[论文解读] 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)|Apr 21, 2015

Identification and Quantification in Food参考文献 42被引用 6

一句话总结

本文在多物种谱系模型下，通过将问题与稀疏信号检测关联，建立了距离法物种树估计中位点数与序列长度之间的信息论权衡。通过证明检测长度为 $ f $ 的物种树分支需要 $ m = \Theta(1/(f^2\sqrt{k})) $ 个位点，其中 $ k $ 为序列长度，揭示了准确系统发育重建对数据量的根本限制。

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 $m = Θ(1/[f^{2} \sqrt{k}])$.

研究动机与目标

• 理解在多物种谱系模型下，实现准确距离法物种树估计的根本数据需求。
• 量化为检测长度为 $ f $ 的物种树分支，所需位点数 $ m $ 与序列长度 $ k $ 之间的权衡关系。
• 通过将其与稀疏信号检测问题关联，建立系统发育重建的信息理论检测边界。
• 提供一致物种树估计所需位点数的信息理论下界与上界。

提出的方法

• 将物种树估计形式化为两个分布之间的假设检验问题：一个无信号（零假设），一个具有稀疏信号（备择假设），类似于稀疏信号检测问题。
• 在 Jukes-Cantor 模型下对基因序列建模，并使用成对序列距离作为树重建的充分统计量。
• 应用 Berry-Esseen 定理与集中不等式，对位点间距离分位数的抽样分布进行界控。
• 提出一种两阶段算法：首先从距离的 $ C/\sqrt{k} $-分位数中估计阈值 $ \hat{p} $，然后比较不同数据集中低于该阈值的基因比例。
• 使用分块数据结构控制依赖性，确保假设检验中的统计独立性。
• 通过集中与尾部概率论证，推导出 $ m $ 的渐近界，表明 $ m = \Theta(1/(f^2\sqrt{k})) $ 在高概率下为检测所必需且充分。

实验结果

研究问题

• RQ1 在多物种谱系模型下，给定序列长度 $ k $，检测长度为 $ f $ 的物种树分支所需的最少位点数 $ m $ 是多少？
• RQ2 在距离法物种树估计中，所需位点数如何随分支长度 $ f $ 和序列长度 $ k $ 变化？
• RQ3 稀疏信号检测框架能否用于推导基于多物种谱系模型的系统发育重建的信息理论极限？
• RQ4 使用有限长度的多个位点，区分两种物种树拓扑结构的根本检测边界是什么？

主要发现

• 检测长度为 $ f $ 的分支所需的位点数 $ m $ 与 $ \Theta(1/(f^2\sqrt{k})) $ 成比例，确立了 $ m $ 与 $ k $ 之间精确的信息论权衡。
• 通过将系统发育重建问题简化为稀疏信号检测问题，其中信号对应长度为 $ f $ 的分支，推导出检测边界。
• 所提出的两阶段算法在 $ m \geq c'/(f^2\sqrt{k}) $ 个位点下，能以高概率检测到物种树拓扑结构，其中 $ c' $ 为足够大的常数。
• 即使当 $ f \ll 1/k $ 时，该方法仍具鲁棒性，因为算法第二阶段通过比较低于阈值的基因比例，克服了有限 $ k $ 带来的量化问题。
• 分析表明检测边界是精确的：若 $ m $ 小于 $ c/(f^2\sqrt{k}) $，则检测以高概率失败。
• 该结果适用于基于距离的方法，并为多物种谱系系统发育遗传学中的数据需求提供了理论基础。