[論文レビュー] Fast phylogeny reconstruction through learning of ancestral sequences

Radu Mihaescu, Cameron Hill+1 more|ArXiv.org|Dec 8, 2008

Algorithms and Data Compression参考文献 11被引用数 4

ひとこと要約

本稿では、CFNモデル下での祖先配列学習を用いた、O(n³)時間の高速な系統樹再構築アルゴリズムを提示する。エッジ長の事前境界が不要であり、信頼性の高い部分森の回復を達成する。先行研究のO(log n)のシーケンス長要件を満たしつつ、実行時間を著しく改善し、正確な祖先推定と最小全域木に基づくトポロジー推定により、より深い系統樹の再構築を可能にする。

ABSTRACT

Given natural limitations on the length DNA sequences, designing phylogenetic reconstruction methods which are reliable under limited information is a crucial endeavor. There have been two approaches to this problem: reconstructing partial but reliable information about the tree (\cite{Mo07, DMR08,DHJ06,GMS08}), and reaching "deeper" in the tree through reconstruction of ancestral sequences. In the latter category, \cite{DMR06} settled an important conjecture of M.Steel, showing that, under the CFN model of evolution, all trees on $n$ leaves with edge lengths bounded by the Ising model phase transition can be recovered with high probability from genomes of length $O(\log n)$ with a polynomial time algorithm. Their methods had a running time of $O(n^{10})$. Here we enhance our methods from \cite{DHJ06} with the learning of ancestral sequences and provide an algorithm for reconstructing a sub-forest of the tree which is reliable given available data, without requiring a-priori known bounds on the edge lengths of the tree. Our methods are based on an intuitive minimum spanning tree approach and run in $O(n^3)$ time. For the case of full reconstruction of trees with edges under the phase transition, we maintain the same sequence length requirements as \cite{DMR06}, despite the considerably faster running time.

研究の動機と目的

• 限られた遺伝子配列長の下での信頼性の高い系統樹再構築の課題に取り組むこと。特に、深い進化的系統の木に対して有効であることを目的とする。
• エッジ長に事前境界を要する既存手法の限界を克服し、深く分岐したトポロジーにおいても機能する手法を開発すること。
• 既知のエッジ長制約を仮定せずに、短い配列から信頼性の高い部分森を再構築できる多項式時間アルゴリズムを開発すること。
• 祖先配列の学習により、葉レベルの距離を超えた情報伝達を向上させ、より深い木の再構築を可能にすること。
• 標準的手法と同等の実行時間効率を達成しながら、最先端の手法と同一のシーケンス長要件を維持すること。

提案手法

• 推定された対比較距離に基づく最小全域木（MST）アプローチを用いて、真の系統樹の部分森を推定する。
• 再帰的多数決関数を用いた祖先配列推定により、内部ノードの状態を推定し、情報伝達を強化する。
• エッジが確率1−2p(e)で生存するパーコレーションフレームワークを用いて、CFN進化過程をモデル化する。連結成分はランダムな文字値を継承する。
• イジングモデルの相転移閾値（λ₀ = log(2)/4）を活用し、境界付き誤差で祖先配列を再構築可能であることを保証する。
• カップリング論法と対称性を用いて、葉間の距離が短い場合に祖先状態推定が確率的により正確であることを証明する。
• 祖先推定と距離推定を統合することで、深いノードに対しても信頼性の高いトポロジー再構築を可能にする。

実験結果

リサーチクエスチョン

• RQ1 祖先配列学習は、限られた配列長の下で系統樹再構築の精度を向上させ得るか？
• RQ2 事前エッジ長境界が不要な多項式時間アルゴリズムが、信頼性のある部分森を再構築可能か？
• RQ3 祖先配列再構築により、葉のみの手法と比較して、短い配列でもより深い系統の推定が可能になるか？
• RQ4 O(n¹⁰)からO(n³)に実行時間を短縮しつつ、O(log n)のシーケンス長要件を維持できるか？
• RQ5 最小全域木アプローチはノイズに頑健であり、祖先および葉の配列データからトポロジー構造を効果的に回復できるか？

主な発見

• 提案アルゴリズムはO(n³)時間で実行され、同じモデル下で先行研究のO(n¹⁰)実行時間に比べて顕著な改善を達成する。
• エッジ長がイジングモデルの相転移閾値未満の場合、高い確率で完全な木の再構築が可能であり、[6]と同等のO(log n)のシーケンス長要件を満たす。
• 祖先配列学習により、葉レベルの距離を超えた情報伝達が向上し、より深いノードの信頼性のある再構築が可能になる。
• 完全な木の回復が不可能な場合でも、信頼性のある部分森を構築できるため、データ制限に強く耐性がある。
• 理論的分析により、葉間距離が短い場合に祖先状態推定が確率的により正確であることが確認され、本手法の頑健性を裏付ける。
• 群に基づくモデル（例：Kimura 3ST や Jukes-Cantor）は、群準同型をZ₂に用いることで、二値CFNモデルに還元可能であり、一般化可能である。