Clustal

• Clustal : El software original para alineamientos de secuencias múltiples, creado por Des Higgins en 1988, se basaba en derivar un árbol guía a partir de secuencias de pares de aminoácidos o nucleótidos . ^{[ 10 ]}
• ClustalV : La segunda generación de Clustal, lanzada en 1992. Introdujo la capacidad de crear nuevos alineamientos a partir de alineamientos existentes en un proceso conocido como reconstrucción de árboles filogenéticos. ClustalV también añadió la opción de crear árboles utilizando el método de unión de vecinos . ^{[ 7 ]}
• ClustalW : La tercera generación, lanzada en 1994. Mejoró el algoritmo de alineación progresiva, incluyendo opciones de ponderación de secuencias basadas en similitud y divergencia . Además, añadió la opción de ejecutar Clustal en modo por lotes desde la línea de comandos . ^{[ 11 ]}
• ClustalX : Lanzada en 1997, esta fue la primera versión en tener una interfaz gráfica de usuario. ^{[ 9 ]}
• Clustal2 : Esta actualización supuso una mejora tanto de ClustalW como de ClustalX, con mayor precisión y eficiencia en 2007. ^{[ 12 ]}
• ClustalΩ (Omega) : La versión actual, lanzada en 2011. ^{[ 13 ] [ 14 ]}

Este programa acepta una amplia gama de formatos de entrada, incluidos NBRF/ PIR , FASTA , EMBL/ Swiss-Prot , Clustal, GCC/MSF, GCG9 RSF y GDE.

El formato de salida puede ser uno o varios de los siguientes: Clustal, NBRF/ PIR , GCG /MSF, PHYLIP , GDE o NEXUS.

Se muestran los mismos símbolos tanto para los alineamientos de ADN / ARN como para los alineamientos de proteínas , por lo que, si bien los símbolos * (asterisco) son útiles para ambos, los demás símbolos de consenso deben ignorarse para los alineamientos de ADN/ARN.

Los parámetros de penalización por apertura de hueco y penalización por extensión de hueco pueden ser ajustados por el usuario.

Ambas versiones utilizan el mismo algoritmo rápido y aproximado para calcular las puntuaciones de similitud entre secuencias, lo que a su vez produce los alineamientos por pares. El algoritmo funciona calculando las puntuaciones de similitud como el número de coincidencias de k-tuplas entre dos secuencias, teniendo en cuenta una penalización por huecos. Cuanto más similares sean las secuencias, mayor será la puntuación. Una vez puntuadas las secuencias, se genera un dendrograma mediante UPGMA para generar un ordenamiento del alineamiento múltiple de secuencias. Las secuencias se alinean en orden descendente según el orden establecido. Este algoritmo permite trabajar con conjuntos de datos muy grandes y es rápido. Sin embargo, la velocidad depende del rango de coincidencias de k-tuplas seleccionado para el tipo de secuencia en particular. ^{[ 16 ]}

Algunas de las adiciones más notables en ClustalV son las alineaciones de perfiles y las opciones completas de la interfaz de línea de comandos. La capacidad de usar alineaciones de perfiles permite al usuario alinear dos o más alineaciones o secuencias anteriores a una nueva alineación y mover las secuencias desalineadas (puntuación baja) más abajo en el orden de alineación. Esto le da al usuario la opción de crear gradualmente y metódicamente alineaciones de secuencias múltiples con más control que la opción básica. ^{[ 15 ]} La opción de ejecutar desde la línea de comandos acelera el proceso de alineación de secuencias múltiples. Las secuencias se pueden ejecutar con un comando simple,

clustalv nombre_de_archivo.secuencia​​

o

clustalv / infile = nombre_del_archivo.secuencia​​

El programa determinará el tipo de secuencia que está analizando. Una vez finalizado el programa, el resultado del alineamiento de secuencias múltiples y el dendrograma se guardan en archivos con las extensiones .aln y .dnd, respectivamente. La interfaz de línea de comandos utiliza los parámetros predeterminados y no permite otras opciones. ^{[ 16 ]}

ClustalW utiliza algoritmos de alineación progresiva. En estos, las secuencias se alinean de mayor a menor puntuación de alineación. Esta heurística es necesaria para limitar la complejidad temporal y de memoria requerida para encontrar la solución óptima global .

Primero, el algoritmo calcula una matriz de distancias por pares entre todos los pares de secuencias ( alineamiento de secuencias por pares ). A continuación, un método de unión de vecinos utiliza el enraizamiento del punto medio para crear un árbol guía general. ^{[ 17 ]} A la derecha se muestra un diagrama de este método. Finalmente, el árbol guía se utiliza como plantilla aproximada para generar un alineamiento global.

ClustalW tiene una complejidad temporal de${\displaystyle O(N^{2})}$debido a su uso del método de unión de vecinos.

ClustalW2 añadió una opción para usar UPGMA, que es más rápida para tamaños de entrada grandes. El indicador de línea de comandos para usarlo en lugar de neighbor-joining es:

- agrupamiento = UPGMA

Como ejemplo aproximado, mientras que una entrada de 10.000 secuencias tardaría más de una hora en el algoritmo de unión de vecinos, UPGMA se completaría en menos de un minuto.

