[논문 리뷰] Statistically-Consistent k-mer Methods for Phylogenetic Tree Reconstruction

Elizabeth S. Allman, John A. Rhodes외 1명|arXiv (Cornell University)|2015. 11. 05.

Genomics and Phylogenetic Studies인용 수 5

한 줄 요약

이 논문은 k-mer 빈도 벡터 간 제곱 유클리드 거리에 모델 기반 보정을 도입하여 통계적으로 일관된 k-mer 거리 방법을 제안한다. 표준 k-mer 방법은 장거리 분지 유혹(long-branch attraction)으로 인해 통계적으로 일관되지 않지만, 보정된 방법은 시뮬레이션에서 기존 방법들을 능가하며, 경미한 삽입/삭제 과정 조건에서도 신뢰할 수 있는 트리 추론을 보장한다.

ABSTRACT

Frequencies of $k$-mers in sequences are sometimes used as a basis for inferring phylogenetic trees without first obtaining a multiple sequence alignment. We show that a standard approach of using the squared-Euclidean distance between $k$-mer vectors to approximate a tree metric can be statistically inconsistent. To remedy this, we derive model-based distance corrections for orthologous sequences without gaps, which lead to consistent tree inference. The identifiability of model parameters from $k$-mer frequencies is also studied. Finally, we report simulations showing the corrected distance out-performs many other $k$-mer methods, even when sequences are generated with an insertion and deletion process. These results have implications for multiple sequence alignment as well, since $k$-mer methods are usually the first step in constructing a guide tree for such algorithms.

연구 동기 및 목표

• 긴 서열 조건에서도 장거리 분지 유혹으로 인해 통계적으로 일관되지 않는 표준 k-mer 방법의 문제를 해결하기 위해.
• 삽입 또는 삭제 없이도 표준 서열 진화 모델 하에서 통계적으로 일관된 k-mer 거리 보정을 개발하기 위해.
• 생물학적으로 현실적인 응용을 위해 경미한 삽입/삭제 과정을 고려한 보정 방법을 히우리스틱적으로 확장하기 위해.
• k-mer 빈도 벡터로부터 진화 모델의 매개변수 식별 가능성(identifiability)을 연구하여 이론적 기반을 마련하기 위해.
• 포괄적인 시뮬레이션을 통해 보정된 방법의 성능을 기존 k-mer 및 정렬 기반 방법과 비교하기 위해.

제안 방법

• 나무 위에서 연속시간 마르코프 과정을 기반으로 k-mer 빈도를 모델링하여, 치환률과 분지 길이를 고려한 보정된 거리 척도를 유도한다.
• 모델 하에서 기대값을 사용하여 정규화된 k-mer 수 벡터 간 제곱 유클리드 거리에 변환을 적용하여 편향을 보정한다.
• 이 보정된 거리를 네이버 조인잉(Neighbor Joining) 또는 UPGMA와 같은 표준 거리 기반 트리 구축 알고리즘에 적용하여 계통수를 추론한다.
• k-mer 수와 기대 빈도를 조정하여 경미한 삽입/삭제 과정을 고려한 보정 방법을 히우리스틱적으로 확장한다.
• 순수 치환 모델과 삽입/삭제를 포함한 모델을 사용한 시뮬레이션을 통해 일관성과 성능을 테스트한다.
• 위상 정확도 지표를 사용하여 보정된 방법을 여러 k-mer 거리 방법(D2, D2S, D2* 등)과 정렬 기반 방법과 비교한다.

실험 결과

연구 질문

• RQ1 표준 치환 모델 하에서 k-mer 빈도 벡터 간 제곱 유클리드 거리는 계통수 추론에 대해 통계적으로 일관되는가?
• RQ2 삽입 및 삭제를 모델링하지 않더라도 k-mer 기반 거리에 대해 모델 기반 보정을 도출할 수 있는가? 이로 인해 통계적 일관성이 확보되는가?
• RQ3 치환 전용 모델과 삽입/삭제 포함 모델 모두에서 보정된 k-mer 거리의 성능은 다른 k-mer 방법 및 정렬 기반 방법과 비교해 어떻게 되는가?
• RQ4 경미한 삽입/삭제 과정 하에서 보정된 방법은 어느 정도 강건성을 유지하는가?
• RQ5 치환률 등의 모델 매개변수는 k-mer 빈도 벡터로부터 유일하게 식별 가능한가?

주요 결과

• 표준 k-mer 방법에서 제곱 유클리드 거리를 사용할 경우, 임의로 긴 서열을 사용하더라도 강한 장거리 분지 유혹을 보이며 통계적으로 일관되지 않다.
• 제안된 모델 기반 보정은 표준 치환 모델 하에서 k-mer 거리의 통계적 일관성을 확보하여 장거리 분지 유혹 편향을 제거한다.
• 시뮬레이션 결과 보정된 방법은 D2, D2S, D2*, MUSCLE의 m-distance를 포함한 모든 다른 k-mer 방법보다 위상 정확도에서 뛰어나다.
• 경미한 삽입/삭제 과정 하에서도 보정된 방법은 높은 성능을 유지하여 생물학적으로 현실적인 서열 진화에 대해 강건함을 보여준다.
• 정렬이 필요 없음에도 불구하고 보정된 방법은 정렬 기반 접근법과 유사한 높은 위상 정확도를 달성한다.
• 모델 하에서 k-mer 빈도로부터 매개변수의 식별 가능성(identifiability)이 입증되어 본 방법의 이론적 기반을 강화한다.