A árvore e os dados

Aula 1 · Métodos Filogenéticos Comparativos · PPGBA/UFMS

Diogo B. Provete

Hoje

0. Antes de começar: as leituras
1. O que é uma filogenia
2. Como escrever uma árvore
3. De onde vem a árvore
4. Como obter uma árvore
5. Dados de atributos
6. Desenho de estudos comparativos
7. A forma da árvore

Onde estamos

0. Antes de começar: as leituras

A árvore e os dados

Três perguntas, três leituras

1. Por que espécies não são pontos independentes numa análise?

Porque compartilham ancestrais: parte da semelhança entre elas é herança, não resposta independente ao ambiente (Cornwallis & Griffin 2024).

2. Que tipos de pergunta os métodos comparativos respondem?

Padrão, processo, história e relação entre atributos (O’Meara 2012).

3. Como os métodos ajudam a inferir adaptação e mecanismo?

Separando o que é parentesco do que é associação com o ambiente ou com outro atributo (Rezende & Diniz-Filho 2012).

Cornwallis & Griffin (2024), Annu. Rev. Ecol. Evol. Syst. 55: 181–204; O’Meara (2012), Annu. Rev. Ecol. Evol. Syst. 43: 267–285; Rezende & Diniz-Filho (2012), Compr. Physiol. 2: 639–674.

Métodos filogenéticos comparativos

Métodos estatísticos que usam o parentesco entre as espécies para testar hipóteses evolutivas sobre seus atributos. Uma diferença importante: obter uma filogenia × usar uma filogenia.

Perguntas comuns:

• Qual o padrão filogenético de um atributo?
• Sob que processo e em que velocidade ele evolui?
• Qual a correlação dele com outros atributos ou com o ambiente?

O mapa dos métodos (O’Meara 2012) organiza o curso por essas perguntas.

O problema do parentesco comum

r = -0,72, p < 0,001: X e Y parecem associados.

O problema do parentesco comum

Mas X e Y foram simulados independentes: a “associação” vem só da diferença entre os dois clados, que se separaram cedo.

Espécies não são independentes

• Espécies próximas são mais parecidas

• Tratá-las como independentes (a estrela) infla os graus de liberdade

Uma breve história

Cheverud, Dow & Leutenegger (1985); Felsenstein (1985); Grafen (1989); Harvey & Pagel (1991), Oxford University Press; Nunn (2011), University of Chicago Press; Garamszegi (2014), Springer; Revell & Harmon (2022). Curso de Sevilha (2014): mpcm-evolution.com.

Além da biologia: evolução cultural

Pergunta	Estudo
Como a Polinésia foi colonizada? Árvore das línguas austronésias	Gray, Drummond & Greenhill (2009), Science
A complexidade política sobe e desce aos poucos ou aos saltos?	Currie et al. (2010), Nature
Quão antigos são os contos populares indo-europeus?	da Silva & Tehrani (2016), R. Soc. Open Sci.
A história cultural prediz mudanças políticas e econômicas das nações?	Matthews et al. (2016), PLOS ONE

Os mesmos métodos que vamos usar, aplicados a línguas e culturas.

1. O que é uma filogenia

A árvore e os dados

O que uma filogenia representa?

Relações de parentesco em escalas diferentes:

indivíduos → famílias → populações → espécies

Uma filogenia (entre espécies) é a genealogia em escala de espécies: quem compartilha ancestrais mais recentes com quem. Ver Scitable, Reading a phylogenetic tree.

Da genealogia à filogenia

As linhagens se juntam primeiro dentro de cada população (monofilia recíproca); a árvore das populações resume as genealogias.

Simulação de Wright-Fisher. Ideia do painel A da Fig. 5.5 de Introduction to Population Genetics (Sinauer, 2013), reproduzida por S. Carr, Memorial University.

