《PLOS Computational Biology》:Triplet-based species tree estimation: Sensitivity to gene tree rooting (or lack thereof)
编辑推荐:
物种树估计通常涉及整合跨基因组采样的多个基因的系统发育基因组学方法。然而,基因树异质性(不一致性)——通常归因于不完全谱系分选(Incomplete Lineage Sorting, ILS)——对准确的物种树推断构成了重大挑战。基于三元组(triplet)和
物种树估计通常涉及整合跨基因组采样的多个基因的系统发育基因组学方法。然而,基因树异质性(不一致性)——通常归因于不完全谱系分选(Incomplete Lineage Sorting, ILS)——对准确的物种树推断构成了重大挑战。基于三元组(triplet)和四元组(quartet)的物种树估计方法因其在ILS存在下具有可证明的统计一致性而备受关注。然而,在系统学界,基于有根三元组的方法的应用受到限制,这主要是由于它们在处理无根基因树方面的局限性——这是四元组方法所不面临的问题。由于根的位置直接影响基因树中诱导三元组的分布,因此基于三元组方法的准确性依赖于基因树生根的准确性。尽管关于无根基因树生根方法的研究广泛,但不同生根技术选择及其对现实模型条件下基于三元组的物种树估计的影响却鲜有研究。在本研究中,研究人员对不同基因树生根策略进行了广泛的经验分析,以评估生根对基于三元组的物种树推断的影响。在模拟和经验数据集上,使用STELAR进行的基于三元组的估计通常对基因树生根具有稳健性,多种算法生根策略的性能与在外群生根基因树上运行的STELAR以及广泛使用的基于四元组的方法ASTRAL相当,在某些模型条件下甚至更优。这些结果突显了不同模型条件下生根选择对基于三元组的物种树推断产生积极影响的情况,从而为其在系统发育基因组学分析中的潜在应用提供了新的见解。
一、研究背景、现存问题与研究意义
物种树估计是系统发育基因组学的核心任务之一,旨在从多个基因座的数据中重建物种间的进化历史。然而,不同基因可能拥有不同的进化历史,即基因树不一致性(gene tree discordance),这给准确推断物种树带来了巨大挑战。不完全谱系分选(Incomplete Lineage Sorting, ILS)被认为是导致基因树异质性的主要生物学过程,尤其在经历快速成种事件(rapid radiations)的近缘物种中尤为显著。传统的串联法(concatenation)虽然被广泛使用,但由于其忽略了基因树之间的拓扑差异,可能导致统计不一致,并在高置信度下返回错误的物种树。因此,基于“汇总方法”(summary methods)的策略日益流行,这类方法先分别推断各基因座的基因树,再将其合并为物种树。
在众多汇总方法中,基于三元组(triplet)和四元组(quartet)的方法因其在ILS存在下具有可证明的统计一致性而备受关注。ASTRAL作为最广泛使用的基于四元组的方法,通过动态规划寻找与输入基因树诱导的四元组一致数量最多的物种树。STELAR则是基于三元组的方法,通过最大化与输入基因树一致的三元组数量来推断物种树。尽管两者在理论上都具有统计一致性且精度相当,但STELAR并未像ASTRAL那样得到广泛应用,主要原因在于它要求基因树是有根的。在实际应用中,基因树通常是在时间可逆突变模型下估计的,这使得树的根不可识别(non-identifiable)。将无根基因树转化为有根树的常用方法是引入外群(outgroup)或假设分子钟。然而,合适的外群往往难以确定,且预设外群可能导致有偏的根放置。因此,在缺乏可靠外群或分子钟的情况下,亟需探索其他生根技术对基于三元组的物种树估计的影响。
针对上述问题,本研究系统性地评估了不同基因树生根策略对基于三元组的物种树估计方法STELAR性能的影响。研究人员发现,STELAR总体上对基因树生根方法的选择具有稳健性,某些算法生根策略的表现甚至优于传统的外群生根和主流四元组方法ASTRAL。这一发现表明,缺乏可靠外群并不应成为使用基于三元组方法的障碍,并为改进其在系统发育基因组学研究中的表现开辟了新途径。
二、关键技术方法概述
为开展此项研究,研究人员采用了以下主要关键技术方法:
- 1.
基因树生根方法:比较分析了六种生根技术,包括外群生根法(Outgroup Rooting, OG)、中点生根法(Mid-Point Rooting, MP)、最小方差生根法(Minimum Variance Rooting, MV)、最小祖先偏差生根法(Minimal Ancestor Deviation, MAD)、RootDigger(含搜索模式RD和穷举模式RD-EX)以及随机生根法(Random Rooting, RAND)。
- 2.
物种树估计方法:采用基于三元组的统计一致方法STELAR作为主要的物种树估计工具,并与基于四元组的领先方法ASTRAL-III进行比较。此外,还使用了另一种基于三元组的方法SuperTriplets进行补充验证。
- 3.
模拟与经验数据集:使用了多个模拟数据集(涵盖37、48、15、11、200和500个分类单元,涉及不同水平的ILS、基因数量和序列长度)以及三个生物学数据集(被子植物、羊膜动物和哺乳动物数据集)。
- 4.
