[論文レビュー] Statistically-Consistent k-mer Methods for Phylogenetic Tree Reconstruction

Elizabeth S. Allman, John A. Rhodes+1 more|arXiv (Cornell University)|Nov 5, 2015

Genomics and Phylogenetic Studies被引用数 5

ひとこと要約

この論文は、k-mer頻度ベクトル間の二乗ユークリッド距離に対するモデルに基づく補正を導出し、系統樹再構築のための統計的に整合性のあるk-mer距離法を提案する。標準的なk-mer手法は長距離枝吸引に起因して統計的に整合性がなく、本手法の補正により、インデル過程が穏やかであってもシミュレーションにおいて既存手法を上回り、アラインメントを必要とせずに信頼性の高い系統樹推定を可能にする。

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.

研究の動機と目的

• 長距離枝吸引の影響を受ける標準的なk-mer手法の統計的整合性の欠如を解消すること。これは、長大な配列であっても成立する。
• 挿入・欠失を含まない標準的な配列進化モデル下で、統計的整合性を保証するk-mer距離のモデルに基づく補正を開発すること。
• 穏やかなインデル過程に従う配列に対しても、補正手法をヒューリスティックに拡張し、実世界の応用に適するようにすること。
• k-mer頻度ベクトルからの進化モデルパラメータの同定可能性を検討し、理論的基盤を強化すること。
• 包括的なシミュレーションを通じて、補正済み手法の性能を、既存のk-mer手法およびアラインメントに基づく手法と比較すること。

提案手法

• 系統樹上の連続時間マルコフ過程を仮定し、k-mer頻度をモデル化することで、置換率と枝長を補正した修正距離尺度を導出する。
• モデル下での期待値を用いて、正規化されたk-merカウントベクトル間の二乗ユークリッド距離に変換を施し、バイアスを補正する。
• ネイバー・ジョイニングやUPGMAなどの標準的な距離ベースの系統樹構築アルゴリズムに、修正済み距離を適用して系統樹を推定する。
• k-merカウントと期待頻度を調整することで、穏やかなインデル過程を伴う配列に対しても補正をヒューリスティックに拡張する。
• 置換のみのモデルと、挿入・欠失を含むモデルの両方を用いたシミュレーションにより、整合性と性能を評価する。
• トポロジカルな正確性指標を用いて、D2、D2S、D2*、MUSCLEのm-distanceなど、複数のk-mer距離と、アラインメントに基づく手法とを比較する。

実験結果

リサーチクエスチョン

• RQ1 標準的な置換モデル下で、k-mer頻度ベクトル間の二乗ユークリッド距離は、系統樹再構築において統計的に整合的か？
• RQ2 挿入・欠失をモデル化しない状況でも、k-merに基づく距離を統計的に整合的にするためのモデルベース補正を導出可能か？
• RQ3 置換のみのモデルとインデルを含むモデルの両方において、補正済みk-mer距離の性能は、他のk-mer手法およびアラインメントに基づく手法と比べて如何ほどか？
• RQ4 穏やかなインデル過程に従う配列において、補正済み手法のロバストネスはどの程度維持されるか？
• RQ5 置換率などのモデルパラメータは、k-mer頻度ベクトルから一意に同定可能か？

主な発見

• 標準的なk-mer手法（二乗ユークリッド距離を用いる）は、任意に長い配列であっても統計的に整合性がなく、強い長距離枝吸引を示す。
• 提案されたモデルベース補正により、標準的な置換モデル下でk-mer距離が統計的に整合的になり、長距離枝吸引バイアスが解消される。
• シミュレーションでは、D2、D2S、D2*、MUSCLEのm-distanceを含む、他のすべてのk-mer手法を上回るトポロジカル正確性を示す。
• 穏やかなインデル過程下でも、補正済み手法は高い性能を維持し、生物学的に現実的な配列進化に対してロバストであることが示唆される。
• アラインメントを必要としないにもかかわらず、補正済み手法はアラインメントに基づく手法と同等の高いトポロジカル正確性を達成する。
• モデル下でk-mer頻度からのパラメータ同定可能性が確立され、本手法の理論的基盤が支持される。