[论文解读] Global Alignment of Molecular Sequences via Ancestral State Reconstruction

Alexandr Andoni, Constantinos Daskalakis+2 more|arXiv (Cornell University)|Dec 14, 2009

DNA and Biological Computing被引用 3

一句话总结

本文提出了一种基于严格模型的全局多重序列比对方法，采用随机插入/缺失模型进行祖先状态重建。该方法提出了一种递归算法，从系统发育树上的叶序列重建祖先序列，在突变率较低时具备强大的重建保证，这是首个在树状演化模型中针对插入和缺失事件实现此类结果的研究。

ABSTRACT

Molecular phylogenetic techniques do not generally account for such common evolutionary events as site insertions and deletions (known as indels). Instead tree building algorithms and ancestral state inference procedures typically rely on substitution-only models of sequence evolution. In practice these methods are extended beyond this simplified setting with the use of heuristics that produce global alignments of the input sequences--an important problem which has no rigorous model-based solution. In this paper we consider a new version of the multiple sequence alignment in the context of stochastic indel models. More precisely, we introduce the following {\em trace reconstruction problem on a tree} (TRPT): a binary sequence is broadcast through a tree channel where we allow substitutions, deletions, and insertions; we seek to reconstruct the original sequence from the sequences received at the leaves of the tree. We give a recursive procedure for this problem with strong reconstruction guarantees at low mutation rates, providing also an alignment of the sequences at the leaves of the tree. The TRPT problem without indels has been studied in previous work (Mossel 2004, Daskalakis et al. 2006) as a bootstrapping step towards obtaining optimal phylogenetic reconstruction methods. The present work sets up a framework for extending these works to evolutionary models with indels.

研究动机与目标

• 解决在存在插入和缺失（indels）时，缺乏基于模型的全局多重序列比对方法的问题。
• 将追踪重建从星型系统发育树推广至具插入/缺失的一般树状演化模型。
• 为祖先序列重建提供一个理论可靠的框架，同时考虑替换和插入/缺失事件。
• 确定在仅使用叶序列和树拓扑结构的条件下，祖先序列可高概率重建的条件。

提出的方法

• 提出一种新的树上追踪重建问题（TRPT），通过每条边上的偏置硬币翻转引入替换、删除和插入事件。
• 采用递归重建：对每个内部节点，利用基于锚点的相关性检验对子节点的序列进行比对，推断正确的偏移量并重建祖先序列。
• 采用长度为 $ a = C\log n $ 的锚点区域，比较不同序列间的子序列，通过相关性阈值检测正确对齐。
• 应用对抗性重建以限制误差传播，确保在良好事件下重建序列主导真实祖先序列。
• 对突变率施加条件：$ p_i + p_d < O(1/k^{2/3} \log n) $ 且 $ (1-2p_s)^2 > O(d^{-1}\log d) $，以保证重建精度。
• 利用概率集中不等式和事件条件化（如 $ \mathcal{E} $）确保在整个树上以高概率保持正确性。

实验结果

研究问题

• RQ1 在树状随机演化模型中，能否在存在插入和缺失的情况下严格实现祖先序列重建？
• RQ2 在突变率（替换、删除、插入）满足何种条件下，可从叶序列准确重建根序列？
• RQ3 能否设计一种递归的、基于模型的比对过程，以正确识别经由插入/缺失演化序列中的同源位点？
• RQ4 在存在插入/缺失的情况下，如何利用基于相关性的锚点匹配来区分正确与错误的序列比对？

主要发现

• 当 $ p_i + p_d < O(1/k^{2/3} \log n) $ 且 $ (1-2p_s)^2 > O(d^{-1}\log d) $ 时，该算法能以高概率实现祖先序列的强重建。
• 对齐的锚点对相关性为 $ >(1-\delta)(1-2p_s)^2 $，而未对齐的对相关性 $ < \delta $，从而实现可靠的对齐检测。
• 递归重建过程在对抗性重建中占优，确保在良好事件条件下保持正确性。
• 该方法首次在含插入/缺失的树上实现了严格的追踪重建，扩展了以往仅限于替换模型的研究。
• 该算法确保所需事件数量在 $ n $ 的多项式时间内，使其在给定条件下具有高效性。
• 通过条件化于一组良好事件 $ \mathcal{E} $（包括长度稳定性与相关性一致性），实现了高概率正确性。