Partes de uma árvore

Enraizando a árvore

Raiz no ramo de A: A não é mais aparentado a B do que a C ou D. Raiz no ramo central: A é irmão de B, e os dois são grupo-irmão de C e D. A raiz muda a leitura.

Politomias

• Politomia: um nó (ancestral comum) com mais de dois descendentes
• Soft: os dados não discriminam a ordem das divergências (divergência rápida)
• Hard: a politomia é real, em geral uma “explosão” de espécies

Cladograma, filograma, cronograma

Cladograma: só as relações (e, opcionalmente, as sinapomorfias). Filograma: comprimentos = divergência. Cronograma: comprimentos = tempo (milhões de anos); árvore ultramétrica, obtida com um relógio molecular.

Suporte dos nós

Bootstrap (qualquer critério), Bremer (MP), probabilidade posterior (inferência bayesiana). Aqui: NJ com distância K80 nas 15 sequências de ape::woodmouse, 100 réplicas; nós com bootstrap ≥ 50.

2. Como escrever uma árvore

A árvore e os dados

O formato Newick

Ideia de um slide de J. A. F. Diniz-Filho. Também chamado New Hampshire: especificação do PHYLIP.

Comprimentos de ramo

Ideia de um slide de J. A. F. Diniz-Filho. O comprimento vem depois de dois-pontos; no arquivo, o decimal é ponto.

Um clado dentro de outro

Ideia de um slide de J. A. F. Diniz-Filho.

Nomeando os nós

Ideia de um slide de J. A. F. Diniz-Filho.

Nomeando a raiz

arvore <- ape::read.tree(text = "((A:2.75,B:3.76)N1:2.0,C:2.6)N2;")

O formato Nexus

#NEXUS
begin taxa;
  dimensions ntax=3;
  taxlabels A B C;
end;

begin trees;
  tree t1 = ((A:2.75,B:3.76):2.0,C:2.6);
end;

• Arquivo em blocos (taxa, characters/data, trees…)
• Guarda dados e árvores juntos; lido por Mesquite, PAUP*, MrBayes, BEAST
• No R: ape::read.nexus()

Maddison, Swofford & Maddison (1997), Syst. Biol. 46: 590–621.

E o NeXML?

Formato	Guarda	Uso
Newick	só a árvore (e comprimentos)	universal
Nexus	árvores, dados, blocos de programas	Mesquite, MrBayes, BEAST
NeXML	árvores, dados e metadados validáveis (XML)	arquivamento, troca entre bases

Vos et al. (2012), Syst. Biol. 61: 675–689. Compartilhar as árvores publicadas, com os dados: Stoltzfus et al. (2012), BMC Res. Notes 5: 574.

3. De onde vem a árvore

A árvore e os dados

Critérios de otimização

	Com modelo explícito de evolução	Sem modelo explícito
Baseados em caracteres	máxima verossimilhança, inferência bayesiana	máxima parcimônia
Baseados em distância	distâncias corrigidas por modelo (NJ, Fitch-Margoliash)	UPGMA

Adaptado de Van de Peer & Salemi (2009), The Phylogenetic Handbook; visão geral em Holder & Lewis (2003).

O caminho até a árvore

Vantagens e problemas: distância e parcimônia

Método	Ideia	Vantagens	Problemas
Distância (NJ, UPGMA)	matriz de distâncias par a par → árvore	rápido, bom para muitos dados	fenético (não reconstrói a história por caracteres derivados compartilhados); perde a informação das sequências; uma só topologia; não julga qual árvore é melhor; lida mal com taxas heterogêneas; não estima estados ancestrais
Máxima parcimônia	árvore com menos mudanças	critério simples; morfologia e moléculas; rápida	atração de ramos longos; ruim com divergência alta; comprimentos enviesados

