Aquí pasamos de solo ver el árbol a interactuar con él.
La manipulación nos permite explorar mejor la topología y preparar figuras más limpias:
ggtree## Paquetes
library(tidyverse)
library(ggtree)
library(treeio)
library(ape)
# Archivo ML (NEWICK)
f_raxml <- "../docs/raxml_cox1_Stenopelmatus.tre"
# Lectura con ape
ml_phylo <- read.tree(f_raxml)
# geom_tiplab() agregra nombres de terminales
# size controla el tamaño del texto
ml_p <- ggtree(ml_phylo)
ml_p
phyloCuando cargamos un árbol en R con ape lo que tenemos es un objeto de clase phylo.
Este objeto contiene varias piezas internas:
# Estructura básica de un árbol phylo
str(ml_phylo)List of 5
$ edge : int [1:192, 1:2] 98 99 100 101 101 100 102 102 103 104 ...
$ edge.length: num [1:192] 0.05274 0.00861 0.06709 0.00582 0.00603 ...
$ Nnode : int 96
$ node.label : chr [1:96] "" "99" "66" "100" ...
$ tip.label : chr [1:97] "CNIN3621" "CNIN3620" "CNIN3640" "CNIN3913" ...
- attr(*, "class")= chr "phylo"
- attr(*, "order")= chr "cladewise"🔀 edge → tabla de conexiones entre nodos (quién es hijo de quién).
📏 edge.length → longitudes de las ramas.
🌱 Nnode → número de nodos internos.
🏷️ node.label → etiquetas de nodos (ej. valores de bootstrap o posterior).
🌿 tip.label → nombres de las terminales.
Cuando usamos ggtree(...), el objeto se transforma en un data.frame interno accesible con $data.
# Transforma en un data.frame
ml_df <- ml_p$data
# Ver las primeras 10 lineas
head(ml_df, 10)# A tibble: 10 × 9
parent node branch.length label isTip x y branch angle
<int> <int> <dbl> <chr> <lgl> <dbl> <dbl> <dbl> <dbl>
1 101 1 0.00582 CNIN3621 TRUE 0.134 4 0.131 14.8
2 101 2 0.00603 CNIN3620 TRUE 0.134 5 0.131 18.6
3 102 3 0.0530 CNIN3640 TRUE 0.133 6 0.106 22.3
4 105 4 0.00000100 CNIN3913 TRUE 0.135 8 0.135 29.7
5 105 5 0.00000100 CNIN3641 TRUE 0.135 9 0.135 33.4
6 104 6 0.00000100 CNIN4215 TRUE 0.135 7 0.135 26.0
7 107 7 0.00430 CNIN4319 TRUE 0.156 11 0.154 40.8
8 107 8 0.00000100 CNIN4216 TRUE 0.151 12 0.151 44.5
9 106 9 0.00170 CNIN4217 TRUE 0.148 10 0.147 37.1
10 109 10 0.0443 EF030183 TRUE 0.190 13 0.168 48.2Ese data incluye columnas como:
🔗 parent → ID del nodo padre.
🔢 node → # de nodo.
📏 branch.length → Longitud de la rama.
🏷️ label → Nombre del taxón (si es tip) o valor de soporte (si es nodo).
✅/❌ isTip → TRUE si es terminal, FALSE si es nodo interno.
📐 x, y → Coordenadas asignadas por ggtree para graficar.
🔀 branch → Longitud usada para posicionar gráficamente.
📐 angle → Ángulo de la rama (en layouts circulares o fan).
%<+% de ggtree💾 Metadatos para el árbol (qué y para qué)
A veces necesitamos información extra para cada terminal (muestra) que no viene en el árbol:
Asignación taxonómica: especie, género, clado, área biogeográfica, etc.
Rasgos morfológicos: presencia/ausencia (0/1), conteos (número de espinas), medidas (mm), etc.
Datos ecológicos: hábitat, elevación, bioma, etc.
📌 Integrar metadatos al árbol con %<+%
Los metadatos se integran al gráfico con el operador %<+%, que funciona como un “enchufe”:
Fusiona por la columna label.
Esa columna debe estar en tu dataframe de metadatos y debe coincidir exactamente con los nombres de las terminales del árbol (ml_p$data$label).
👉 Es decir, el df con tus metadatos necesita una columna llamada label, donde cada valor sea idéntico al nombre de las puntas del árbol.
✅ Cuándo usar %<+%
Cuando tus IDs de tips en el árbol y tu tabla coinciden 1:1 (mismo texto).
Cuando quieres evitar hacer joins manuales con dplyr y trabajar de inmediato con geom_* de ggtree.
