[论文解读] How much can evolved characters tell us about the tree that generated them?

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

Genomics and Phylogenetic Studies被引用 26

一句话总结

本文研究了在马尔可夫过程中，从演化性状重建系统发育树的极限，表明祖先状态重建受信息论极限的约束，且树的准确性关键取决于替换速率和树的大小。当替换概率超过临界阈值时，重建准确性出现相变现象，并将结果扩展至基因序排列等基因组数据相关的大型或无限状态空间。

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.

研究动机与目标

• 确定在马尔可夫过程中，从演化性状重建祖先状态和树拓扑结构的根本极限。
• 分析替换速率和树大小如何影响准确重建树所需的性状数量。
• 研究位点间替换速率变异和共酰基机制对系统发育信号保留的影响。
• 将结果扩展至大型或无限状态空间，适用于基因序排列等基因组数据。
• 提供适用于所有树重建方法的信息论界，而不仅限于特定算法。

提出的方法

• 将树上的马尔可夫过程作为性状演化的模型，将其视为在群或正则图上的随机游走。
• 应用耦合技术关联原始和变换后的性状过程，从而建立重建概率的界。
• 采用随机簇模型推导树重建准确性的界，将正确恢复的概率与模型参数关联。
• 引入一种耦合过程，将位点状态聚合成s-元组以模拟基于群的演化，从而实现统计一致性的分析。
• 使用邦弗朗尼不等式界定正确重建与事件H（分区保持）的联合概率。
• 通过分析p_max（最大替换概率）相对于1/2的行为，研究重建准确性的相变。

实验结果

研究问题

• RQ1 在马尔可夫过程中，从有限数量的演化性状中，能恢复多少关于真实树的信息？
• RQ2 当替换概率超过何种临界阈值时，树重建会变得统计不一致？
• RQ3 所需性状数量如何随物种数量和替换速率变化？
• RQ4 通过将位点聚合成s-元组，能否使最大简约法或相容性方法实现统计一致性？
• RQ5 具有大型或无限状态空间的模型（如基因序排列）如何影响准确重建树所需的性状数量？

主要发现

• 正确重建祖先状态的概率受到限制，该界限设定了从对齐序列重建树准确性的上限。
• 当替换概率超过临界值时，出现相变现象；在此之后，深层分歧的信息迅速丢失。
• 在对称的二状态模型中，当p_max > 1/2时，最大简约法统计不一致，且将位点聚合成s-元组无法解决此问题。
• 在随机簇模型下，高概率树重建所需的性状数量与log(n)成比例，其中n为物种数量。
• 耦合过程模型确保：若变换后的性状以高概率恢复树，则原始性状也以高概率恢复，前提是事件H（分区保持）以高概率成立。
• 树重建概率的解析界具有通用性，适用于所有方法，为信息丢失与保留机制提供了洞见。