada com o BEAST 2.7. Segundo, estimar as taxas relativas dos genes nucleares: marcar estimate em Substitution Rate só em POMC, RAG1 e Tyr, deixando o 16S fixo em 1, para que cada gene nuclear tenha a sua taxa dentro do relógio compartilhado. Tiramos o bModelTest porque, nos nossos testes, vários parâmetros dele não convergiram em 107 gerações; e deixamos as taxas fixas para simplificar o passo a passo.

Clock Model

Usaremos o relógio estrito (Strict Clock), o padrão. Como no tutorial Árvore datada com o BEAST 2.7, o tempo vem de uma prior para a taxa do 16S, ajustada a quatro estimativas publicadas para anuros (Lemmon et al. 2007; Fouquet et al. 2012; Gehara et al. 2017; Dufresnes et al. 2022) pelo script ajuste_taxa.R: média 0,00483 substituições por sítio por milhão de anos, com meanlog = -5,374295 e sdlog = 0,304072. A taxa dos genes nucleares será estimada a partir dos dados.

  1. Na lista da esquerda, clique em 16S, digite 0.0048 em Clock.rate e marque estimate.

  2. Clique em nuclear, digite 0.001 em Clock.rate e marque estimate.

Se a caixa estimate estiver cinza, desmarque Automatic set clock rate no menu Mode e tente de novo.

Na vida real. Como no tutorial Árvore datada com o BEAST 2.7, um relógio relaxado seria mais realista numa árvore com dezenas de milhões de anos. O StarBEAST2 tem relógios relaxados próprios para a árvore de espécies (na lista de Clock Model), mas eles têm mais parâmetros e demoram mais para convergir.

Priors

  1. Deixe a prior da árvore de espécies no Yule Model, o padrão, e as priors de popMean.Species (1/X) e speciationRate.t:Species (Uniform) como estão.

  2. Taxa do 16S. Na linha strictClockRate.c:16S, troque a distribuição por Log Normal e clique no triângulo à esquerda do nome para abrir os detalhes. Desmarque Mean In Real Space, que vem marcado, e digite M = -5.374295 e S = 0.304072. O gráfico ao lado deve mostrar mediana 0,00463 e média 0,00485. Compare com o gráfico feito pelo script ajuste_taxa.R.

  3. Taxa nuclear. Na linha strictClockRate.c:nuclear, troque por Log Normal, desmarque Mean In Real Space e digite M = -6.907755 e S = 1.0. Esse M é o logaritmo de 0,001: a mediana da prior é 0,001, cerca de um quinto da taxa do 16S, porque genes nucleares codificantes evoluem bem mais devagar que o DNA mitocondrial. O desvio é grande (S = 1, intervalo de 95% de 0,00014 a 0,0071) porque não temos uma boa estimativa para esses genes: a prior só delimita a região, e quem decide são os dados. O fim do script ajuste_taxa.R calcula esses valores.

Por que desmarcar Mean In Real Space? Com a caixa marcada, o BEAUti interpreta M como a média da própria taxa, e não como a média do seu logaritmo, que é o que o fitdist calcula. Um M negativo, como o nosso, nem faz sentido como taxa.

MCMC

Deixe Chain Length em 10000000 (dez milhões de gerações), o padrão. Agora, o intervalo dos registros: clique no triângulo de cada registro (tracelog, speciesTreeLogger, screenlog e os quatro treelog, um para a árvore de cada loco) e troque Log Every de 5000 para 1000. Assim, cada arquivo terá 10.000 amostras. Salve o arquivo com File > Save As, com o nome Phyzelaphryninae.xml, na pasta pratica_starbeast.

Na vida real. Uma corrida só não basta. O certo é rodar pelo menos duas réplicas independentes, conferir no Tracer se elas chegam aos mesmos valores e se todos os parâmetros têm ESS acima de 200, e aumentar a cadeia se for preciso. Análises com mais espécies e locos podem precisar de centenas de milhões de gerações.

Rodando o BEAST

Abra o BEAST, escolha o arquivo Phyzelaphryninae.xml em Input file e clique em Run. A análise leva de 15 a 30 minutos, dependendo do computador. Ao terminar, a pasta terá seis arquivos novos:

  • starbeast.log: os valores dos parâmetros a cada 1000 gerações;

  • species.trees: as árvores de espécies, a cada 1000 gerações;

  • 16S.trees, Tyr.trees, RAG1.trees e POMC.trees: as árvores de genes, também a cada 1000 gerações.