🧩 Requisitos mínimos
La tabla debe tener una columna con los mismos nombres que label del árbol.
Si tu columna no se llama label, renómbrala en tu tabla.
# Cargar la tabla
df_stenopelmatus <- read.csv("../docs/stenopelmatus.csv") %>%
rename(label = Sample) # renombrar las columna Sample por label
head(df_stenopelmatus) label Lat Long Species Text
1 CNIN3620 15.649 -92.809 Stenopelmatus_micropterous 40: S. sp. aff. chiapas
2 CNIN3621 15.649 -92.809 Stenopelmatus_micropterous <NA>
3 CNIN3624 15.722 -92.939 Stenopelmatus_macropterous 25: S. sartorianus
4 CNIN3625 15.722 -92.939 Stenopelmatus_macropterous <NA>
5 CNIN3626 15.722 -92.939 Stenopelmatus_macropterous <NA>
6 CNIN3630 19.631 -97.009 Stenopelmatus_apterous <NA>
Color Presencia_alas Region
1 negro no Mexico: Chiapas Highlands province
2 negro no Mexico: Chiapas Highlands province
3 naranja si Mexico: Chiapas Highlands province
4 naranja si Mexico: Chiapas Highlands province
5 naranja si Mexico: Chiapas Highlands province
6 rojo no Mexico: Transmexican Volcanic Belt province#Unir árbol + informacion extra
ml_p <- ml_p %<+% df_stenopelmatus
# Transforma en un data.frame
ml_df <- ml_p$data
head(ml_df[,4:12])# A tibble: 6 × 9
label isTip x y branch angle Lat Long Species
<chr> <lgl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
1 CNIN3621 TRUE 0.134 4 0.131 14.8 15.6 -92.8 Stenopelmatus_micropterous
2 CNIN3620 TRUE 0.134 5 0.131 18.6 15.6 -92.8 Stenopelmatus_micropterous
3 CNIN3640 TRUE 0.133 6 0.106 22.3 16.7 -94.2 Stenopelmatus_micropterous
4 CNIN3913 TRUE 0.135 8 0.135 29.7 16.2 -96.5 Stenopelmatus_micropterous
5 CNIN3641 TRUE 0.135 9 0.135 33.4 16.2 -96.5 Stenopelmatus_micropterous
6 CNIN4215 TRUE 0.135 7 0.135 26.0 16.2 -96.5 Stenopelmatus_micropterous# ggtree(...)$data expone la tabla interna con columnas como x, y, node, isTip, label
ggtree(ml_phylo) +
geom_text2(aes(label = node),
hjust = -0.1, size = 2.5, color = "gray25") 
👉 Tip: los números de nodos no aparecen en el Newick, son generados por R al leer el árbol.
Los tips siempre se numeran del 1 al número de taxa.
Los nodos internos siguen con números consecutivos.
¿Por qué rotar un árbol?
No cambia la topología: rotar solo invierte el orden de los dos subclados hijos de un nodo interno. Las relaciones evolutivas permanecen idénticas.
Mejora la legibilidad: puedes alinear clados de interés, reducir cruces de ramas y acomodar etiquetas para una figura más limpia.
Estética para publicación: ayuda a que comparaciones (p. ej., entre clados hermanos) queden “lado a lado” como quieres mostrar en el manuscrito.
Ejemplo
# Rotar en el nodo 116
p_rotate_116 <- ggtree(ml_phylo) +
ggtree::rotate(node = 116)
# ggtree guarda el arbol sin rotar y el rotado en una lista
# Árbol sin rotar
p_rotate_116[[1]] +
geom_text2(aes(label = node),
hjust = -0.1, size = 2.5, color = "gray25") 
# Árbol rotado
p_rotate_116[[2]] +
geom_text2(aes(label = node),
hjust = -0.1, size = 2.5, color = "gray25") 
# Extraes la tabla resultante tras la rotación
rotated_df <- p_rotate_116[[2]]$data
# Ver las primeras 10 lineas
head(rotated_df, 10)# A tibble: 10 × 9
parent node branch.length label isTip x y branch angle
<int> <int> <dbl> <chr> <lgl> <dbl> <dbl> <dbl> <dbl>
1 101 1 0.00582 CNIN3621 TRUE 0.134 4 0.131 14.8
2 101 2 0.00603 CNIN3620 TRUE 0.134 5 0.131 18.6
3 102 3 0.0530 CNIN3640 TRUE 0.133 6 0.106 22.3
4 105 4 0.00000100 CNIN3913 TRUE 0.135 8 0.135 29.7
5 105 5 0.00000100 CNIN3641 TRUE 0.135 9 0.135 33.4
6 104 6 0.00000100 CNIN4215 TRUE 0.135 7 0.135 26.0
7 107 7 0.00430 CNIN4319 TRUE 0.156 11 0.154 40.8
8 107 8 0.00000100 CNIN4216 TRUE 0.151 12 0.151 44.5
9 106 9 0.00170 CNIN4217 TRUE 0.148 10 0.147 37.1
10 109 10 0.0443 EF030183 TRUE 0.190 13 0.168 48.2📐 Cómo funcionan los ejes en ggtree
Eje X (x) → representa la distancia acumulada desde la raíz.
