Inferencia filogenética mediante datos transcriptómicos

Las lecturas de ARN se pueden obtener utilizando diversos métodos de secuenciación de ARN (RNA-seq).

Existen varias bases de datos públicas que contienen datos de secuenciación de ARN (RNA-Seq) disponibles gratuitamente.

Los datos de RNA-Seq se pueden ensamblar directamente en transcripciones mediante el ensamblaje de secuencias . A menudo se distinguen dos categorías principales de ensamblaje de secuencias :

1. Ensamblaje de transcriptoma de novo : especialmente importante cuandono se dispone de un genoma de referencia para una especie determinada .
2. El ensamblaje guiado por genoma (a veces denominado mapeo o ensamblaje guiado por referencia) es capaz de utilizar una referencia preexistente para guiar el ensamblaje de transcripciones.

Ambos métodos intentan generar construcciones de isoformas biológicamente representativas a partir de datos de RNA-seq y, por lo general, buscan asociar las isoformas con una construcción a nivel genético. Sin embargo, la identificación adecuada de construcciones a nivel genético puede verse dificultada por duplicaciones recientes , parálogos , empalme alternativo o fusiones génicas . Estas complicaciones también pueden causar problemas posteriores durante la inferencia de ortólogos. Al seleccionar o generar datos de secuencia, es fundamental considerar el tipo de tejido, la etapa de desarrollo y las condiciones ambientales de los organismos. Dado que el transcriptoma representa una instantánea de la expresión génica , cambios menores en estas condiciones pueden afectar significativamente qué transcritos se expresan. Esto puede afectar negativamente la detección de ortólogos posterior. ^{[ 1 ]}

El ARN también puede obtenerse de bases de datos públicas, como GenBank , RefSeq , 1000 Plants (1KP) y 1KITE . Estas bases de datos públicas ofrecen secuencias seleccionadas que pueden mejorar la calidad de la inferencia y evitar la carga computacional asociada al ensamblaje de secuencias .

La inferencia de ortología o paralogía requiere una evaluación de la homología de secuencias , generalmente mediante alineación de secuencias . Los análisis filogenéticos y la alineación de secuencias a menudo se consideran conjuntamente, ya que los análisis filogenéticos que utilizan ADN o ARN requieren alineación de secuencias y las alineaciones en sí mismas suelen representar alguna hipótesis de homología . Dado que la identificación adecuada de ortólogos es fundamental para los análisis filogenéticos, existen diversos métodos disponibles para inferir ortólogos y parálogos . ^{[ 2 ]}

Estos métodos generalmente se distinguen como algoritmos basados ​​en grafos o algoritmos basados ​​en árboles. Algunos ejemplos de métodos basados ​​en grafos incluyen InParanoid, ^{[ 3 ]} MultiParanoid, ^{[ 4 ]} OrthoMCL, ^{[ 5 ]} HomoloGene ^{[ 6 ]} y OMA. ^{[ 7 ]} Los algoritmos basados ​​en árboles incluyen programas como OrthologID o RIO. ^{[ 8 ] [ 2 ]}

A menudo se utilizan diversos métodos BLAST para detectar ortólogos entre especies como parte de algoritmos basados ​​en grafos, como MegaBLAST, BLASTALL u otras formas de BLAST de todo contra todo, y pueden ser alineaciones basadas en nucleótidos o proteínas . ^{[ 9 ] [ 10 ]} RevTrans ^{[ 11 ]} incluso utiliza datos de proteínas para informar las alineaciones de ADN, lo que puede ser beneficioso para resolver relaciones filogenéticas más distantes. Estos enfoques a menudo asumen que los mejores resultados recíprocos que pasan alguna métrica umbral, como identidad, valor E o porcentaje de alineación, representan ortólogos y pueden verse afectados por una clasificación de linajes incompleta . ^{[ 12 ] [ 13 ]}

Es importante tener en cuenta que las relaciones de ortología en las bases de datos públicas suelen representar la ortología a nivel genético y no proporcionan información sobre variantes de empalme alternativas conservadas .

Las bases de datos que contienen y/o detectan relaciones de ortología incluyen:

• gran conjunto de personajes
• rentable
• no depende de un genoma de referencia

• gastos de un muestreo taxonómico extenso
• dificultad en la identificación de transcripciones completas de copia única y ortólogos
• posible error en el ensamblaje de las transcripciones (especialmente cuando hay duplicados)
• datos faltantes como producto del transcriptoma que representa una instantánea de la expresión o clasificación de linaje incompleta ^{[ 14 ]}