Resultados

Tracer

Carregue o starbeast.log e olhe a coluna ESS: praticamente todos os valores devem passar de 200. A exceção mais comum são as verossimilhanças de alguns genes (treeLikelihood.16S, por exemplo), que podem ficar um pouco abaixo sem afetar a árvore de espécies. Veja também:

  • TreeHeight.Species: a idade da raiz da árvore de espécies, em milhões de anos;

  • strictClockRate.c:16S e strictClockRate.c:nuclear: as taxas dos dois relógios. Quantas vezes o 16S é mais rápido que os genes nucleares?

  • popMean.Species: o tamanho médio das populações, numa escala que combina tamanho populacional e tempo de geração.

DensiTree

Abra o DensiTree, vá em File > Load e escolha o species.trees. Ele desenha todas as árvores amostradas umas sobre as outras: onde elas concordam, as linhas se sobrepõem e formam um traço forte; onde discordam, se espalham numa “nuvem”. É uma forma rápida de ver em que partes da árvore há incerteza. Se quiser, faça o mesmo com as árvores de genes (por exemplo, 16S.trees) e compare.

TreeAnnotator

Como no tutorial Árvore datada com o BEAST 2.7: Burn in percentage 10, Maximum clade credibility tree e Mean heights. Em Input Tree File, escolha species.trees; em Output File, escreva Phyzelaphryninae.tre. Clique em Run.

FigTree

Abra o Phyzelaphryninae.tre e mostre, como no tutorial Árvore datada com o BEAST 2.7, a probabilidade posterior nos nós (Node Labels, posterior), as barras de 95% HPD das idades (Node Bars, height_95%_HPD) e o eixo de tempo invertido (Scale Axis, Reverse axis). Repare que, ao contrário das práticas anteriores, os terminais agora são espécies, e não sequências.

Desafio: a árvore no R

O FigTree é ótimo para explorar a árvore, mas, para uma figura de artigo, muita gente prefere o R, em que tudo fica registrado num script. O desafio_arvore.R desenha a árvore de espécies datada sobre as épocas geológicas, com as barras de 95% HPD das idades e um círculo em cada nó, preto para probabilidade posterior acima de 0,95 e cinza entre 0,5 e 0,95.

  1. Copie o desafio_arvore.R para a pasta onde está o Phyzelaphryninae.tre.

  2. Abra o script no RStudio e vá em Session > Set Working Directory > To Source File Location.

  3. Instale os pacotes (só na primeira vez), com as linhas indicadas no começo do script. O phyloch não está no CRAN: ele é instalado do GitHub, pelo pacote remotes.

  4. Rode o script. Ele mostra a árvore na tela e salva os arquivos Phyzelaphryninae.pdf e Phyzelaphryninae.svg.

Conseguiu? Então tente:

  1. trocar a cor das barras de HPD (col = adjustcolor("blue", ...)) para cinza;

  2. mudar o limite de 0,95 para 0,85 e ver quais nós mudam de cor;

  3. descobrir em que época geológica cada um dos três clados de Adelophryne começou a se diversificar.

Problemas comuns

  • File > Template não mostra StarBeast2. O pacote não foi instalado, ou o BEAUti não foi reaberto depois da instalação.

  • O BEAUti pergunta sobre dados morfológicos (Mkv). A opção Add Morphological Data ficou marcada ao clicar em +. Cancele e escolha Import Alignment. Se o BEAUti travar, feche e comece de novo.

  • Erro Unsupported sequence file. Algum arquivo que não é matriz (como o especies.dat) foi selecionado junto com os .nex. Feche a mensagem; as quatro matrizes são importadas mesmo assim.

  • A coluna Species/Population tem linhas vazias. O especies.dat foi editado e perdeu a tabulação, ou algum nome de sequência foi alterado.

  • A taxa do relógio não pode ser estimada. Desmarque Automatic set clock rate no menu Mode.

  • Aparece mutationRate no Tracer, com ESS baixo. A caixa estimate de Substitution Rate ficou marcada em algum loco (seção Site Model).

  • Não aparece kappa no Tracer. O modelo ficou no padrão, JC69: a escolha de HKY em Subst Model não foi feita em algum loco.

  • As idades saem enormes ou minúsculas. Mean In Real Space ficou marcado em alguma prior de taxa.

  • O BEAST avisa que o arquivo .log já existe. Rode a nova réplica em outra pasta, ou escolha a opção de sobrescrever.

Números de acesso do GenBank

Nos genes nucleares, cada número corresponde a um indivíduo, representado na matriz pelas suas duas cópias (_a e _b).

