[論文レビュー] Reconstructing protein and gene phylogenies by extending the framework of reconciliation

Esaie Kuitche, Lafond, Manuel+1 more|arXiv (Cornell University)|Oct 30, 2016

Genomics and Phylogenetic Studies参考文献 15被引用数 3

ひとこと要約

本稿では、遺伝子系統樹とタンパク質系統樹を区別する新しい一致枠組みを提案し、標準的な遺伝子-系統樹イベントに加えて、タンパク質の生成と喪失イベントをモデル化することでタンパク質の進化を記述する。遺伝子とタンパク質の系統樹を最小限の二重一致コストで再構築するための2つの新しい問題、MinDRGT と MinDRPGT を提案し、Ensembl の遺伝子系統樹補正において顕著なコスト削減を実証するヒューリスティックアルゴリズムを用いる。

ABSTRACT

The architecture of eukaryotic coding genes allows the production of several different protein isoforms by genes. Current gene phylogeny reconstruction methods make use of a single protein product per gene, ignoring information on alternative protein isoforms. These methods often lead to inaccurate gene tree reconstructions that require to be corrected before being used in phylogenetic tree reconciliation analyses or gene products phylogeny reconstructions. Here, we propose a new approach for the reconstruction of accurate gene trees and protein trees accounting for the production of alternative protein isoforms by the genes of a gene family. We extend the concept of reconciliation to protein trees, and we define a new reconciliation problem called MinDRGT that consists in finding a gene tree that minimizes a double reconciliation cost with a given protein tree and a given species tree. We define a second problem called MinDRPGT that consists in finding a protein tree and a gene tree minimizing a double reconciliation cost, given a species tree and a set of protein subtrees. We provide algorithmic exact and heuristic solutions for some versions of the problems, and we present the results of an application to the correction of gene trees from the Ensembl database. An implementation of the heuristic method is available at https://github.com/UdeS-CoBIUS/Protein2GeneTree.

研究の動機と目的

• 真核生物の遺伝子が産生する代替タンパク質アイソフォームを無視する現在の遺伝子系統樹再構築の不正確さを是正すること。
• タンパク質系統樹が遺伝子系統樹内で進化する二層構造の一致モデルを形式化し、古典的な遺伝子-系統樹一致を拡張すること。
• タンパク質、遺伝子、系統樹間の一致コストを同時に最小化する最適化問題 MinDRGT と MinDRPGT を開発すること。
• これらの問題を解く正確なアルゴリズムとヒューリスティックアルゴリズムを開発し、特に Ensembl のようなデータベースからの既存の遺伝子系統樹の補正に特化すること。
• 実データを用いた評価を行い、補正済みの遺伝子系統樹が顕著に低い一致コストを達成することを示すこと。

提案手法

• 系統樹のタンパク質-遺伝子一致を定義し、種分岐、複製、喪失に加えて、タンパク質生成およびタンパク質喪失という2つの新しい進化的イベントを導入する。
• MinDRGT 問題を提案：与えられたタンパク質系統樹と系統樹から、タンパク質-遺伝子および遺伝子-系統樹の一致コストの合計を最小化する遺伝子系統樹を求める。
• MinDRPGT 問題を提案：与えられた系統樹とタンパク質部分系統樹の集合から、同じ二重一致コストを最小化するタンパク質系統樹と遺伝子系統樹を同時に再構築する。
• 入力タンパク質系統樹を系統樹をガイドとして用いて変更することで最適な遺伝子系統樹を生成するヒューリスティックアルゴリズムを開発する。
• ソフトクラスタリング手法を用いて生成なしタンパク質部分系統樹を同定し、MinDRPGT を MinDRGT に還元する。その後、多項式時間アルゴリズムで全タンパク質系統樹を再構築する。
• ヒューリスティックを用いて 10,861 個の Ensembl 遺伝子系統樹を補正し、コスト削減が顕著に認められ、精度が向上した。

実験結果

リサーチクエスチョン

• RQ1 タンパク質生成および喪失イベントを明示的にモデル化することで、遺伝子系統樹の再構築をより正確に行えるか？
• RQ2 各遺伝子が1つのタンパク質を産生する場合、最適な遺伝子系統樹は入力タンパク質系統樹と同一である必要があるか、それとも一致コストを最小化するために異なる可能性があるか？
• RQ3 最大生成なしタンパク質部分系統樹の集合が与えられたとき、タンパク質と遺伝子系統樹の共同再構築（MinDRPGT）は効率的に解けるか？
• RQ4 MinDRGT および MinDRPGT の計算複雑性は何か？特定の制約下で近似可能または正確に解けるか？
• RQ5 本手法は、Ensembl のような実際の生物学的データセットにおいて、一致コストをどれほど低減できるか？

主な発見

• 10,861 個の Ensembl 遺伝子系統樹のうち、100〜199 リーフの大きな系統樹の 96.73% がヒューリスティックアルゴリズムによって変更され、初期再構築における広範な非最適性を示している。
• 変更済み系統樹では、平均 15.84 ms の実行時間短縮と、平均 4.35% の二重一致コスト削減が認められ、1系統樹あたり平均 307.29 のコスト削減が達成された。
• ヒューリスティック法により、小系統樹（1〜9 リーフ）では平均 18.67%、中系統樹（10〜99 リーフ）では 6.01%、大系統樹（100〜199 リーフ）では 4.35% の二重一致コストが削減された。
• 各遺伝子が1つのタンパク質を産生する場合でも、最適な遺伝子系統樹は入力タンパク質系統樹と一致しない可能性があり、遺伝子とタンパク質の系統樹が同等でないことを示している。
• すべての最大生成なしタンパク質部分系統樹が既知である場合、MinDRPGT 問題は多項式時間内で MinDRGT に還元可能であり、全タンパク質系統樹の正確な再構築が可能である。
• アルゴリズムは、$ O(n^3) $ 時間計算量で生成なし部分系統樹から全タンパク質系統樹を正確に再構築でき、理論的還元の妥当性が裏付けられた。