Comprensión del surgimiento de variantes virales de preocupación mediante la selección de modelos de reloj molecular...

La inferencia bayesiana de los tiempos de divergencia para especies actuales utilizando datos moleculares es un problema estadístico no convencional: los tiempos de divergencia y las tasas moleculares están confundidos, y solo su producto, la longitud de rama molecular, es estadísticamente identificable. Se requieren distribuciones a priori para los tiempos y las tasas a fin de resolver este problema de identificabilidad, lo que impone un límite inferior a la incertidumbre alcanzable con datos infinitos. Con datos infinitos, la incertidumbre en las edades de los nodos aumenta proporcionalmente con su edad media, de modo que los nodos más antiguos presentan una mayor incertidumbre que los nodos más jóvenes. Si hay taxones extintos con tiempos de muestreo conocidos (es decir, datos «heterocronos»), los tiempos y las tasas se vuelven identificables y las incertidumbres tienden a cero con datos infinitos. Sin embargo, en los conjuntos de datos heterocronos reales (como los de virus y bacterias), los alineamientos tienden a ser pequeños y no se ha explorado cómo escala la incertidumbre con el tamaño de los datos. En este trabajo, realizamos simulaciones extensas y análisis de datos empíricos para desarrollar la teoría de sitios infinitos para datos heterocronos. Contrario a las expectativas, hallamos que la incertidumbre en las edades de los nodos internos escala positivamente con la distancia hasta su punta más cercana con edad conocida (es decir, la edad de calibración), y no con su edad absoluta. La incertidumbre de la estimación disminuye con la edad de calibración más lentamente en los conjuntos de datos con más patrones de sitios, aunque la incertidumbre general es menor en dichos conjuntos de datos. Nuestro marco de trabajo establece la incertidumbre mínima alcanzable con calibraciones perfectas y datos de secuencias efectivamente infinitos. En la gran mayoría de los casos, los datos de brotes virales no son lo suficientemente informativos como para mostrar un comportamiento de sitios infinitos, y las estimaciones de las escalas temporales evolutivas dependerán del tamaño del conjunto de datos, el contenido de información y la complejidad del modelo.