O que realmente acontece quando você estuda evolução na prática
A maioria dos materiais sobre evolução das espécies para por aí com definições de livro didático, como se fosse algo parado no tempo. A realidade é outra. O conceito descreve como populações mudam ao longo de gerações por seleção natural, deriva genética, mutação e fluxo gênico, mas aplicar isso no dia a dia exige lidar com dados imperfeitos, modelos incompletos e decisões que dependem mais do contexto do que de fórmulas mágicas. Eu já processei arquivos FASTA com centenas de sequências de genes ribossomais e tive que montar árvores filogenéticas onde os branching patterns simplesmente não faziam sentido à primeira vista. O problema não era o software. Era a escolha do modelo de substituição. Usei ModelTest-NG para rodar testes de likelihood e descobri que um modelo JTT+G substituía o WAG+I que eu tinha aplicado por padrão, e isso mudou completamente a topologia da árvore em três nodes críticos. Sem esse passo, minha conclusão sobre relações evolutivas entre duas linhagens de fungos estava errada.
Como montar uma análise básica de evolução das espécies
Vamos direto ao procedimento. O primeiro passo é sempre o alinhamento de sequência. Pegue seus genes de interesse, alinhados com MUSCLE ou MAFFT, e depois revise manualmente no AliView. Você vai encontrar regiões de baixa qualidade que precisam ser cortadas, senão elas distorcem a inferência filogenética inteira. Eu costumo usar o Gblocks para remover posições ambíguas automaticamente, mas em alguns conjuntos de dados com alta divergência ele remove tanta informação que acaba piorando a resolução. Nesses casos, prefiro o trimAl com parâmetros menos agressivos. Depois do alinhamento limpo, escolha o modelo evolutivo. Rodar o iqtree com a flag -m MFP leva cerca de dois minutos em um laptop moderno para conjuntos de até 200 sequências. O resultado geralmente indica um modelo com gamma de proporções de sítios e, se houver muitos gaps, um parâmetro de invariantes. Não ignore esse passo. Colocar um modelo errado é um dos erros mais comuns em análises filogenéticas e pode levar a suportes de bootstrap inflados de forma enganosa.
A inferência em si normalmente usa maximum likelihood. O IQ-TREE consegue calcular valores de SH-aLRT e bootstrap ultrafast em paralelo, o que reduz o tempo de uma análise completa de várias horas para uns vinte minutos, dependendo do tamanho do dataset. Para conjuntos maiores, above 500 sequências, o tempo sobe para cerca de uma hora em hardware padrão. O RAxML-NG é uma alternativa sólida se você precisar de maior escalabilidade, mas a curva de aprendizado é um pouco mais íngreme. Para visualizar os resultados, o FigTree ainda funciona para árvores simples, mas eu recomendo o iTOL. Ele permite carregar anotações de metadata diretamente, como habitat, taxa de substituição estimada e datas de divergência, e gera figuras prontas para publicação sem dor de cabeça. Leva uns dez minutos para configurar tudo direito na primeira vez.
Pegadinhas que ninguém conta nos tutoriais
O viés de composição é um problema silencioso em dados moleculares. Organismos com alto conteúdo GC podem agrupar artificialmente juntos em árvores porque o modelo de substituição padrão não lida bem com essa assimetria. Se você estiver trabalhando com bactérias ou archaea, verifique a homogeneidade de composição com o teste Chi-square no IQ-TREE (-test). Se o p-valor for menor que 0.05, considere usar modelos específicos como CAT no PhyloBayes, embora isso aumente drasticamente o tempo computacional. O outro problema frequente é a atração de ramos longos. Quando duas linhagens acumulam muitas substitutions de forma independente, o algoritmo tende a juntá-las erroneamente. Isso é particularmente comum em estudos que comparam espécies muito distantes evolutivamente. Uma saída prática é remover ou subamostrar os ramos mais longos antes da análise final, ou usar métodos de Bayesian inference com priors mais rigorosos. Eu já perdi dois dias de trabalho porque não tinha identificado esse artefato em um dataset de protozoários marinhos, e a árvore resultante tinha uma topologia que contradizia o conhecimento estabelecido da literatura.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Também é importante entender que o bootstrap não mede a verdade de um node, apenas a robustosidade dos dados frente a reamostragem. Um valor de 95% não significa 95% de chance de o clado estar correto. Significa que, em 95% das reamostragens dos dados, aquele grupo apareceu. A diferença é sutil mas fundamental para interpretar resultados corretamente, e a maioria dos artigos publishes trata esses números de forma imprudente.