Si tu árbol es de Máxima Verosimilitud o inferencia bayesiana, X suele ser sustituciones por sitio.
Si es ultramétrico (ej. BEAST), X puede interpretarse como tiempo.
Eje Y (y) → es un índice que asigna ggtree automáticamente a cada terminal, de arriba a abajo.
# Rango en X (distancia/tiempo)
# xr → te dice de dónde a dónde llega el árbol en horizontal.
xr <- range(ml_df$x, na.rm = TRUE)
# Rango en Y (posición de tips/nodos)
# yr → te da el número mínimo y máximo de posiciones verticales (básicamente cuántos tips).
yr <- range(ml_df$y, na.rm = TRUE)
# 5% de aire a izquierda/derecha
pad_left <- 0.05 * diff(xr)
pad_right <- 0.05 * diff(xr)
ggtree(ml_phylo) +
# Eje X visible y ajustado
scale_x_continuous(
name = "Distancia (sust./sitio)", # cambia el nombre si es tiempo
breaks = pretty(xr, n = 6),
limits = c(xr[1] - pad_left, xr[2] + pad_right),
expand = c(0, 0) # usamos limits, no expand
) +
# Eje Y visible con ticks
scale_y_continuous(
name = "Número de taxa",
breaks = pretty(yr, n = 5),
expand = expansion(mult = c(0.02, 0.04))
) +
# Mostrar ticks y líneas (ggtree los oculta por default)
theme(
axis.line.y = element_line(),
axis.ticks.y = element_line(),
axis.text.y = element_text(size = 8),
axis.title.y = element_text(size = 10),
axis.line.x = element_line(),
axis.ticks.x = element_line(),
axis.text.x = element_text(size = 8),
axis.title.x = element_text(size = 10)
) 
👉 Para que las etiquetas no se corten, el árbol sea legible y la figura mantenga proporciones al exportar.
🔑 Pasos básicos:
📐 Calcular rangos en x y y desde ggtree(tr)$data.
➕ Agregar un poco de aire a la derecha (pad_x) para las etiquetas.
📏 Usar scale_x_continuous y scale_y_continuous con expand=0 para fijar límites exacto
✂️ coord_cartesian(clip="off") → deja que sobresalgan etiquetas largas.
↔︎️ plot.margin → agrega margen extra si se cortan textos.
📊 geom_treescale → coloca una barra de escala en coordenadas reales.
👉 En pocas líneas: controlas el espacio visible, evitas recortes y aseguras consistencia en tus figuras.
# obtener el numero de terminales
ntips_s <- ml_df %>%
filter(isTip == "TRUE") %>%
nrow()
# Aire extra en X (5% del rango) para no cortar etiquetas
pad_x <- 0.05 * diff(xr)
ml_p_adj <- ml_p +
geom_treescale(y = -3.5, width = 0.02) + # escala sustituciones por sitio.
scale_x_continuous(limits = c(xr[1] - pad_x, xr[2] + pad_x),
expand = c(0, 0)) + # Limites exactos sin padding automático
scale_y_continuous(limits = c(-5, ntips_s + 3),
expand = c(0, 0)) +
coord_cartesian(clip = "off") + # Permitir etiquetas largas fuera del panel
theme(plot.margin = margin(5.5, 25, 5.5, 5.5)) # Más aire a la derecha
ml_p_adj
En un árbol de Máxima Verosimilitud (ML), los nodos internos suelen llevar valores de bootstrap que indican qué tan confiable es cada agrupación:
🔢 Primero podemos mostrar los valores en crudo (números en cada nodo).
⚫ Después, para figuras más limpias, podemos resumir gráficamente los soportes de acuerdo con Alfaro et al. (2003):
Bootstrap > 80 → círculos negros (alta confianza).
Bootstrap 50–80 → círculos grises (confianza moderada).
Bootstrap < 50 → círculos blancos (confianza baja).