Vantagens e problemas: verossimilhança e bayesiana

Método	Ideia	Vantagens	Problemas
Máxima verossimilhança	topologia e ramos que maximizam a probabilidade dos dados, dado um modelo	critério estatístico; menos atração de ramos longos	árvore errada se o modelo for errado; lenta
Inferência bayesiana	distribuição posterior de árvores (MCMC, burn-in, priors)	dá a incerteza (probabilidade posterior)	depende dos priors e da convergência do MCMC

Um exemplo real

data(woodmouse, package = "ape")                # 15 sequências
d  <- ape::dist.dna(woodmouse, model = "K80")   # distância corrigida
nj <- ape::nj(d)                                # neighbor-joining
bs <- ape::boot.phylo(nj, woodmouse, \(x) ape::nj(ape::dist.dna(x, model = "K80")), B = 100)

Foi assim que saiu a árvore com o bootstrap do bloco 1. Na prática, use programas feitos para isso (próximo slide); o importante é saber ler a árvore e a sua incerteza.

Programas de inferência

Programa	Critério	Onde
PAUP*	MP, ML, distância	paup.phylosolutions.com
MEGA	distância, MP, ML	megasoftware.net · Kumar et al. (2018)
IQ-TREE 2	ML, seleção de modelo	iqtree.github.io · Minh et al. (2020)
RAxML-NG	ML em árvores grandes	GitHub · Kozlov et al. (2019)
MrBayes	bayesiana	site · Ronquist et al. (2012)
BEAST 2	bayesiana, datação	beast2.org · Bouckaert et al. (2019)
RevBayes	bayesiana, modelos gráficos	site · Höhna et al. (2016)
CIPRES, NGPhylogeny.fr	servidores na nuvem	phylo.org · ngphylogeny.fr

O que levar daqui

• A árvore é uma hipótese, com incerteza na topologia e nos comprimentos de ramo
• Ela depende dos dados, do alinhamento e do modelo
• Para os MFC, o que mais importa: topologia, comprimentos (de preferência em tempo) e a incerteza (uma amostra de árvores, quando houver)

4. Como obter uma árvore

A árvore e os dados

Bases de árvores e de tempos de divergência

Recurso	O que oferece	No R / situação
TreeBASE	árvores publicadas	treebase (Boettiger & Temple Lang 2012); site fora do ar (out/2026)
TimeTree	tempos de divergência	Kumar et al. (2017)
Phylomatic	árvore a partir de uma árvore de referência	Webb, Ackerly & Kembel (2008)
Open Tree of Life	árvore sintética de toda a vida	rotl (Michonneau, Brown & Winter 2016); Hinchliff et al. (2015)
DateLife	datar uma árvore com cronogramas publicados	pacote datelife; site fora do ar (out/2026)
Congruificação	datar uma árvore-alvo com uma de referência	geiger::congruify.phylo (Eastman, Harmon & Tank 2013)

Por que tão poucas árvores publicadas ficam disponíveis: Stoltzfus et al. (2012) e The failure of phylogeny databases (R. Page, iPhylo). Vamos usar várias destas na prática.

Megafilogenias: supertree

Relações para muitas espécies, para estudos ecológicos ou comparativos em larga escala. Supertree: junta árvores menores, com alguma sobreposição de espécies.

• Vantagens: combina fósseis e espécies atuais; só precisa das topologias; combina árvores de fontes de dados diferentes
• Críticas: incongruências viram politomias; não distingue topologias com suporte alto e baixo; comprimentos de ramo sem significado (problema para os MFC); pouca resolução entre gêneros e espécies

Bininda-Emonds, Gittleman & Steel (2002); Wilkinson et al. (2005); exemplo: mamíferos, Bininda-Emonds et al. (2007).

Megafilogenias: supermatriz

Junta sequências já depositadas no GenBank, escolhendo marcadores que minimizem dados faltantes; alinha e estima a árvore com algoritmos para muitos terminais.