Espécie 16S Tyr RAG1 POMC
A. adiastola JX298299 JX298221 JX298167 JX298121
A. amapaensis JX298295 – JX298162 JX298116
A. baturitensis JX298277, JX298278, JX298279, JX298280 JX298197, JX298199, JX298201, JX298202 JX298145, JX298147, JX298149, JX298150 JX298096, JX298098, JX298100, JX298101
A. glandulata JX298287, JX298288, JX298289, MH304347 JX298208, JX298209, JX298210, JX298211 JX298154, JX298155 JX298107, JX298108, JX298109, JX298110
A. gutturosa JX298300, JX298301, JX298302 JX298222, JX298223, JX298224 JX298168, JX298169, JX298170 JX298122, JX298123, JX298124
A. maranguapensis JX298285, JX298286, KU495097, KU495098 JX298206, JX298207 JX298152, JX298153 JX298105
A. mucronata JX298291, JX298292, MH304341, MH304342 JX298213, JX298214 JX298158, JX298159 JX298112, JX298113
A. nordestina JX298284, MT731282, MT731283, MT731284 JX298205 – JX298104
A. pachydactyla JX298283, MH304343, MH304344, MH304345 JX298204 JX298151 JX298103
A. patamona JX298296, JX298297, JX298298 JX298218, JX298219, JX298220 JX298163, JX298164, JX298165, JX298166 JX298117, JX298118, JX298119, JX298120
A. sp. 4 JX298290, MH304348 JX298212 JX298157 JX298111
A. sp. 8 JX298293, JX298294, MH304333, MH304334 JX298215, JX298216 JX298160, JX298161 JX298114, JX298115
P. miriamae EU186689, JX298303, JX298304, JX298305 JX298225, JX298226, JX298228, JX298229 JX298171, JX298172, JX298174, JX298175 JX298125, JX298126, JX298128, JX298129
P. nimio JX298308, JX298309, JX298310, JX298311 JX298230, JX298231, JX298233, JX298235 JX298176, JX298177, JX298179, JX298181 JX298130, JX298131, JX298133, JX298134

</div>

Referências

  • Bouckaert, R. et al. 2019. BEAST 2.5: an advanced software platform for Bayesian evolutionary analysis. PLoS Computational Biology 15(4): e1006650.
  • Bouckaert, R. R. & Drummond, A. J. 2017. bModelTest: Bayesian phylogenetic site model averaging and model comparison. BMC Evolutionary Biology 17: 42.
  • Degnan, J. H. & Rosenberg, N. A. 2009. Gene tree discordance, phylogenetic inference and the multispecies coalescent. Trends in Ecology & Evolution 24(6): 332–340.
  • Dufresnes, C. et al. 2022. Shedding light on taxonomic chaos: diversity and distribution of South Asian skipper frogs (Anura, Dicroglossidae, Euphlyctis). Systematics and Biodiversity 20(1): 2102686.
  • Fouquet, A., Loebmann, D., Castroviejo-Fisher, S., Padial, J. M., Orrico, V. G. D., Lyra, M. L., Roberto, I. J., Kok, P. J. R., Haddad, C. F. B. & Rodrigues, M. T. 2012. From Amazonia to the Atlantic forest: molecular phylogeny of Phyzelaphryninae frogs reveals unexpected diversity and a striking biogeographic pattern emphasizing conservation challenges. Molecular Phylogenetics and Evolution 65(2): 547–561.
  • Fouquet, A., Noonan, B. P., Rodrigues, M. T., Pech, N., Gilles, A. & Gemmell, N. J. 2012. Multiple Quaternary refugia in the eastern Guiana Shield revealed by comparative phylogeography of 12 frog species. Systematic Biology 61(3): 461–489.
  • Gehara, M., Barth, A., Oliveira, E. F., Costa, M. A., Haddad, C. F. B. & Vences, M. 2017. Model-based analyses reveal insular population diversification and cryptic frog species in the Ischnocnema parva complex in the Atlantic forest of Brazil. Molecular Phylogenetics and Evolution 112: 68–78.
  • Lemmon, E. M., Lemmon, A. R. & Cannatella, D. C. 2007. Geological and climatic forces driving speciation in the continentally distributed trilling chorus frogs (Pseudacris). Evolution 61(9): 2086–2103.
  • Ogilvie, H. A., Bouckaert, R. R. & Drummond, A. J. 2017. StarBEAST2 brings faster species tree inference and accurate estimates of substitution rates. Molecular Biology and Evolution 34(8): 2101–2114.
  • Werneck, F. P. et al. 2023. Tutoriais: Filogeografia Estatística e Adaptação Ambiental. Repositório Institucional do INPA. https://repositorio.inpa.gov.br/handle/1/40376.