[論文レビュー] Supertree Construction: Opportunities and Challenges

Tandy Warnow|arXiv (Cornell University)|May 9, 2018

Genomics and Phylogenetic Studies参考文献 99被引用数 15

ひとこと要約

本稿は、大規模な系統樹推定のためのスケーラブルなソリューションとしてのスーパーツリー構築をレビューし、特に分割統治フレームワークにおいて焦点を当てる。現在のスーパーツリー手法、特にMRPおよび新しい手法の評価を通じて、アルゴリズム的課題、スケーラビリティの限界、および数千種のデータセットにおける計算効率と正確性の向上の必要性を強調する。

ABSTRACT

Supertree construction is the process by which a set of phylogenetic trees, each on a subset of the overall set X of species, is combined into a tree on the full set S. The traditional use of supertree methods is the assembly of a large species tree from previously computed smaller species trees; however, supertree methods are also used to address large-scale tree estimation using divide-and-conquer (i.e., a dataset is divided into overlapping subsets, trees are constructed on the subsets, and then combined using the supertree method). Because most supertree methods are heuristics for NP-hard optimization problems, the use of supertree estimation on large datasets is challenging, both in terms of scalability and accuracy. In this paper, we describe the current state of the art in supertree construction and the use of supertree methods in divide-and-conquer strategies. Finally, we identify directions where future research could lead to improved supertree methods.

研究の動機と目的

• 大規模な系統樹推定におけるスーパーツリー構築手法の現状を評価すること。
• 数千種の種を含むデータセットにスーパーツリー手法をスケーリングする際の主要なアルゴリズム的および計算的課題を特定すること。
• スーパーツリー手法が種の系統樹推定における分割統治戦略において果たす役割を評価すること。
• 大規模で生物学的に複雑なデータセットにおける既存のスーパーツリー手法の正確性とパフォーマンスのギャップを浮き彫りにすること。
• コンピュータサイエンスおよび離散最適化分野の進歩を通じてスーパーツリー手法を改善するための今後の研究方向性を提示すること。

提案手法

• マトリクス表現とパリティ（MRP）を基盤とするスーパーツリー手法として、出典ツリーをマトリクスとして表現し、パリティに優れたスーパーツリーを求める。
• MinCut Supertree、MinFlip Supertree、PhySICといった代替スーパーツリー手法をレビューし、異なる制約下でのツリー整合性最適化を検討する。
• データセットを分割し、部分集合に対してツリーを推定した後、スーパーツリー手法で統合する分割統治的系統生物学の文脈において、スーパーツリー構築を分析する。
• guenomuというベイジアンスーパーツリー手法を評価し、1種に複数のコピーを持つ遺伝子ファミリーの系統樹を処理できる能力を有する。
• 理論的基盤を検討し、出典ツリーのプロファイルの決定性および欠損データがスーパーツリーの一意性に与える影響を分析する。
• 最適性スコアが同一であるツリーの集合（系統的テラス）が、スーパーツリーの解像度と正確性に与える影響を検討する。

実験結果

リサーチクエスチョン

• RQ1 数千種の種を含む大規模データセットに適用した場合、既存のスーパーツリー手法に生じる主なスケーラビリティの制限は何か？
• RQ2 分割統治的系統樹推定パイプライン内で実際のスーパーツリー手法がどのように機能するか？
• RQ3 モデルの誤指定や不完全な系統的分離、遺伝子増幅といった生物学的プロセスが、スーパーツリーの正確性にどのような影響を及えるか？
• RQ4 大規模で複雑なデータセットにおいて、スーパーツリー手法をスケーラブルかつ正確に実現するための理論的およびアルゴリズム的改善は何か？
• RQ5 遺伝子系統の矛盾やマルチコピー遺伝子ファミリーの処理において、スーパーツリー手法は要約手法と比べてどのように異なるか？

主な発見

• 大多数のスーパーツリー手法は、NP困難な最適化問題に対するヒューリスティックであるため、計算が高コストであり、大規模データセットへのスケーリングが困難である。
• MRPやguenomuといった最新の手法ですら、数万種のデータセットでは高い正確性を達成できない。
• MRPのようなスーパーツリー手法は広く使われているが、出典ツリーに矛盾や誤りがある場合、特にスケーラビリティに制限を受ける。
• guenomuは中規模のデータセット（数100種程度）では高い正確性を示し、1種に複数のコピーを持つ遺伝子ファミリーの系統樹を処理できるが、推定された種の系統樹を入力として使用した際のパフォーマンスは未検証である。
• 出典ツリーの集合が決定的かどうかを判定するという理論的課題はNP困難であり、欠損データが増えるほど決定性の確率は低下する。
• 最適性スコアが同一であるツリーの集合（系統的テラス）は、スーパーツリーの解像度を複雑にし、結果のツリーの一意性に影響を与えることがある。