Árbol filogenético

Acerca de los árboles filogenéticos

Un árbol filogenético (también llamado filograma o cladograma) muestra la historia evolutiva inferida de un grupo de especies, genes o secuencias. Los nodos internos representan hipotéticos ancestros comunes; las puntas representan taxones observados; las longitudes de las ramas codifican la distancia evolutiva o el tiempo de divergencia. Los biólogos evolutivos, los ecólogos moleculares y los microbiólogos clínicos usan árboles filogenéticos para reconstruir la historia de la vida, rastrear brotes de patógenos y entender cómo evolucionaron las familias de genes.

Schematex acepta árboles en formato Newick — el estándar de intercambio universal utilizado por PAUP*, IQ-TREE, RAxML, BEAST y prácticamente todos los programas de filogenética — extendido con anotaciones NHX para valores de bootstrap y metadatos de clados. También se admite un DSL basado en sangría para árboles escritos a mano. Esta página documenta lo que el analizador acepta actualmente.

1. Tu primer árbol filogenético

El árbol más pequeño y útil: cuatro taxones, dos clados.

Tres reglas cubren el 80% de los casos de uso:

1. Comienza con phylo, opcionalmente seguido de un título entre comillas y props entre corchetes.
2. Proporciona la topología del árbol en formato newick: — la cadena Newick estándar, entre comillas, en una línea. El ; final es opcional.
3. Opcionalmente define grupos de resaltado de clade y una etiqueta scale debajo de la línea newick.

Los comentarios deben comenzar con # en su propia línea. Los comentarios en línea al final de línea no están disponibles.

2. Formatos de entrada

2.1 Formato Newick

Newick es la entrada principal. La gramática completa es:

(A,B,(C,D));                         # topology only
(A:0.1,B:0.2,(C:0.3,D:0.4):0.5);    # with branch lengths
((A:0.1,B:0.2):0.05[&&NHX:B=98],(C,D):0.08);  # NHX bootstrap
('Homo sapiens':0.1,'Mus musculus':0.2);        # quoted names with spaces

Las longitudes de rama siguen al nombre del nodo después de dos puntos. Los valores de soporte de nodos internos pueden aparecer como corchetes simples [95] o como NHX [&&NHX:B=95].

Reglas Newick aceptadas por el analizador:

2.2 DSL de sangría

Para árboles escritos a mano o pequeños, Schematex ofrece una alternativa basada en sangría que es más fácil de leer y editar que Newick en bruto:

Reglas del DSL de sangría:

La primera línea que termina con : y no tiene espacios activa el modo árbol-de-sangría (ej. root:). El nombre antes de los dos puntos se convierte en la etiqueta de la raíz; todas las líneas con sangría debajo se convierten en sus hijos.

3. Diseño

Establece el diseño en los corchetes del encabezado: phylo "Title" [layout: rectangular].

[unrooted] como bandera simple es equivalente a [layout: unrooted].

Circular — raíz en el centro, puntas extendiéndose hacia afuera. Más visualmente impactante para árboles con muchos taxones y resaltados de clados.

Rectangular — ramas en forma de L; raíz a la izquierda, puntas a la derecha. La forma clásica de filograma para figuras publicadas.

Inclinado — líneas diagonales de padre a hijo; más compacto que el rectangular, misma dirección de lectura de izquierda a derecha.

Sin raíz — diseño radial de ángulo igual; resta énfasis a la raíz, enfatiza la distancia por pares entre todos los taxones.

4. Modo

Se establece con [mode: …] en el encabezado (o en una línea style [mode: …] en cualquier parte del cuerpo).

