MUSCLE (software de alineamiento) 📖 Wikipedia

(Multiple Sequence Comparison by Log-Expectation) es un software para el alineamiento múltiple de secuencias de proteínas y nucleótidos. Otras aplicaciones incluyen la estimación de árboles filogenéticos, la predicción de la estructura proteica y la identificación de residuos (aminoácidos) esenciales para una función biológica. Esta herramienta fue publicada por Robert C. Edgar en 2004 y cuenta con licencia de dominio público, permitiendo su libre uso y distribución. Hasta la versión 3, MUSCLE utiliza un método de refinamiento progresivo. ^[1]​ A partir de la versión 5, utiliza un modelo oculto de Markov similar a ProbCons.^[2]​

Robert C. Edgar es Físico por la University College de Londres, donde obtuvo el grado de Doctor en Física de Partículas en 1982. Tras su doctorado, se enfocó en el desarrollo de software y fundó la empresa Parity Software en 1988. En 1999 vendió la compañía a Intel y casi inmediatamente después abandonó el emprendedurismo. En 2001, asistió a un seminario en la Universidad de California en Berkeley donde conoció a Kimmen Sjolander con quien comenzó su enfoque en algoritmos de programación. Desde 2001 hasta la actualidad, Robert ha contribuido y ha sido el único autor de múltiples programas de software, entre ellos MUSCLE y USEARCH.^[3]​ Ha escrito un total de 96 artículos en el campo de la biología computacional desde 2002 hasta la actualidad, siendo su artículo más reciente: "Improved gene tree inference from removing alignment errors both from focal genes and when training substitution models". Hasta abril de 2026, sus múltiples contribuciones han sido citadas más de 154,916 veces. Los dos artículos publicados sobre MUSCLE han sido citados más de 75,913 veces en conjunto. El primero de ellos fue publicado en la revista Nucleic Acids Research, donde presentó el algoritmo de alineamiento de secuenciasy ha recibido más de 52,500 citas. El segundo artículo se publicó el mismo año en BMC Bioinformatics, presentando más detalles técnicos del software, el cual ha recibido más de 23,300 citas.

A finales de 2021, Edgar lanzó MUSCLE5 (también conocido como MUSCLE v5), una versión actualizada del software MUSCLE. Introduce diversas innovaciones orientadas a mejorar la precisión del alineamiento y reducir el sesgo presente en otros algoritmos de alineamiento múltiple de secuencias (MSA, por sus siglas en inglés). Herramientas tradicionales como Clustal Omega^[7]​, MAFFT^[8]​ y versiones anteriores de MUSCLE se basan en estrategias de alineamiento progresivo que producen un único alineamiento. MUSCLE5, en cambio, genera un conjunto de alineamientos de alta precisión perturbando un modelo oculto de Markov y permutando su árbol guiado. En su núcleo, el algoritmo es una reimplementación paralelizada de ProbCons,^[2]​ y está diseñado para escalar eficientemente a grandes conjuntos de datos. MUSCLE5 ha demostrado un mejor rendimiento en pruebas de referencia en comparación con los principales métodos de alineamiento múltiple de secuencias en varios conjuntos de datos de prueba, entre ellos BAliBASE,^[9]​ BRAliBASE^[10]​ y PREFAB.^[11]​

Una innovación importante en la versión 5 de MUSCLE es el uso de conjuntos de alineamiento (alignment ensembles), que proporcionan parámetros de confianza en las alineaciones. Para el modelo oculto de Markov y el árbol guiado, cada alineamiento múltiple de secuencias (MSA, por sus siglas en inglés) individual en el conjunto utiliza parámetros fijos pero elegidos de forma independiente, lo que permite promediar los resultados en un conjunto diverso de réplicas. Esto permite evaluar la sensibilidad de los análisis posteriores a la alineación comparando los resultados en todo el conjunto.

El algoritmo de MUSCLE (antes de la versión 5) se desarrolla en tres etapas: 1) Alineamiento progresivo preliminar, 2) Alineamiento progresivo mejorado y 3) Refinamiento.^[12]​^[13]​

En esta primera etapa, el algoritmo genera un alineamiento múltiple de secuencias heurístico, priorizando la velocidad sobre la precisión.^[14]​ Este paso comienza calculando la distancia k-mero para cada par de secuencias que son ingresadas al programa, creando así una matriz de distancias por pares D₁. Luego el algoritmo UPGMA (Unweighted Pair Group Method wiht Arithmetic Mean) agrupa esta matriz para generar un árbol binario TREE₁. A partir de la topología de este árbol, se construye un alineamiento progresivo, comenzando con la creación de perfiles para cada hoja (secuencia individual). Para cada nodo interno, se realiza un alineamiento por pares de los dos perfiles hijos, creando un nuevo perfil que se asigna a dicho nodo. Este proceso continúa hasta obtener un alineamiento múltiple de todas las secuencias de entrada en la raíz del árbol denominado MSA₁.^[12]​

Considerando que N representa el número de secuencias de entrada, L la longitud promedio de dichas secuencias, la complejidad temporal de la etapa progresiva preliminar se define como:^[12]​

O(N² ⋅ L + N ⋅ L²)

• Cálculo de la distancia entre pares de k-meros se realiza como O(N² · L)

• Alineamiento progresivo requieren O(N · L²)
• Complejidad espacial es O(N · L), ya que el algoritmo mantiene perfiles y alineaciones para cada secuencia a lo largo del árbol. ^[11]​

La segunda etapa tiene como objetivo optimizar la topología del árbol guía, para lo cual se calcula la distancia de Kimura para cada par de secuencias utilizando el alineamiento múltiple obtenido en la primera etapa, lo que genera una segunda matriz de distancias (D₂). Posteriormente se aplica nuevamente el método UPGMA sobre esta matriz para construir un segundo árbol binario (TREE₂).^[12]​^[13]​