Divergência temporal e datação molecular
Quando o objetivo é estimar quando linhagens se separaram, você precisa de calibração. Fósseis são a fonte mais confiável, mas a disponibilidade varia enormemente entre grupos. Para microorganismos, por exemplo, o registro fóssil é quase inexistente, e pesquisadores frequentemente usam relógios moleculares com taxas fixas derivadas de estudos anteriores. Isso funciona, mas introduz uma camada de incerteza que raramente é discutida nos papers. O BEAST2 é a ferramenta padrão para datação com relógio relajado. Configure os priors de idade com base em evidências fósséis ou biogeográficas, escolha um modelo de relógio (lognormal relaxado costuma ser uma aposta segura), e rode pelo menos três cadeias de Markov independentes. A convergência dos parâmetros deve ser verificada no Tracer antes de qualquer interpretação. Se a ESS estiver abaixo de 200 para os parâmetros principais, aumente o comprimento da cadeia. Uma análise típica com 100 sequências e 5 parâmetros de calibração leva entre 6 e 12 horas em um processador de 8 núcleos.
Um ponto que muitos não consideram: a escolha do locus importa muito para datação. Genes de transferência horizontal de material genético, comuns em bactérias, podem dar idades completamente distorcidas se incluídos sem criterious. Filtrar esses genes usando detecção de HGT antes da análise de datação economiza tempo e evita conclusões equivocadas. Eu desenvolvi um pipeline baseado em comparação de trees individual versus concatenada que identifica loci suspeitos em cerca de quinze minutos por gene.
Quando a análise tradicional falha
Nem toda pergunta evolutiva se responde bem com filogenia de sequências de DNA. Quando você trabalha com caracteres morfológicos, como em estudos paleontológicos, o cenário muda completamente. A codificação de caracteres é subjetiva, os homoplasias são frequentes, e métodos de maximum likelihood são menos desenvolvidos para dados discretos morfológicos. O Mesquite ainda é a ferramenta mais usada nesse campo, mas a reprodutibilidade das análises deixa muito a desejar porque os processos de codificação raramente são documentados com detalhe suficiente. Outro cenário de falha é quando a população não está em equilíbrio de Hardy-Weinberg e fatores como seleção direcional forte ou estrutura populacional muito marcada estão ativos. Nesses casos, árvores em forma de estrela são comuns e a resolução dos nodes internos simplesmente não existe nos dados. Forçar uma topologia nesses casos é pior do que admitir que o sinal filogenético é fraco. O índice de fit do Parsimônia pode ajudar a quantificar isso rapidamente.
Se você está começando agora e quer baixar softwares, o IQ-TREE está disponível gratuitamente para fins acadêmicos em iqtree.org, o BEAST2 no beast.community, e o AliView é open source em imcba.g.se.uu.se/alview. Todas essas ferramentas funcionam em Linux, macOS e Windows, embora a instalação no Windows às vezes demande um ou dois troubleshootings extras com dependências de bibliotecas. O campo da evolução das espécies avança rápido, especialmente com a chegada de métodos que incorporam coalescência e redes filogenéticas em vez de árvores simples. Estudar essas abordagens modernas vale a pena se seu trabalho envolve hibridização ou introgressão, que são muito mais comuns do que se pensava anteriormente, especialmente em plantas e peixes de água doce.