El cronograma requiere longitudes de rama en unidades de tiempo más [mrsd: "YYYY"] (fecha de muestreo más reciente) en el encabezado para que el renderizador pueda alinear las puntas al presente.

phylo "SARS-CoV-2 variants" [mode: chronogram, mrsd: "2023"]
  newick: "((Alpha:0.5,Delta:0.4):0.3,Omicron:0.8);"
  scale "years"

Dendrograma — la salida estándar del agrupamiento aglomerativo jerárquico, no evolución. Cada nodo interno se coloca en su altura de fusión (la distancia cofenética a la que sus dos clústeres hijos se fusionan), todas las hojas se alinean en una línea base común, y las ramas son conectores de codo rectangular. Se dibuja un eje de altura para que puedas leer la distancia a la que dos hojas comparten por primera vez un clúster. Usa este modo cuando el mismo árbol Newick/de-sangría describe un resultado de agrupamiento — clústeres de expresión génica, similitud de muestras, grupos de respuestas a encuestas — en lugar de una filogenia.

Agrega una línea cut <valor> para cortar el árbol a una altura elegida: cada subárbol cuya altura de fusión cae por debajo del umbral se convierte en un clúster plano, cada uno con color distinto, y se dibuja una línea de umbral punteada a través del árbol a esa altura. Este es el equivalente en dendrograma de fcluster en scipy — convirtiendo un árbol continuo en un conjunto discreto de grupos.

Omite cut para mostrar el dendrograma sin coloración de clústeres planos:

5. Resaltado de clados

Una línea clade marca un grupo monofilético con un color, una etiqueta opcional y un modo de resaltado opcional.

clade ID = (member1, member2, ...) [color: "#hex", label: "text", highlight: mode]

Los miembros son IDs de punta (hoja) de la cadena Newick. El renderizador calcula el MRCA de las puntas listadas y resalta todo el subárbol enraizado allí.

6. Barra de escala y grupo externo

Barra de escala: scale "label" — agrega una barra en la parte inferior. La etiqueta describe la unidad (ej. "substitutions/site", "Mya"). Omítela en modo cladograma donde las longitudes de rama no tienen significado.

Grupo externo: outgroup: taxonId — registra el outgroup para documentación; el renderizador puede usarlo para marcar visualmente el taxón outgroup.

phylo "Vertebrates"
  newick: "((Human:0.1,Chimp:0.08):0.03,Lamprey:0.8);"
  outgroup: Lamprey
  scale "substitutions/site"

7. Referencia de props del encabezado

Todas las opciones van dentro de […] en la línea del encabezado phylo, o en una línea style […] en cualquier parte del cuerpo.

8. Etiquetas y comentarios

• Título: phylo "Tree of Life" — solo en la primera línea.
• Etiqueta de escala: scale "substitutions/site" — una por documento.
• Etiqueta de clado: [label: "Primates"] dentro de una línea clade.
• Comentarios: # al inicio de una línea (después de los espacios iniciales). Los comentarios en línea al final de línea no están disponibles.

9. Errores comunes

10. Gramática (EBNF)

document        = header (blank | comment | newick-line | scale-line
                    | outgroup-line | clade-line | style-line | cut-line | indent-line)*

header          = "phylo" ( WS quoted-string )? ( WS "[" props "]" )? NEWLINE
quoted-string   = '"' any-char-but-quote* '"'

newick-line     = "newick:" WS quoted-newick NEWLINE
scale-line      = "scale" ( WS quoted-string )? NEWLINE
outgroup-line   = "outgroup:" WS id NEWLINE
cut-line        = "cut" WS number NEWLINE       // dendrogram mode: flat-cluster threshold height
clade-line      = "clade" WS id WS "=" WS "(" id ("," id)* ")"
                    ( WS "[" clade-props "]" )? NEWLINE
style-line      = "style" WS "[" props "]" NEWLINE

