Avaliação das árvores inferidas usando o ITS

Com o objetivo de avaliar as árvores inferidas utilizando a região do ITS2 com diferentes métodos, as topologias recuperadas foram comparadas com árvores previamente publicadas para o grupo e que utilizaram uma maior amostragem de táxons e/ou caracteres.

30

Tabela 3. Resumo de todas as combinações de modelos de substituição utilizados nas análises de inferência Bayesiana. O número de parâmetros de cada modelo é dado, bem como o número total de parâmetros incluindo a própria topologia e os comprimentos de ramos. ss = regiões em simples-fita; ds = regiões em dupla-fita.

Programa

ITS2 _{Nº de parâmetros}

modelo (total) Breve descrição

ss ds

MrBayes

GTR+G 9 (208) O modelo GTR padrão com o parâmetro de correção para heterogeneidade de taxas de substituição ao longo dos sítios.

GTR+G Doublet

(GTR)+G 31 (230)

Modelo GTR combinado com o modelo "Doublet", no qual as mudanças em bases pareadas ocorrem através de um processo em duas etapas, cada uma

delas ocorrendo de acordo com um modelo GTR.

PHASE

TN93+G 6 (205) O modelo Tamura-Nei padrão (TN93) com o parâmetro de correção para heterogeneidade de taxas de substituição ao longo dos sítios.

TN93+G RNA6A+G 28 (227)

Modelo TN93 combinado com o modelo RNA6A, o mais geral na categoria de 6-estados, na qual sítios não pareados ("mismatches") não são

considerados.

TN93+G RNA7A+G 35 (234)

Modelo TN93 combinado com o modelo RNA7A, o mais geral na categoria de 7-estados, na qual todos os sítios não pareados são considerados em um

mesmo estado (MM).

TN93+G RNA7D+G 18 (217) Modelo TN93 combinado com o modelo RNA7D, uma restrição do modelo RNA7A com menos parâmetros de taxas de substituição.

TN93+G RNA16A+G 28 (227)

Modelo TN93 combinado com o modelo RNA16A, o mais geral na categoria de 16-estados que é passível de ser usado. Ele tem 5 parâmetros de taxas de

substituição ao invés de 120 (RNA16).

TN93+G RNA16D+G 15 (214)

Modelo TN93 combinado com o modelo RNA16D, o qual é uma tentativa de transformar um modelo de 4-estados padrão em um modelo de estrutura

secundária. Ele permite que os pares GU/UG tenham frequência intermediária entre pares Watson-Crick e "mismatches".

Dado que não existe uma única filogenia publicada para Calliphoridae que inclui todas as espécies utilizadas aqui, subgrupos do conjunto total de espécies amostrado foram escolhidos para as comparações: (1) espécies do gênero Chrysomya, cuja relação recuperada foi comparada com a árvore publicada no trabalho de Singh et al. (2011), a qual sugere uma divisão do gênero em três clados - [clado I] C. semimetallica e C. latifrons; [clado II] C. bezziana, C. pinguis e C. megacephala; e [clado III] C. putoria, C. nigripes, C.

31

varipes, C. flavifrons, C. incisuralis, C. albiceps e C. rufifacies; (2) espécies do gênero Lucilia, cuja topologia inferida foi comparada com diferentes árvores previamente descritas

(Kurahashi 1966; Shepard 1971; Brown 1979; Stevens & Wall 1996, 1997; Wells et al. 2007), com a maioria desses trabalhos corroborando uma separação entre os clados (L.

cuprina + L. sericata), espécies previamente incluídas em seu próprio gênero Phaenicia, e

(L. eximia + L. bazini + L. ampullacea + L porphyrina + L. caesar + L. illustris); (3) gêneros da subfamília Chrysomyinae, cujas relações foram comparadas com a obtida por Singh & Wells (2011), a qual suporta uma relação mais próxima entre os gêneros (Chrysomya, (Phormia, Protophormia)) e (Cochliomyia, (Chloroprocta, Hemilucilia)); e (4) subfamílias de Calliphoridae, entre as quais a relação (Chrysomyinae, (Calliphorinae, Luciliinae)) é corroborada pela análise com marcadores moleculares de Kutty et al. (2010) e também por algumas classificações tradicionais baseadas em caracteres morfológicos (Shewell 1987; McAlpine 1989 - ambos reconhecendo a tribo Luciliini dentro da subfamília Calliphorinae).

Outras topologias usadas nas comparações foram as previamente descritas por: Wallman & Donnellan (2001); Wells & Sperling (2001); Stevens & Wall (2001); Otranto & Stevens (2002); Stevens (2003); Chen et al. (2004); Stevens & Wallman (2006); Stevens et al. (2006); Wells & Williams (2007); e Nelson et al. (2007).

Algumas relações que foram recorrentemente recuperadas tanto nas árvores inferidas com o ITS2 como nas filogenias previamente publicadas não foram incluídas nas comparações, como a recuperação de H. ligurriens entre as espécies do gênero Lucilia. As relações dentro da subfamília Calliphorinae, aqui representada apenas por um único gênero, dado que o gênero Aldrichina foi descrito por Rognes (1991) como sinônimo de Calliphora

32

e o mesmo tem agora status inválido na base de dados "Biosystematic database of World Diptera" (Pape & Thompson 2010), também não foram incluídas nas comparações.

As árvores inferidas a partir da região do ITS2 e as filogenias previamente publicadas para Calliphoridae foram comparadas em termos de topologia usando a medida de distâncias simétricas ("Symmetric Distances" - Robinson & Foulds 1981), implementada no programa TreeDist do pacote PHYLIP 3.67 (Felsenstein 2005). As árvores inferidas com o ITS2 também foram avaliadas baseando-se em: (1) o número de relações não resolvidas (politomias) presentes nas árvores; (2) a correta separação de espécies proximamente relacionadas; (3) a recuperação de clados comumente aceitos como monofiléticos; e (4) o suporte médio das relações recuperadas, estimado como sendo a média aritmética de todos os valores de suporte presentes na árvore.

Para os métodos estatísticos de inferência filogenética, i.e., ML e BI, os critérios de seleção AIC ("Akaike Information Criteria"), AICc (AIC corrigido) e BIC ("Bayesian Information Criteria“) foram usados também na avaliação de qual combinação de método e modelos de substituição se ajusta melhor aos dados. Para as análises de inferência Bayesiana, o maior valor de verossimilhança amostrado durante a fase estacionária da corrida MCMC (Markov chain - Monte Carlo) foi utilizado como o estimador de máxima verossimilhança necessário para as análises. O número de parâmetros livres em cada um dos modelos de substituição usados nas análises é mostrado na Tabela 3.

Por último, as diferentes estratégias de particionamento dos dados utilizadas nas análises de BI foram comparadas entre si utilizando o método Bayesiano de comparação de modelos Bayes Factor. Como estimador da verossimilhança marginal, necessária para o cálculo do Bayes Factor, foi utilizada a média harmônica de todas as verossimilhanças amostradas durante a fase estacionária da corrida MCMC (como sugerido por Newton &

33

Raftery 1994 e Nylander et al. 2004). As interpretações dos valores de Bayes Factor foram baseadas na tabela apresentada por Kass & Raftery (1995).

3. Resultados