O que realmente acontece quando comparamos sequências de DNA
A teoria da evolução molecular estuda como as mudanças nas sequências de nucleotídeos e aminoácidos ocorrem ao longo do tempo e o que essas mudanças revelam sobre a história dos organismos. Não é apenas uma extensão da evolução darwiniana, mas um campo com premissas próprias, ferramentas específicas e limitações que muitos cursos introdutórios ignoram. O cerne é simples: acumulação de mutações neutras, seleção natural atuando sobre variantes funcionais, e deriva genética governando a maior parte das variações que observamos. O que torna isso complicado na prática são os modelos de substituição, a escolha da árvore filogenética e a qualidade dos dados que você insere.teoria da evolução molecular na prática
Construir uma árvore filogenética não é rodar um software e torcer. Começa com o alinhamento. Se o alinhamento estiver ruim, nada que vem depois vai funcionar, não importa o quão sofisticado seja o modelo de substituição ou a potência da sua máquina. Eu uso o MAFFT com o modo L-INS-i para conjuntos pequenos com homologia clara, e o PR2 para alinhamentos de rRNA onde a estrutura secundária importa. Para conjuntos grandes, o MAFFT com FFT-NS-2 resolve rápido, mas sempre faço uma limpeza com TrimAl — deixar colunas com muitos gaps distorce os valores de distância e gera topologias enganosas. Um problema que encontrei recentemente e que vale a pena mencionar: tive um conjunto de sequências de fungos marinhos onde o modelo padrão de substituição (GTR+G) produzia uma árvore com suporte botstrap baixíssimo nos nós internos. A causa não era o método em si, mas heterogeneidade composicional entre as linhagens. Fungos de ambientes extremos tendem a ter viés GC alto. A solução foi rodar uma análise de Composição Homogeneidade com o Chi-square no IQ-TREE, remover os outliers composicionais e aplicar um modelo com categorias de composição fixas (C10-F71 no modelo de misturas). A topologia estabilizou em uma única rodada. Sem esse passo, eu teria publicado um resultado equivocado.
O cálculo de distância evolutiva entre sequências também exige atenção. A distância bruta de nucleotídeos subestima a divergência real porque não corrige para múltiplas substituições no mesmo sítio. Modelos como Kimura 2-parameter para DNA e Jukes-Cantor para estimativas grosseiras são o básico, mas para dados reais o GTR com gamma e proportion de sítios invariantes costuma ser o mínimo aceitável. E mesmo assim, quando as sequências são muito divergentes — acima de 30% de diferença em genes codificantes — o sinal filogenético pode estar completamente saturado, e nenhuma correção de modelo resolve isso.
Detecção de seleção positiva e suas armadilhas
O cálculo de dN/dS (Ka/Ks) é a ferramenta mais citada para detectar seleção, mas é também uma das mais mal compreendidas. Um valor menor que 1 indica seleção purificadora, igual a 1 sugere evolução neutra, e maior que 1 é tomado como evidência de seleção positiva. Na prática, valores de dN/dS acima de 1 são raros em nível genômico e frequentemente aparecen em pequenas janelas por acaso estatístico, não por adaptação real. O modelo M8 do codeml (PAML) permite que uma fração de sítios tenha dN/dS > 1, mas ele exige que você tenha alinhamento de códons confiável e um gene com tamanho razoável — para sequências curtas abaixo de 300 códons, o poder estatístico é insuficiente e os resultados são ruído disfarçado de sinal. Outro ponto que pouca gente leva a sério: a hipótese de taxa constante (relógio molecular) raramente se sustenta. Espécies com gerações curtas acumulam mutações mais rápido. Roedores têm taxa de substituição silenciosa significativamente maior que primatas, mesmo comparando ortólogos diretos. Se você está tentando datar eventos de especiação, use um relógio relaxado no BEAST2, não um modelo de relógio estrito. A diferença no erro de estimativa pode ser de décadas para milhões de anos dependendo do grupo estudado.
👉 Clique no botão abaixo para saber mais sobre o assunto!
O que também gera confusão é a distinção entre evolução molecular e evolução morfológica. Mutações acumulam-se de forma relativamente previsível em regiões não funcionais, o que permite reconstruções temporais. Mudanças morfológicas seguem dinâmicas diferentes — podem ser impulsivas, estagnadas por longos períodos, ou revertidas. Por isso árvores baseadas em DNA nem sempre coincidem com classificações morfológicas tradicionais. Isso não invalida nenhum dos dois métodos, apenas mostra que estão medindo coisas diferentes em escalas de tempo diferentes.
Fluxo de trabalho recomendado
Se você está começando, aqui vai um caminho que funciona sem complicação desnecessária:
- Reúna as sequências e verifique se são realmente ortólogas. Paralogismo é a causa número um de árvores erradas. Use BLAST com e-value rigoroso (1e-10) e confirme com Synteny quando possível.
- Alinhe com MAFFT ou MUSCLE. Revise visualmente no AliView. Corte extremidades mal alinhadas.
- Teste modelos com o ModelFinder integrado ao IQ-TREE. Ele roda em segundos e escolhe o melhor modelo baseado no BIC. Não adicione gamma ou invariantes manualmente se o próprio software já identificou que não melhoram o ajuste.
- Rode a inferência filogenética. ML com 1000 replicatas de bootstrap leva de 10 a 30 minutos para conjuntos de até 200 sequências em um laptop atual. Se quiser Bayesian, prepare a execução no BEAST2 com pelo menos 10 milhões de passos de MCMC — amostras menores produzem ESS abaixo de 200 e a convergência não é confiável.
- Para detecção de seleção, use o PAML com o modelo site-based (M8 vs M8a via likelihood ratio test). Execute o yn00 primeiro para gerar o alinhamento de códons, depois o codeml. Leia os logs com atenção aos warnings de convergence.
O principal problema prático que vejo todo dia em artigos e revisões é a falta de validação cruzada. Construir uma árvore com um único método e reportar como fato é insuficiente. O ideal é comparar ML, Bayesian e neighbor-joining pelo menos, e verificar se os nós principais se mantêm. Quando não se mantêm, o sinal é fraco e a interpretação deve ser cautelosa. A evolução molecular é uma ferramenta poderosa quando aplicada com consciência das suas limitações. O dado é o dado, e o modelo que você escolhe determina o quanto de informação ele extrai dele — ou quanto ruído introduz. A maioria dos erros não vem da teoria em si, mas da pressa em interpretar resultados antes de verificar se os pré-requisitos metodológicos foram atendidos. Se você fizer esses checks com cuidado, o retrato que emerge das sequências tende a ser bastante preciso.