// Indent tree — triggered by a line ending in ":" with no spaces
indent-tree     = root-line indent-node*
root-line       = id ":" NEWLINE
indent-node     = INDENT ( id ":" length | ":" length | id ) ( WS "[" number "]" )? NEWLINE

props           = prop ("," prop)*
prop            = "layout:" layout-value
                | "mode:" mode-value
                | "unrooted"
                | "branch-width:" number
                | "openAngle:" number
                | "mrsd:" quoted-string

clade-props     = clade-prop ("," clade-prop)*
clade-prop      = "color:" quoted-string
                | "label:" quoted-string
                | "highlight:" ( "branch" | "background" | "both" )

layout-value    = "rectangular" | "slanted" | "circular" | "unrooted"
mode-value      = "phylogram" | "cladogram" | "chronogram" | "dendrogram"

// Newick grammar (embedded, parsed separately)
newick          = subtree ";"?
subtree         = leaf | internal
internal        = "(" subtree ("," subtree)* ")" name? nhx? length?
leaf            = name nhx? length?
name            = unquoted-name | "'" single-quoted "'")
length          = ":" number
nhx             = "[" number "]"                     // plain bootstrap
                | "[&&NHX:" nhx-pair (":" nhx-pair)* "]"
nhx-pair        = key "=" value

id              = [a-zA-Z] [a-zA-Z0-9_-]*
number          = /[+-]?[0-9]+(\.[0-9]+)?([eE][+-]?[0-9]+)?/
comment         = INDENT "#" any NEWLINE

Fuente autoritativa: src/diagrams/phylo/parser.ts. Si esto diverge del analizador, el analizador tiene prioridad — por favor, abre un issue.

11. Cumplimiento de estándares

Los árboles filogenéticos de Schematex siguen la especificación del formato Newick (tal como se documenta en el paquete PHYLIP) para la serialización del árbol principal, y la convención NHX (New Hampshire Extended) para los valores de soporte de bootstrap. El campo B= en los corchetes NHX es el único campo NHX renderizado visualmente hoy; todos los demás campos se analizan y almacenan pero no se muestran.

Lo que está implementado hoy:

• ✅ Topología Newick, longitudes de rama, nombres entre comillas, politomías
• ✅ Valores de bootstrap — simples [95] y NHX [&&NHX:B=95]
• ✅ Diseños rectangular, inclinado, circular y sin raíz
• ✅ Modos filograma, cladograma y cronograma
• ✅ Resaltado de clados (color de rama, sombreado de fondo, ambos)
• ✅ Barra de escala
• ✅ DSL de sangría alternativo
• ⏳ Documentos multi-árbol (bosque) — ver §12
• ⏳ Eje calibrado en tiempo para cronogramas (escala geológica)
• ⏳ Iconos o imágenes por punta
• ⏳ Campos NHX más allá de B= (especie, taxonomía, eventos de duplicación)

Referencias:

• Felsenstein, J. (1986). The Newick tree format. PHYLIP documentation.
• Zmasek, C.M. & Eddy, S.R. (2001). ATV: Display and manipulation of annotated phylogenetic trees. Bioinformatics, 17(4), 383–384. (NHX specification)
• Felsenstein, J. (2004). Inferring Phylogenies. Sinauer Associates.

12. Ejemplos relacionados

13. Hoja de ruta

Planificado — aún no se puede analizar. No uses esto en DSL generado hoy; el analizador lo rechazará o ignorará.

• Documentos multi-árbol — un archivo phylo con más de un bloque newick: (ej. árboles de genes vs. árbol de especies).
• Eje de tiempo geológico para cronogramas — un eje X etiquetado por épocas (Cenozoico / Mesozoico etc.) en lugar de una escala numérica simple.
• Metadatos por punta — adjuntar rasgos o marcadores con color a puntas individuales sin declarar un clado completo (ej. tip Ecoli [color: "#F00", shape: star]).
• Campos NHX más allá del bootstrap — renderizar especie (S=), duplicación (D=) y eventos de transferencia (Tr=) como símbolos en las ramas.
• Tanglegrama — dos árboles mostrados uno al lado del otro con líneas de conexión que vinculan las puntas correspondientes.

Realiza seguimiento en los issues de GitHub si necesitas alguno de estos antes.