• Limitações: GenBank sem padronização (nomes, sequências ruins: garbage in, garbage out); poucos genes em alguns grupos; alinhamento difícil; muito tempo filtrando sequências
• Programas: RAxML/ExaML/ExaBayes (inferência), MAFFT, MUSCLE, ClustalW, T-Coffee (alinhamento), treePL (datação com muitos terminais)

Katoh & Standley (2013); Edgar (2004); Smith & O’Meara (2012); alternativa às supertrees: Smith, Beaulieu & Donoghue (2009).

Sequenciamento de nova geração

Sequencia DNA e RNA de forma muito mais rápida e barata que o Sanger, para muitos marcadores ao mesmo tempo: aumentou exponencialmente os dados das filogenias (filogenômica) e da filogeografia.

Mardis (2008), Annu. Rev. Genomics Hum. Genet. 9: 387–402. Roche 454 e SOLiD já foram descontinuadas.

Pipelines e árvores prontas

Recurso	Para quê
PASTIS (Thomas, Hartmann & Jetz 2013)	completar árvores com espécies sem dados genéticos, pela taxonomia
Aves (Jetz et al. 2012) · Squamata (Tonini et al. 2016)	amostras de árvores completas · vertlife.org
Anfíbios (Jetz & Pyron 2018) · mamíferos (Upham, Esselstyn & Jetz 2019)	novo: árvores completas atuais, também no vertlife
Plantas: V.PhyloMaker2 (Jin & Qian 2022)	novo: megafilogenia a partir de uma lista de espécies
phruta (Román-Palacios 2023)	novo: do GenBank à árvore datada, reprodutível no R · docs.ropensci.org/phruta
phyloGenerator (Pearse & Purvis 2013), PUmPER (Izquierdo-Carrasco et al. 2014), PHLAWD, SUPERSMART (Antonelli et al. 2017)	gerar árvores do GenBank automaticamente; difíceis de instalar e pouco atualizados

Revisão: Roquet, Thuiller & Lavergne (2013), Ecography 36: 13–26.

Última opção: a árvore à mão

• Montar a topologia sem comprimentos de ramo no Mesquite (ou no R)
• Datar com o BLADJ, a partir de tempos de divergência de bases como o TimeTree

Os comprimentos interpolados são aproximações: trate os resultados com cautela.

5. Dados de atributos

A árvore e os dados

Bases de atributos

Base	Grupo	Link
TetrapodTraits (Moura et al. 2024)	tetrápodes (~33 mil espécies)	novo · Zenodo
AmphiBIO (Oliveira et al. 2017)	anfíbios	novo
AVONET (Tobias et al. 2022) · EltonTraits (Wilman et al. 2014)	aves (e mamíferos)	novo
PanTHERIA (Jones et al. 2009)	mamíferos	novo
TRY (Kattge et al. 2020)	plantas	try-db.org
FishBase	peixes	fishbase.se
MorphoBank (O’Leary & Kaufman 2011) · TraitBank (EOL)	morfologia; vários	morphobank.org · eol.org/traitbank
Ecological Archives · Scientific Data · Biodiversity Data Journal	vários	ESA · Sci. Data · BDJ

O Ecological Data Wiki e o Arbor (Harmon et al. 2013), análises comparativas na nuvem: ambos fora do ar (out/2026). Hoje, o mais próximo é o próprio R com Quarto.

6. Desenho de estudos comparativos

A árvore e os dados

Problemas mais comuns

• Falta completa de dados (filogenéticos e de atributos)
• Descompasso (mismatch) entre as espécies com atributos e as espécies na árvore
• Dados que existem, mas não estão acessíveis
• Déficits de conhecimento: o Darwiniano e o Raunkiaeriano

Os déficits

• Raunkiaeriano: falta de informação sobre os atributos das espécies
• Darwiniano: falta de informação sobre as relações entre as espécies

Os dois dificultam o estudo da evolução dos atributos e impedem análises comparativas.

Hortal et al. (2015), Annu. Rev. Ecol. Evol. Syst. 46: 523–549.

