[논문 리뷰] 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)|2015. 04. 21.

Identification and Quantification in Food참고 문헌 42인용 수 6

한 줄 요약

이 논문은 다종분열 공진화 모델 하에서 거리 기반 종 계통수 추정에 있어, 유전자위의 수와 서열 길이 사이의 정보이론적 상충 관계를 수립한다. 희소 신호 탐지 문제와 연관시켜, 지수 $ f $ 의 종 계통수 분기 길이를 탐지하기 위해 $ m = \Theta(1/(f^2\sqrt{k})) $ 개의 유전자위가 필요하다는 것을 증명한다. 여기서 $ k $ 는 서열 길이이며, 이는 정확한 계통수 추정을 위한 데이터 요구량의 근본적 한계를 드러낸다.

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 $m = Θ(1/[f^{2} \sqrt{k}])$.

연구 동기 및 목표

• 다종분열 공진화 모델 하에서 거리 기반 종 계통수 추정에 필요한 근본적 데이터 요구량을 이해하기 위해.
• 종 계통수 분기 길이 $ f $ 를 탐지하기 위해 필요한 유전자위 수 $ m $ 와 서열 길이 $ k $ 사이의 상충 관계를 정량화하기 위해.
• 희소 신호 탐지 문제와 연결함으로써 계통수 추정의 이론적 탐지 경계를 수립하기 위해.
• 일致한 종 계통수 추정을 위해 필요한 유전자위 수에 대한 정보이론적 하한 및 상한을 제공하기 위해.

제안 방법

• 두 분포 사이의 가설 검정 문제로 종 계통수 추정을 공식화한다: 신호가 없는 경우(귀무가설)와 희소 신호가 있는 경우(대립가설)로, 이는 희소 신호 탐지와 유사하다.
• 유전자가 Jukes-Cantor 모델에 따라 모델링되고, 쌍별 서열 거리가 계통수 복원을 위한 충분통계량으로 사용된다.
• Berry-Esseen 정리와 농도 불등식을 적용하여 유전자위 간 거리 분위수의 표본 분포를 근사한다.
• 이중 단계 알고리즘을 개발한다: 먼저 거리의 $ C/\sqrt{k} $-분위수에서 임계치 $ \hat{p} $ 를 추정하고, 이후 데이터셋 간 이 임계치 이하의 유전자 비율을 비교한다.
• 의존성을 제어하고 가설 검정에서 통계적 독립성을 확보하기 위해 데이터를 분할하는 구조를 사용한다.
• 농도 및 尾확률 추론을 통해 $ m $ 의 渐近적 경계를 유도하며, $ m = \Theta(1/(f^2\sqrt{k})) $ 가 고확률으로 탐지하기 위해 필수적이고 충분함을 보여준다.

실험 결과

연구 질문

• RQ1 다종분열 공진화 모델 하에서, 서열 길이 $ k $ 가 주어졌을 때 종 계통수 분기 길이 $ f $ 를 탐지하기 위해 필요한 최소 유전자위 수 $ m $ 는 얼마인가?
• RQ2 거리 기반 종 계통수 추정에서 요구되는 유전자위 수는 분기 길이 $ f $ 와 서열 길이 $ k $ 에 따라 어떻게 변화하는가?
• RQ3 희소 신호 탐지 프레임워크를 사용하여 다종분열 공진화 기반 계통수 추정의 정보이론적 한계를 유도할 수 있는가?
• RQ4 유한한 길이의 다수 유전자위를 사용하여 두 종 계통수 계통도를 구분하는 데 있어 근본적 탐지 경계는 무엇인가?

주요 결과

• 분기 길이 $ f $ 를 탐지하기 위해 필요한 유전자위 수 $ m $ 는 $ \Theta(1/(f^2\sqrt{k})) $ 의 비율로 증가하며, 이는 $ m $ 와 $ k $ 사이의 정밀한 정보이론적 상충 관계를 수립한다.
• 탐지 경계는 계통수 추정 문제를 희소 신호 탐지 문제로 환원함으로써 유도되며, 여기서 신호는 길이 $ f $ 의 분기로 대응된다.
• 제안된 이중 단계 알고리즘은 충분히 큰 상수 $ c' $ 에 대해 $ m \geq c'/(f^2\sqrt{k}) $ 개의 유전자위로 고확률로 종 계통수 계통도를 탐지할 수 있다.
• 유전자가 $ f \ll 1/k $ 인 경우에도 강건한데, 이는 두 번째 단계에서 임계치 이하의 유전자 비율을 비교함으로써 유한한 $ k $ 가 주는 양자화 문제를 극복하기 때문이다.
• 분석 결과, 탐지 경계는 날카롭게 정의되어 있다: $ m $ 가 $ c/(f^2\sqrt{k}) $ 보다 작다면, 고확률로 탐지에 실패한다.
• 결과는 거리 기반 방법에 적용 가능하며, 다종분열 공진화 계통수학에서의 데이터 요구량 이해를 위한 이론적 기초를 제공한다.