[論文レビュー] Distance-based species tree estimation: information-theoretic trade-off between number of loci and sequence length under the coalescent

Elchanan Mossel, Sébastien Roch|arXiv (Cornell University)|Apr 21, 2015

Identification and Quantification in Food参考文献 42被引用数 6

ひとこと要約

本論文は、マルチスパシーズコalescentモデル下での距離ベースの系統樹推定において、遺伝子座の数と配列長の間の情報理論的トレードオフを確立する。スパース信号検出に接続することで、長さ $ f $ の系統樹の枝を検出するには $ m = \Theta(1/(f^2\sqrt{k})) $ 個の遺伝子座が必要であると証明し、正確な系統樹再構築に必要なデータの根本的限界を明らかにする。

ABSTRACT

We consider the reconstruction of a phylogeny from multiple genes under the multispecies coalescent. We establish a connection with the sparse signal detection problem, where one seeks to distinguish between a distribution and a mixture of the distribution and a sparse signal. Using this connection, we derive an information-theoretic trade-off between the number of genes, $m$, needed for an accurate reconstruction and the sequence length, $k$, of the genes. Specifically, we show that to detect a branch of length $f$, one needs $m = Θ(1/[f^{2} \sqrt{k}])$.

研究の動機と目的

• マルチスパシーズコalescentモデル下での距離ベースの系統樹推定に必要な根本的データ要件を理解すること。
• 長さ $ f $ の系統樹の枝を検出するために必要な遺伝子座数 $ m $ と配列長 $ k $ の間のトレードオフを定量化すること。
• スパース信号検出問題に接続することで、系統樹再構築の理論的検出境界を確立すること。
• 一貫した系統樹推定に必要な遺伝子座数の情報理論的下界と上界を提供すること。

提案手法

• スパース信号検出に類似した、信号なし（帰無仮説）とスパース信号あり（対立仮説）の2つの分布の間の仮説検定問題として系統樹推定を形式化する。
• Jukes-Cantorモデル下での遺伝子配列をモデル化し、系統樹再構築の十分統計量として対間配列距離を用いる。
• Berry-Esseen定理と濃縮不等式を適用して、遺伝子座間での距離分位数の標本分布を制限する。
• 2段階のアルゴリズムを開発：まず、距離の $ C/\sqrt{k} $ 分位数から閾値 $ \hat{p} $ を推定し、次にその閾値以下の遺伝子の割合をデータセット間で比較する。
• 依存関係を制御し、仮説検定における統計的独立性を保証するため、データを分割した構造を用いる。
• 濃縮および尾確率の議論を用いて $ m $ の漸近的境界を導出し、$ m = \Theta(1/(f^2\sqrt{k})) $ が高確率での検出に必要かつ十分であることを示す。

実験結果

リサーチクエスチョン

• RQ1 マルチスパシーズコalescentモデル下で、配列長 $ k $ が与えられたとき、長さ $ f $ の系統樹の枝を検出するために必要な最小の遺伝子座数 $ m $ は何か？
• RQ2 距離ベースの系統樹推定において、必要な遺伝子座数は、枝長 $ f $ と配列長 $ k $ に対してどのようにスケーリングされるか？
• RQ3 スパース信号検出フレームワークを用いて、マルチスパシーズコalescentに基づく系統樹再構築の情報理論的限界を導出可能か？
• RQ4 有限長の複数の遺伝子座を用いて、2つの系統樹トポロジーを区別するための根本的検出境界は何か？

主な発見

• 長さ $ f $ の枝を検出するために必要な遺伝子座数 $ m $ は $ \Theta(1/(f^2\sqrt{k})) $ のスケーリングに従い、$ m $ と $ k $ の間の明確な情報理論的トレードオフを確立する。
• 系統樹再構築問題をスパース信号検出問題に還元することで検出境界が導出され、信号は長さ $ f $ の枝に対応する。
• 提案された2段階のアルゴリズムは、十分に大きな定数 $ c' $ に対して $ m \geq c'/(f^2\sqrt{k}) $ 個の遺伝子座で、高確率での系統樹トポロジーの検出を達成する。
• $ f \ll 1/k $ であっても、第二段階で閾値以下の遺伝子の割合を比較するため、有限な $ k $ による量子化問題を克服でき、この手法は頑健である。
• 分析により、検出境界が鋭いことが示された：$ m $ が $ c/(f^2\sqrt{k}) $ よりも小さい場合、高確率で検出は失敗する。
• 結果は距離ベースの手法に適用可能であり、マルチスパシーズコalescent系統樹推定におけるデータ要件を理解する理論的基盤を提供する。