[논문 리뷰] How much can evolved characters tell us about the tree that generated them?

Elchanan Mossel, Mike Steel|arXiv (Cornell University)|2004. 06. 24.

Genomics and Phylogenetic Studies인용 수 26

한 줄 요약

이 논문은 마르코프 과정 하에서 진화된 특성으로부터 계통수 재구성의 한계를 조사하며, 조상 상태 재구성의 정보이론적 한계가 존재하고, 나무 정확도가 치환률과 나무 크기에 따라 결정됨을 보여준다. 치환 확률이 임계 임계값을 초과할 경우 재구성 정확도에 단계 전이가 발생하며, 이는 유전자 서열과 같은 게놈 데이터에 관련된 큰 또는 무한한 상태 공간으로 확장된다.

ABSTRACT

In this paper we review some recent results that shed light on a fundamental question in molecular systematics: how much phylogenetic `signal' can we expect from characters that have evolved under some Markov process? There are many sides to this question and we begin by describing some explicit bounds on the probability of correctly reconstructing an ancestral state from the states observed at the tips. We show how this bound sets upper limits on the probability of tree reconstruction from aligned sequences, and we provide some new extensions that allow site-to-site rate variation or a covarion mechanism. We then explore the relationship between the number of sites required for accurate tree reconstruction and other model parameters - such as the number of species, and substitution probabilities, and we describe a phase transition that occurs when substitution probabilities exceed a critical value. In the remainder of this paper we turn to models of character evolution where the state space is assumed to be either infinite or very large. These models have some relevance to certain types of genomic data (such as gene order) and here we again investigate how many characters are required for accurate tree reconstruction.

연구 동기 및 목표

• 마르코프 과정 하에서 진화된 특성으로부터 조상 상태 및 나무 구조 재구성의 기본 한계를 규명하는 것.
• 치환률과 나무 크기가 정확한 나무 재구성에 필요한 특성 수에 미치는 영향을 분석하는 것.
• 사이트 간 치환률 변동성과 코바리온 메커니즘이 계통수 신호 유지에 미치는 영향을 조사하는 것.
• 큰 또는 무한한 상태 공간으로 결과를 확장하여 유전자 서열과 같은 게놈 데이터에 관련된 사례를 다루는 것.
• 특정 알고리즘에 국한되지 않고 모든 나무 재구성 방법에 적용 가능한 정보이론적 경계를 제공하는 것.

제안 방법

• 특성 진화를 모델링하기 위해 나무 위의 마르코프 과정을 사용하며, 이를 군 또는 정규 그래프 위의 랜덤 워크로 간주한다.
• 기존 및 변환된 특성 과정 간의 연결을 위해 커플링 기법을 적용하여 재구성 확률에 대한 경계를 도출한다.
• 랜덤 클러스터 모델을 사용하여 나무 재구성 정확도에 대한 경계를 유도하며, 정확한 복구 확률과 모델 매개변수 간의 연관성을 규명한다.
• 사이트 상태를 s-tuple으로 집계하여 군 기반 진화를 시뮬레이션하는 커플드 프로세스를 도입하여 통계적 일致성 분석을 가능하게 한다.
• 보프레니의 부등식을 사용하여 정확한 재구성과 사건 H(분할 유지)의 동시 확률을 경계한다.
• p_max(최대 치환 확률)이 1/2와 상대적으로 어떻게 행동하는지 분석함으로써 재구성 정확도의 단계 전이를 분석한다.

실험 결과

연구 질문

• RQ1 마르코프 과정 하에서 유한한 수의 진화된 특성으로부터 참값 나무에 대한 정보를 얼마나 회복할 수 있는가?
• RQ2 나무 재구성이 통계적으로 일관되지 않게 되는 치환 확률의 임계 임계값은 무엇인가?
• RQ3 필요한 특성 수가 종의 수와 치환률에 따라 어떻게 스케일링되는가?
• RQ4 최대 단순성 또는 호환성과 같은 방법이 s-tuple으로 사이트를 그룹화함으로써 통계적으로 일관성이 있게 질 수 있는가?
• RQ5 큰 또는 무한한 상태 공간 모델(예: 유전자 서열)은 정확한 나무 재구성에 필요한 특성 수에 어떤 영향을 미치는가?

주요 결과

• 정확한 조상 상태 재구성 확률은 경계가 존재하며, 이 경계는 정렬된 서열로부터 나무 재구성 정확도의 상한선을 설정한다.
• 치환 확률이 임계값을 초과할 경우 단계 전이가 발생하며, 이에 따라 깊은 분할에 대한 정보가 급격히 손실된다.
• 대칭 2상태 모델에서 최대 단순성 방법은 p_max > 1/2일 경우 통계적으로 일관되지 않으며, 사이트를 s-tuple으로 그룹화해도 이 문제를 해결할 수 없다.
• 랜덤 클러스터 모델 하에서 고확률 나무 재구성에 필요한 특성 수는 종의 수 n에 대해 log(n) 비례하여 증가한다.
• 커플드 프로세스 모델은 변환된 특성이 높은 확률로 나무를 회복할 경우, 사건 H(분할 유지)가 높은 확률로 발생한다면 원래 특성 역시 높은 확률로 나무를 회복함을 보장한다.
• 나무 재구성 확률에 대한 분석적 경계는 일반적이며 모든 방법에 적용 가능하며, 정보 손실 및 유지 메커니즘에 대한 통찰을 제공한다.