La filogenética computacional es la aplicación de algoritmos computacionales, en métodos y programas de análisis filogenético. El objetivo es construir un árbol filogenético que representa una hipótesis evolutiva de un conjunto de genes, especies u otros taxones. Por ejemplo, estas técnicas han sido usadas para explorar el árbol de la familia de los homínidosStrait DS, Grine FE. (2004). Inferring hominoid and early hominid phylogeny using craniodental characters: the role of fossil taxa. J Hum Evol 47(6):399-452. y las relaciones entre los genes específicos compartidos por muchos tipos de organismos.Hodge T, Cope MJ. (2000). A myosin family tree. J Cell Sci 113: 3353-3354. thumb|Filogenética computacional
La filogenética tradicional usaba datos morfológicos obtenidos mediante la medición y cuantificación de las propiedades fenotípicas de los organismos representativos, mientras que los más recientes campos en filogenética molecular usan secuencias de nucleótidos que codifican genes o secuencias de aminoácidos que forman proteínas como bases de la clasificación. Muchas formas de filogenética molecular están muy relacionadas y hacen un uso extensivo del alineamiento de secuencias en la construcción y redefinición de los árboles filogenéticos usados para la clasificación de las relaciones evolutivas entre los genes homólogos existentes en los genomas de especies divergentes. Los árboles filogenéticos construidos mediante métodos computacionales rara vez reflejan fielmente los árboles filogenéticos que representan las relaciones históricas entre las especies analizadas. El árbol de especies históricas puede diferir del árbol histórico de genes homólogos individuales compartidos por dichas especies.
Producir un árbol filogenético requiere una cuantificación de las homologías entre las características compartidas por los taxones bajo estudio. En estudios morfológicos, esto requiere hacer supuestos explícitos sobre las características físicas a medir y como usarlos para codificar los distintos estados correspondientes a los taxones de entrada. En los estudios moleculares, uno de los pasos fundamentales es generar un alineamiento múltiple de secuencias, que permite identificar posiciones homólogas entre genes o genomas y establecer una base comparativa clara y reproducible para la inferencia filogenética. Gracias a los avances en programas bioinformáticos, la obtención de alineamientos múltiples ya no representa una limitación práctica: herramientas como MAFFT, Clustal Omega o MUSCLE permiten realizar alineamientos rápidos, precisos y escalables incluso para grandes volúmenes de datos genómicos.
Tipos de árboles filogenéticos Los árboles filogenéticos generados mediante filogenia computacional pueden ser enraizados o sin raíz, dependiendo de los datos de entrada y el algoritmo usado. Un árbol enraizado representa las relaciones evolutivas en una dirección temporal, identificando un ancestro común más reciente, que suele ser una secuencia inferida no presente en los datos originales. Las medidas de distancia genética se utilizan para construir el árbol, colocando las secuencias analizadas como nodos terminales (hojas) y ajustando la longitud de las ramas de acuerdo con su divergencia de acuerdo al ancestro hipotético. La identificación de la raíz normalmente requiere la inclusión de un grupo externo en el análisis (en inglés outgroup) que esté relacionado solamente de forma distante con las secuencias en estudio.
Por el contrario, los árboles sin raíz representan las relaciones y distancias entre las secuencias analizadas sin asumir una dirección evolutiva ni la existencia de un ancestro común. Un árbol sin raíz puede derivarse a partir de un árbol enraizado, pero usualmente no es posible hacerlo a la inversa sin información adicional. Para enraizar un árbol sin raíz se requiere un punto de referencia externo, como un grupo externo (outgroup), o suponer una tasa constante de evolución bajo la hipótesis del reloj molecular.Mount DM. (2004). Bioinformatics: Sequence and Genome Analysis 2nd ed. Cold Spring Harbor Laboratory Press: Cold Spring Harbor, NY.
El conjunto de todos los árboles filogenéticos posibles para un grupo dado de secuencias puede conceptualizarse como un "espacio de árboles" discreto y multidimensional, en el cual los algoritmos de optimización matemática buscan la topología que mejor se ajusta a los datos. Calcular el número total de árboles posibles resulta complejo incluso para un número moderado de secuencias, debido a la gran cantidad de topologías distintas que pueden generarse. Además, para un mismo conjunto de secuencias y parámetros, el número de árboles enraizados es siempre mayor que el de árboles sin raíz, ya que cada topología sin raíz puede corresponder a múltiples formas enraizadas según la posición de la raíz.Felsenstein J. (2004). Inferring Phylogenies Sinauer Associates: Sunderland, MA.