Três ignorâncias

O déficit Darwiniano tem três componentes: não saber a topologia, os comprimentos de ramo ou o modelo de evolução dos atributos. Cada um propaga incerteza para a inferência.

Diniz-Filho et al. (2013), Trends Ecol. Evol. 28: 689–695.

Quando os dados não batem

Metade das minhas espécies não está na árvore! Calma: tem o phyndr

Belmiro de Almeida, Arrufos (1887), domínio público, via Wikimedia Commons.

phyndr

• Maximiza a amostragem trocando espécies da árvore que não têm atributos por espécies “filogeneticamente equivalentes” que têm, sem mudar a estrutura da árvore
• Usa a taxonomia (ou só os gêneros) ou uma árvore topológica
• Alternativa à aleatorização ou à imputação de dados faltantes
• Pacotes phyndr e taxonlookup

Pennell, FitzJohn & Cornwell (2016), Methods Ecol. Evol. 7: 751–758.

Imputar os dados faltantes

• Usar a filogenia (e outros atributos) para prever os valores que faltam
• Abordagens: autovetores filogenéticos (PVR, mapas de autovetores), modelos evolutivos (BM multivariado em Rphylopars), imputação por hipóteses ecológicas
• Qual funciona melhor depende dos dados: compare antes de usar

Taugourdeau et al. (2014); Swenson (2014); Guénard, Legendre & Peres-Neto (2013); Diniz-Filho, Villalobos & Bini (2015); Goolsby, Bruggeman & Ané (2017); comparação: Penone et al. (2014).

PhyloTargeting

Arnold & Nunn (2010), Am. Nat. 176: 601–612; phylotargeting.nunn-lab.org.

Como o PhyloTargeting funciona

• Objetivo: escolher as espécies em que coletar a variável resposta, usando as preditoras das espécies já estudadas
• Cada par de espécies recebe um escore que combina a filogenia e os valores das variáveis
• São preferidas as espécies que mais diferem na resposta: amplia a variação e o poder do teste
• Supõe relação linear; aceita variáveis discretas e contínuas e uma ou mais preditoras; serve a modelos lineares (PGLS, correlação, ANOVA, PGLMM)

7. A forma da árvore

A árvore e os dados

Balanceada × pente

Índice de Colless (I): soma, em cada nó, da diferença entre o número de pontas dos dois lados. 0 na balanceada, 21 no pente.

A simetria e o γ de Pybus

• Estatísticas que descrevem a forma: as principais medem a simetria (Colless) e a distribuição dos nós no tempo (stemminess)
• γ de Pybus & Harvey: γ < 0, nós concentrados perto da raiz; γ > 0, perto das pontas
• Nas duas árvores: γ = 0,47 (balanceada) e -1,13 (pente)

Mooers & Heard (1997), Q. Rev. Biol. 72: 31–54; Pybus & Harvey (2000), Proc. R. Soc. B 267: 2267–2272; ape::gammaStat.

A forma muda a matriz C

A forma afeta a C (Aula 2) e, com ela, os testes e as estimativas de estados ancestrais.

Martins & Housworth (2002), Syst. Biol. 51: 873–880.

Para fechar

Onde estamos

Leituras

• Revell & Harmon (2022), Phylogenetic Comparative Methods in R: capítulos 1 e 13
• As três leituras prévias: Cornwallis & Griffin (2024), O’Meara (2012) e Rezende & Diniz-Filho (2012)
• Roquet, Thuiller & Lavergne (2013): megafilogenias

Antes de usar qualquer método, leia o artigo que o propôs.

Agora é com vocês

Árvore lida, dados conferidos Agora, mão na massa

Almeida Júnior, O derrubador brasileiro (1879), domínio público, via Wikimedia Commons. Prática: R, formatos de árvores, TimeTree, rotl, phyndr, PhyloTargeting e Rphylopars, e o desafio.