[論文レビュー] Phylogenetic tree constructing algorithms fit for grid computing with SVD

Young Rock Kim, Oh In Kwon+2 more|ArXiv.org|Nov 4, 2006

Genomics and Phylogenetic Studies参考文献 12被引用数 3

ひとこと要約

本稿では、グリッドコンピューティング向けに設計された2つのSVDベースの系統樹再構築アルゴリズムを提示する。固定16行構造のフラットネイングを用いることで、数値的安定性とスケーラビリティを確保している。SVDを用いたフラットネイングのランク条件を活用することで、最大32種の系統樹再構築において統計的に一貫性のある結果が得られ、特に進化が速い taxon（例：ネズミ類）を扱う際にも、対照的な隣接結合法（neighbor joining）よりも低い対称距離と高い再構築精度を達成している。

ABSTRACT

Erikkson showed that singular value decomposition(SVD) of flattenings determined a partition of a phylogenetic tree to be a split. In this paper, based on his work, we develop new statistically consistent algorithms fit for grid computing to construct a phylogenetic tree by computing SVD of flattenings with the small fixed number of rows.

研究の動機と目的

• グリッドコンピューティングアーキテクチャに適した統計的に一貫性のある系統樹再構築アルゴリズムの開発を目的とする。
• 多くの葉を持つ大きな系統樹に適用する際、従来のSVDベースの系統樹構築手法に見られる数値的不安定性と計算ボトルネックを克服することを目的とする。
• 一般マルコフモデルを用いた系統樹の効率的再構築を可能にするために、固定小規模行数（16行）のフラットネイングのSVDを用いること。
• シミュレート済みおよび実際のゲノムデータの両方における性能評価を目的とし、特に進化が速い種（例：マウスやラット）が含まれる難易度の高いENCODEデータセットに焦点を当てる。
• 標準的手法が誤って配置するネズミ類のような種において、系統樹の生物学的正確性を向上させる点で隣接結合法を上回ることを示すこと。

提案手法

• 本手法は、関連確率分布のフラットネイングに対して特異値分解（SVD）を適用し、行列が特定のランクにどの程度近いかを評価することで、系統樹の妥当な分割を示すランク条件（系統的不変量）を同定する。
• フラットネイングは、葉集合を2つの部分集合に分割することで構築され、サイズが16 × m^{|B|} の行列となる。ここでmはヌクレオチド状態数（DNAではm=4）。
• これらの固定サイズ（16行）フラットネイングに対してSVDを計算し、ランク不足の有無をテストすることで、系統樹における有効な分割を特定する。
• アルゴリズム1は再帰的分割を用いてすべての可能な分割を体系的に評価するが、アルゴリズム2は計算負荷を低減するための最適化された探索戦略を採用する。
• 距離ベースの仮定を必要とせず、グローバルレート行列も必要としないため、種間におけるレートの不均一性に対しても頑健である。
• SVD計算が個々のフラットネイングに対してモジュラーかつ独立的であるため、分散ノード間での並列処理が可能となり、グリッドコンピューティングを効果的にサポートする。

実験結果

リサーチクエスチョン

• RQ1 固定サイズフラットネイングを用いることで、n ≥ 15種の大きな系統樹に対して、SVDベースの系統樹再構築をスケーラブルかつ数値的に安定に実現できるか？
• RQ2 実際のゲノムデータ、特にマウスやラットのような進化が速い種を含むデータに対して、SVDベースのアルゴリズムは隣接結合法に比べて性能が優れているか？
• RQ3 16行という小規模なフラットネイングのSVDは、標準的手法がレート不均一性のため失敗する状況でも、正しい系統樹の分割を高精度で検出できるか？
• RQ4 SVDベースの系統樹構築の計算複雑性を、グリッドコンピューティング環境に分散させることでどの程度低減できるか？
• RQ5 グローバルレート行列の仮定を排除することで、レートが不均一なデータセットにおける系統樹再構築の正確性が向上するか？

主な発見

• アルゴリズム2は、32種のDNAデータセット100件（全種で一様な分岐長0.1）に対して94％の再構築率を達成し、対照的な隣接結合法（NJ）の99％の再構築率を上回るが、対称距離の観点では優れている。
• 実際のENCODEデータでは、アルゴリズム1が全301データセットで対称距離（ds）2.57を達成したのに対し、隣接結合法は2.77であった。これは、トポロジカルな正確性が優れていることを示している。
• 手動で選択したENCODE領域では、アルゴリズム1および2ともに75データセットで100％の再構築正確性（Pc = 12.0）を達成し、隣接結合法（Pc = 14.6）を上回った。
• 本手法は、ネズミ類が霊長類の姉妹クラッドとして正しく配置される生物学的に正しい系統樹を再構築に成功した。一方、標準的手法ではしばしばネズミ類がアウターグループとして誤って配置される。
• アルゴリズム1の計算ボトルネックは19番目のループであり、2^16 × C(14,2) = 1,048,576 × 91 ≈ 9500万回のSVD計算を要したが、10CPUクラスタ上で並列処理により管理可能であった。
• 本手法のレート不均一性への頑健性は、グローバルレート行列を仮定しないで正しい分割を推定できる点から裏付けられており、標準的な距離ベース手法とは対照的である。