ClustalW2 también incorporó una precisión de alineación iterativa. Esta opción no aumenta la eficiencia, pero sí permite incrementar la precisión de la alineación. Esto puede resultar especialmente útil para conjuntos de datos pequeños.

Las siguientes banderas activan la alineación iterativa:

- Iteración = Alineación - Iteración = Árbol - numeradores

La primera opción refina la alineación final. La segunda opción incorpora el esquema en el paso de alineación progresiva. La tercera especifica el número de ciclos de iteración, cuyo valor predeterminado es 3. ^{[ 18 ]}

El algoritmo que utiliza ClustalW es casi óptimo. Resulta más eficaz para conjuntos de datos con un alto grado de varianza. En este tipo de conjuntos de datos, el proceso de generación del árbol guía es menos sensible al ruido. ClustalW fue uno de los primeros algoritmos de alineación de secuencias múltiples en combinar la alineación por pares y la alineación global para aumentar la velocidad, pero esta decisión reduce la precisión de los resultados.

Cuando se compararon varios algoritmos de alineación de secuencias en 2014, ClustalW fue uno de los más rápidos que pudo producir resultados con el nivel de precisión deseado. Sin embargo, no fue tan preciso como sus competidores basados ​​en consistencia, como T-Coffee. ^{[ 19 ]} De MAFFT, T-Coffee y Clustal Omega, ClustalW tiene la menor precisión para secuencias completas, pero su precisión aún se considera aceptable. Además, ClustalW fue el algoritmo más eficiente en memoria de los estudiados. ^{[ 19 ]} Las continuas actualizaciones del software han hecho que ClustalW2 sea más preciso manteniendo esta velocidad. ^{[ 18 ]}

Clustal Omega tiene cinco pasos principales para generar el alineamiento de secuencias múltiples .

1. Se produce una alineación por pares utilizando el método de k-tuplas. Este es un método heurístico que no garantiza encontrar una solución óptima, pero es más eficiente que utilizar la programación dinámica .
2. Las secuencias se agrupan utilizando el método mBed modificado. ^{[ 22 ]} El método mBed calcula la distancia por pares utilizando la incrustación de secuencias.
3. Se aplica el método de agrupamiento k -means.
4. Se construye un árbol guía utilizando el método UPGMA . En la figura de la derecha, esto se muestra como múltiples pasos que conducen a la construcción de un árbol guía final debido a la naturaleza aglomerativa de UPGMA. En cada paso (rombos en el diagrama de flujo), se combinan los dos clústeres más cercanos. Este proceso se repite hasta que se puede evaluar un árbol global final.
5. El alineamiento múltiple de secuencias final se produce con el paquete HHAlign de HH-Suite utilizando dos HMM de perfil . Un HMM de perfil es una máquina de estados lineal que consta de una serie de nodos, cada uno de los cuales corresponde aproximadamente a una posición (columna) en el alineamiento a partir del cual se construyó. ^{[ 23 ]}

La complejidad temporal de calcular exactamente una alineación óptima de${\displaystyle N}$secuencias de longitud${\displaystyle L}$es ${\displaystyle O(L^{N})}$lo cual resulta prohibitivo incluso para un número pequeño de secuencias. Para gestionar esto, Clustal Omega utiliza una versión modificada de mBed que tiene una complejidad de${\displaystyle O(N\log N)}$[ ^{22 ] [ 24 ] y produce árboles guía tan precisos como los de los métodos convencionales. La velocidad y precisión de los árboles guía en Clustal Omega} se atribuyen a la implementación de un algoritmo mBed modificado. Además, reduce el tiempo de cálculo y los requisitos de memoria para completar alineaciones en grandes conjuntos de datos.

La precisión de Clustal Omega en un número reducido de secuencias es, en promedio, muy similar a la de los alineadores de secuencias considerados de alta calidad. En conjuntos de datos extremadamente grandes con cientos de miles de secuencias de entrada, Clustal Omega supera a todos los demás algoritmos en tiempo, memoria y precisión de los resultados. ^{[ 25 ]} Es capaz de procesar más de 100 000 secuencias en un solo procesador en pocas horas.

Clustal Omega utiliza el paquete HHAlign de HH-Suite, que alinea dos modelos ocultos de Markov de perfil en lugar de una comparación perfil-perfil. Esto mejora significativamente la calidad de la sensibilidad y la alineación. ^{[ 25 ]} Esto, combinado con el método mBed, le confiere a Clustal Omega una ventaja sobre otros alineadores de secuencias.

En conjuntos de datos con bases terminales no conservadas, Clustal Omega puede ser más preciso que Probcons o T-Coffee , a pesar de que ambos son algoritmos basados ​​en la consistencia. En una prueba de eficiencia con programas que producen puntuaciones de alta precisión, MAFFT fue el más rápido, seguido de cerca por Clustal Omega. Ambos fueron más rápidos que T-Coffee; sin embargo, MAFFT y Clustal Omega requirieron más memoria para ejecutarse. ^{[ 19 ]}