评估指标:采用归一化的Robinson-Foulds距离(RF distance)衡量物种树误差,同时计算三元组得分(Triplet Score, TS)和四元组得分(Quartet Score, QS)进行评估。对于生根准确性,则计算了正确生根百分比和根放置的平均拓扑距离。
三、研究结果
3.1 模拟数据集
3.1.1 37tax-sim(37分类单元模拟数据集): 在该数据集上,STELAR对不同的基因树生根方法表现出总体稳健性。MP、MV、MAD和RD-EX等方法与STELAR结合后,得到的物种树精度与使用外群生根(OG)的STELAR相比无统计学显著差异。令人意外的是,随机生根(RAND)在某些模型条件下(如低ILS、真实基因树)也保持了竞争力。然而,RD(搜索模式)在所有模型条件下均表现较差,而RD-EX(穷举模式)则在多数条件下表现优异。值得注意的是,在某些模型条件下,使用MP、MV、MAD和RD-EX生根的基因树产生的物种树甚至优于使用已知真实外群的STELAR以及ASTRAL。此外,所有基于三元组的方法(除STELAR-RD、STELAR-RD-EX和STELAR-RAND外)都能在所有模型条件下正确预测物种树的根。
3.1.2 15tax-sim(15分类单元模拟数据集): 在该数据集中,STELAR-MAD在所有模型条件下均显著优于其他方法,甚至超越了ASTRAL。尽管MAD的生根准确性较低(仅约20%-80%的正确率),但其看似“不准确”的生根反而帮助STELAR在一定程度上应对了基因树估计误差,从而获得了最佳性能。相比之下,STELAR-RD在“困难”条件(少量基因、短序列)下表现较好,但在较容易的条件下逐渐落后。STELAR-RAND的性能下降在此数据集中比37tax-sim更为明显,暗示其较差性能可能与分类单元数较少有关。
3.1.3 11tax-sim(11分类单元模拟数据集): 随着基因数量的增加,所有方法的RF距离均降低。除STELAR-RAND外,所有STELAR变体与ASTRAL的性能几乎相同,其中STELAR-MP和STELAR-MV在所有情况下都产生了相同的物种树。四元组得分比三元组得分更能捕捉RF距离的细微变化。
3.1.4 48tax-sim(48分类单元模拟数据集): 与之前的观察不同,在此数据集中STELAR与外群生根(OG)配合效果最好。在“较难”条件下,STELAR-MP、STELAR-MV和STELAR-MAD表现尚可,但在高基因数和低ILS条件下未能跟上STELAR-OG的步伐。此外,STELAR对随机生根的稳健性在此数据集中达到最高,进一步证实了RAND生根在更多分类单元下表现更好的假设。与之前的数据集不同,此次所有STELAR变体均未能正确预测物种树的根。
3.1.5 高分类单元数结果(200tax-sim和500tax-sim): 在200tax-sim数据集中,STELAR-OG显著优于所有其他STELAR变体。在500tax-sim数据集中,STELAR-RAND甚至超过了STELAR-OG,但ASTRAL在RF距离方面显示出统计显著的改善。随着分类单元数的增加,STELAR对基因树生根的稳健性增强,这可能是因为搜索空间中与“最佳”树相差k条边的物种树数量增加,使得STELAR有更多机会在随机生根的基因树上找到更好的解。
3.2 生物学数据集
3.2.1 羊膜动物数据集: ASTRAL、STELAR-OG以及出乎意料的STELAR-RAND正确恢复了所有重要支系。STELAR-MV未能恢复毒蛇类(Toxicofera)支系,STELAR-MAD和STELAR-MP还未能恢复主龙类(Archosaurs)支系。STELAR-RD错误地将爪蟾属(Xenopus)置于羊膜动物内部,而STELAR-RD-EX则错误地放置了鳄鱼和凯门鳄的分类单元。
3.2.2 被子植物数据集: STELAR-MAD成功地将无油樟属(Amborella)定位为其他被子植物的姊妹群,并将所有被子植物组成的支系定位为外群的姊妹群,但未能预测萍蓬草属(Nuphar)的位置。其他STELAR变体则错误地放置了卷柏属(Selaginella),导致无油樟属被置于其他三个外群分类单元的姊妹支系中。所有STELAR变体在葡萄属(Vitis)、蝇子草属(Silene)、桉属(Eucalyptus)等分类单元的放置上均存在问题,而ASTRAL则正确地恢复了这些关系。
四、讨论与结论
本研究表明,基于三元组的物种树估计方法STELAR对基因树生根方法的选择具有总体稳健性。在多种模拟和经验数据集上,使用MP、MV、MAD等算法生根方法获得的物种树精度与使用外群生根(OG)的STELAR以及主流四元组方法ASTRAL相当,甚至在某些模型条件下更优。特别值得关注的是,在15分类单元的高ILS模拟数据集中,STELAR-MAD显著优于所有其他方法,尽管其基因树生根准确性并不高。这表明,在某些情况下,偏离严格分子钟假设的生根方式反而有助于缓解基因树估计误差带来的负面影响。此外,随着分类单元数量的增加,STELAR对随机生根的稳健性也随之增强,这可能与搜索空间的结构特性有关。
研究结论指出,缺乏可靠外群不应成为阻碍使用基于三元组方法的理由。算法生根方法能够提供有效的替代方案,并且在特定条件下有可能提升物种树估计的性能。这些发现为未来进一步研究基因树生根对基于三元组的物种树估计方法的影响开辟了新的方向,同时也提示研究人员在选择生根策略时应根据具体的数据特征(如ILS水平、基因数量、序列长度和分类单元数)进行权衡。