👉 Esto permite pasar de una visualización informativa (con números) a una visualización estética y clara.
# Soportes tal cual vienen del árbol (RAxML suele guardarlos en node.label)
ml_p_adj +
geom_text2(aes(label = label, subset = !isTip & label != ""),
size = 2.5, vjust = -0.3, hjust = 1.2)
> 80: círculos negros
50–80: círculos grises
< 50: círculos blancos
# Puntos por umbral de bootstrap
ml_p_adj <- ml_p_adj +
# Negro: >80
geom_point2(aes(subset = !isTip & as.numeric(label) > 80),
size = 2.5, shape = 16, color = "black") +
# Gris: 50–80
geom_point2(aes(subset = !isTip & as.numeric(label) >= 50 & as.numeric(label) <= 80),
size = 2.5, shape = 16, color = "grey40") +
# Blanco: <50
geom_point2(aes(subset = !isTip & as.numeric(label) < 50),
size = 2.5, shape = 21, fill = "white", color = "black")
ml_p_adj 
Hasta ahora solo hemos visto el árbol como estructura y hemos manipulado nodos o tamaños. En esta parte vamos a enriquecerlo con nuestros metadatos —que añadimos en el paso previo con el operador %<+% de ggtree— para poder representar información extra en el árbol.
# Paleta por categoría funcional (ajústala si quieres)
pal <- c(
"Stenopelmatus_apterous" = "#56ae6c",
"Stenopelmatus_micropterous" = "#a24f99",
"Stenopelmatus_macropterous" = "#af953c",
"Ammopelmatus_apterous" = "#6971c9",
"Outgroup" = "#ba4a4f"
)
ml_p_adj +
geom_tiplab(aes(color = Species), size = 2.5, offset = 0.003) +
scale_color_manual(
values = pal,
na.value = "black",
# orden explícito de los grupos
breaks = c("Ammopelmatus_apterous",
"Stenopelmatus_apterous",
"Stenopelmatus_macropterous",
"Stenopelmatus_micropterous",
"Outgroup"),
labels = c(Ammopelmatus_apterous = expression(bolditalic("A. apterous")),
Stenopelmatus_apterous = expression(bolditalic("S. apterous")),
Stenopelmatus_macropterous = expression(bolditalic("S. macropterous")),
Stenopelmatus_micropterous = expression(bolditalic("S. micropterous")),
Outgroup = expression(bold("Outgroup")))) +
guides(color = guide_legend(title = "Species",
override.aes = list(size = 4))) +
theme(
legend.position = c(0.25, 0.98), # esquina superior derecha (98% ancho/alto)
legend.justification = c("right", "top"), # anclar a esa esquina
legend.background = element_rect(fill = "white", color = "black"), # recuadro
legend.key = element_rect(fill = "white", color = "black"), # caja de cada color
legend.title = element_text(size = 10, face = "bold"),
legend.text = element_text(size = 9))
# pal: tu paleta por especie (ya definida antes)
ml_p_adj +
geom_tiplab(
aes(fill = Species, label = label), # fill por especie
color = "grey15",
geom = "label", # cajita detrás del texto
label.size = 0, # sin borde en la cajita
label.padding = unit(0.12, "lines"), # relleno interno de la cajita
size = 2.6,
offset = 0.003,
show.legend = TRUE
) +
scale_fill_manual(
values = pal,
na.value = "black",
# orden explícito de los grupos
breaks = c("Ammopelmatus_apterous",
"Stenopelmatus_apterous",
"Stenopelmatus_macropterous",
"Stenopelmatus_micropterous",
"Outgroup"),
labels = c(Ammopelmatus_apterous = expression(bolditalic("A. apterous")),
Stenopelmatus_apterous = expression(bolditalic("S. apterous")),
Stenopelmatus_macropterous = expression(bolditalic("S. macropterous")),
Stenopelmatus_micropterous = expression(bolditalic("S. micropterous")),
Outgroup = expression(bold("Outgroup")))) +
guides(fill = guide_legend(
title = "Species",
# símbolo cuadrado, sin letra y un poco más pequeño para que el gap sea menor
override.aes = list(shape = 15, size = 4, label = NULL, colour = NA, stroke = 0),
label.hjust = 0, title.hjust = 0)) +
theme(
legend.position = c(0.02, 0.98),
legend.justification = c("left", "top"),
legend.background = element_rect(fill = "white", color = "white"),
# menos espacio entre key y texto
legend.title = element_text(size = 10, face = "bold"),
legend.text = element_text(size = 9, margin = margin(l = 0))
)