Codificando caracteres y definiendo homología
Análisis morfológico El problema básico en la filogenia basada en morfología es la construcción de una matriz matemática que contenga valores representativos de cada una de las características fenotípicas usadas como clasificador para cada uno de los taxones en estudio. Los tipos de datos fenotípicos que se usen para construirla dependerán de los taxones involucrados; para estudios dentro de una misma especie, se pueden incluir medidas del tamaño corporal promedio, longitudes o tamaños de ciertos huesos u otros rasgos físicos o incluso conductuales. Como no toda característica fenotípica puede ser medida y codificada para un análisis de esta naturaleza, la selección de los rasgos que se van a medir es uno de los grandes obstáculos inherentes a este método. La decisión de qué rasgos se van a usar en la matriz constituye necesariamente acerca de las características de un taxón entregan información acerca de su evolución.Swiderski DL, Zelditch ML, Fink WL. (1998). Why morphometrics is not special: coding quantitative data for phylogenetic analysis. 47(3):508-19. Los estudios morfológicos pueden ser distorsionados por casos de convergencia evolutiva.Gaubert P, Wozencraft WC, Cordeiro-Estrela P, Veron G. (2005). Mosaics of convergences and noise in morphological phylogenies: what's in a viverrid-like carnivoran? Syst Biol 54(6):865-94. Uno de los principales desafíos de construir clases útiles es la alta probabilidad de que la distribución de la variación fenotípica se traslape entre taxones. La inclusión de grupos extintos a menudo es difícil, a causa de que no existen registros fósiles o son incompletos, sin embargo, se ha demostrado que tiene un efecto significativo en los árboles producidos; por ejemplo, en cierto estudio morfológico, solo la inclusión de simios extintos produjo un árbol consistente con los producidos a partir de datos moleculares.
Algunas clasificaciones fenotípicas, particularmente aquellas usadas cuando se analizan grupos muy diversos corresponden a variables discretas y no ambiguas. Por ejemplo, el clasificar organismos de acuerdo a la presencia o ausencia de cola es sencillo en la mayoría de los casos, así como lo es hacerlo según el número de ojos o vértebras. Sin embargo, la representación más apropiada de variables fenotípicas continuas es un problema controvertido sin una única solución. Un método común es simplemente agrupar las medidas en dos o más clases, tratando de este modo la variación continua como si fuera discreta (p. ej., los húmeros cuya longitud supera cierta medida son considerados dentro de un estado, y los que no, se agrupan en otro estado). Este método produce un conjunto de datos fácil de procesar, pero se le ha criticado lo poco que ahonda en los fundamentos de la determinación de clases y que desperdicia información si se lo compara con métodos que usan medidas de distribución continua.Wiens JJ. (2001). Character analysis in morphological phylogenetics: problems and solutions. Syst Biol 50(5):689-99.
En vista de que los datos morfológicos son difíciles de reunir, ya sea de fuentes escritas o de observaciones en terreno, no es raro el uso de matrices de datos compiladas previamente, aunque esto puede ocasionar que los errores del original se propaguen por los sucesivos análisis derivados.Jenner RA. (2001). Bilaterian phylogeny and uncritical recycling of morphological data sets. Syst Biol 50(5): 730-743.
Análisis molecular El problema de la codificación de caracteres es muy diferente en los análisis moleculares, ya que en secuencias biológicas los caracteres son directamente observables y de naturaleza discreta: distintos nucleótidos en secuencias de ADN o ARN, o diferentes aminoácidos en secuencias de proteína. Sin embargo, definir la homología puede ser un reto, debido a las dificultades inherentes al alineamiento múltiple de secuencias. Para un determinado alineamiento con gaps se pueden construir muchos árboles filogenéticos enraizados que difieren en cuáles cambios son "mutaciones" de caracteres ancestrales y cuáles corresponden a inserciones o deleciones de bases. Por ejemplo, con solo un par de secuencias alineadas que contengan un gap, es imposible determinar si una de ellas contiene una inserción o si la otra sufrió una deleción. El problema se magnifica en los alineamientos múltiples con gaps no alineados y no traslapados. En la práctica, al construir árboles filogenéticos deben descartarse regiones importantes de los alineamientos para evitar que se introduzcan distorsiones en el cálculo del árbol.
Métodos de matriz de distancias thumb|right|Matriz de distancias a partir de un alineamiento múltiple. Los métodos basados en distancias permiten construir árboles filogenéticos basados en la distancia genética entre parejas de secuencias de ADN o proteínas, por lo que requieren un alineamiento múltiple como información de entrada. Difieren de los métodos basados en caracteres (Máxima parsimonia, Máxima verosimilitud, Inferencia bayesiana) en que los datos utilizados se presentan en una matriz de distancias obtenida a partir del alineamiento de las secuencias, en lugar de emplear el propio alineamiento como ocurre en el resto de métodos. De esta manera se comparan las secuencias completas, lo que tiene un mayor significado evolutivo y evoca una imagen intuitiva del “grado de parentesco” entre ambas.
La principal ventaja de los métodos basados en distancias es su velocidad, lo que resulta de particular utilidad cuando se tiene un gran número de secuencias. Los problemas más importantes son la pérdida de información del alineamiento múltiple y la generación de un árbol único, por lo que se desechan árboles que podrían ser igualmente válidos y consistentes con los datos. En muchas ocasiones se usan los métodos basados en distancias para generar los árboles de partida necesarios para métodos más complejos, como el de Máxima Verosimilitud. Tras generar el árbol, puede comprobarse su fiabilidad mediante un análisis de bootstrap.
Cálculo de las distancias genéticas