Luego, al igual que en la etapa anterior, se realiza un alineamiento progresivo, sin embargo, en esta fase se optimiza el proceso recalculando únicamente los alineamientos de aquellos subárboles cuyo orden de ramificación ha variado respecto al primer árbol. Esta refinación selectiva permite obtener un alineamiento más preciso. La optimización se logra mediante los siguientes cálculos, donde m representa el número de realineamientos de subárboles realizados:^[12]​

O(N² ⋅ L + m⋅ L²)

De manera similar, la complejidad espacial es:

O(N · L),

ya que el algoritmo mantiene perfiles y alineaciones de las secuencias de entrada durante todo el proceso progresivo.^[11]​

En esta etapa final, se selecciona una arista del segundo árbol, visitando las aristas en orden decreciente de distancia respecto a la raíz. La arista seleccionada se elimina, dividiendo el árbol en dos subárboles. A continuación, se calcula el perfil del alineamiento múltiple para cada subárbol. Se produce un nuevo alineamiento múltiple realineando los perfiles de los subárboles. Si la puntuación SP mejora, el nuevo alineamiento se conserva; de lo contrario, se descarta. El proceso de eliminar una arista y realinear se repite hasta alcanzar la convergencia, o hasta que se alcanza un límite definido por el usuario.

La complejidad temporal de la etapa de refinamiento se expresa como O(k · L²). Aquí, k denota el número de eliminaciones de aristas y L denota la longitud promedio de las secuencias, siendo el realineamiento de los perfiles de los subárboles el costo dominante por iteración. La complejidad espacial se mantiene igual que en las etapas uno y dos: O(N · L). Dado que el mismo proceso de refinamiento iterativo tiene lugar, la complejidad asintótica permanece polinomial, ya que el término dominante crece linealmente con respecto al número de pasos de refinamiento.

En comparación, el algoritmo CLUSTALW incluye un paso de refinamiento iterativo optimizado, en el que se realinean selectivamente partes del árbol con el fin de maximizar la precisión del alineamiento sin repetir el proceso completo. Sin embargo, la complejidad temporal y espacial no varía para este paso de refinamiento iterativo optimizado. La complejidad temporal es O(k · L²), donde k es el número de pasos de refinamiento y L es la longitud promedio del alineamiento. La complejidad espacial se expresa como O(N · L), nuevamente para los perfiles de alineamiento y los datos de secuencias de las N secuencias de entrada.^[15]​^[15]​

En las dos primeras etapas del algoritmo, la complejidad temporal es O(N²L + NL²) y la complejidad espacial es O(N² + NL + L²). La etapa de refinamiento añade a la complejidad temporal un término adicional, O(N³L).[1] MUSCLE se utiliza frecuentemente como sustituto de Clustal,^[16]​^[17]​ ya que generalmente (aunque no siempre) produce alineamientos de secuencias de mayor calidad. Dependiendo de las opciones elegidas, MUSCLE es significativamente más rápido que Clustal^[16]​^[17]​ especialmente en alineamientos de mayor tamaño.^[18]​

La mayoría de los programas modernos de alineamiento múltiple de secuencias son generalmente aceptados al presentar secuencias alineadas, aunque existen pocas diferencias entre ellos. La principal diferencia entre los programas radica en el método utilizado para alinear las secuencias. Por ejemplo, T-Coffee^[19]​ y Clustal^[16]​^[17]​ emplean el método progresivo, mientras que MUSCLE yMAFFT^[20]​ funcionan mediante el método iterativo de alineamiento.^[21]​^[22]​ Estos dos métodos difieren en su capacidad para manejar secuencias de baja similitud, siendo el método iterativo el que proporciona resultados más precisos. Otra diferencia entre los métodos tiene que ver con sus requerimientos computacionales.

Originalmente, MUSCLE tenía una demanda de CPU intermedia en comparación con otros programas, aunque definitivamente superior a la de los métodos progresivos.^[11]​ Las comparaciones con versiones modernas de programas de alineamiento múltiple de secuencias revelan que muchos son bastante similares en sus capacidades. Los alineamientos fueron evaluados en función de su suma de pares (SP, del inglés sum of pairs), que mide la coincidencia correcta de dos nucleótidos o aminoácidos entre dos secuencias, y de sus columnas totales (TC, del inglés total columns), que corresponde al cociente entre las columnas coincidentes y el total de columnas. En estos casos, MUSCLE mostró un rendimiento promedio en su capacidad para maximizar los pares y columnas coincidentes, siendo ligeramente inferior a ProbCons,^[23]​ T-Coffee,^[24]​ Probalign^[25]​ y MAFFT.^[26]​ Fuera de las puntuaciones de alineamiento, MUSCLE resultó menos exigente computacionalmente, tanto en el tiempo de ejecución del alineamiento como en el uso de memoria.

MUSCLE cuenta con amplia compatibilidad en múltiples plataformas de bioinformática. Está completamente integrado en programas como CodonCode Aligner,^[28]​ el Lasergene de DNAS,^[29]​ STAR,^[30]​ Geneious y MacVector, y también está disponible como complemento para Sequencher, MEGA,^[31]​ UGENE^[32]​ y AliView.^[33]​ Los usuarios también pueden acceder a MUSCLE como servicio web a través del Laboratorio Europeo de Biología Molecular (EMBL, por sus siglas en inglés) - Instituto Europeo de Bioinformática (EBI) o T-Coffee. Asimismo, MUSCLE puede descargarse en dispositivos personales desde su sitio web oficial.

• Alineamiento múltiple de secuencias
• Clustal
• ProbCons
• T-Coffee