[论文解读] kdetrees: Nonparametric Estimation of Phylogenetic Tree Distributions

Grady Weyenberg, Peter Huggins+3 more|arXiv (Cornell University)|Feb 26, 2013

Genomics and Phylogenetic Studies参考文献 63被引用 7

一句话总结

kdetrees 提出了一种用于系统发育树分布的非参数核密度估计方法，以识别由水平转移、旁系基因化或比对错误等过程引起的异常基因树。该方法具有二次方时间复杂度，在保持最小精度损失的前提下，显著提升了计算效率，并成功检测到 Apicomplexa 和 Epichloë 数据集中具有生物学意义的异常值。

ABSTRACT

Motivation: While the majority of gene histories found in a clade of organisms are expected to be generated by a common process (e.g. the coalescent process), it is well-known that numerous other coexisting processes (e.g. horizontal gene transfers, gene duplication and subsequent neofunctionalization) will cause some genes to exhibit a history quite distinct from those of the majority of genes. Such "outlying" gene trees are considered to be biologically interesting and identifying these genes has become an important problem in phylogenetics. Results: We propose and implement KDETREES, a nonparametric method of estimating distributions of phylogenetic trees, with the goal of identifying trees which are significantly different from the rest of the trees in the sample. Our method compares favorably with a similar recently-published method, featuring an improvement of one polynomial order of computational complexity (to quadratic in the number of trees analyzed), with simulation studies suggesting only a small penalty to classification accuracy. Application of KDETREES to a set of Apicomplexa genes identified several unreliable sequence alignments which had escaped previous detection, as well as a gene independently reported as a possible case of horizontal gene transfer. We also analyze a set of Epichloe genes, fungi symbiotic with grasses, successfully identifying a contrived instance of paralogy. Availability: Our method for estimating tree distributions and identifying outlying trees is implemented as the R package KDETREES, and is available for download from CRAN.

研究动机与目标

• 开发一种无需假设特定参数形式的系统发育树分布估计方法。
• 识别显著偏离多数分布的基因树，以指示潜在的生物学异常，如水平基因转移或旁系基因化。
• 在计算效率方面优于现有方法，实现二次方复杂度而非更高阶的多项式复杂度。
• 提供一种稳健的工具，用于检测系统基因组数据集中诸如错误比对、错误注释或错误树重建等生物信息学伪影。
• 通过在大规模基因树集合中实现高效的异常值检测，支持可扩展的全基因组系统发育分析。

提出的方法

• 该方法在系统发育树空间上使用核密度估计（KDE），核函数基于树拓扑和分支长度的相似性定义。
• 基于 Robinson-Foulds 距离和分支长度差异，构建树特定的核函数，从而实现对潜在树分布的非参数估计。
• 通过根据估计密度对树进行排序来执行异常值检测；密度越低，表示与主分布的偏离程度越高。
• 该算法的时间复杂度随树的数量呈二次方增长，适用于大规模系统基因组数据集。
• 该方法已作为 R 包在 CRAN 上发布，支持与标准系统发育分析流程的集成。
• 可应用于贝叶斯推断得到的基因树后验样本，避免依赖单点估计。

实验结果

研究问题

• RQ1 非参数方法是否能有效识别异常基因树，而无需假设树分布的具体参数模型？
• RQ2 所提出方法的计算复杂度与现有方法相比如何？其在分类精度上的权衡是什么？
• RQ3 kdetrees 是否能在真实基因组数据集中检测到由水平基因转移或旁系基因化引起的生物学上有意义的异常值？
• RQ4 kdetrees 在多大程度上能够识别出系统发育分析中的技术伪影，如错误比对的序列或错误注释？
• RQ5 该方法能否高效扩展至包含数千个基因树的全基因组系统基因组分析？

主要发现

• kdetrees 在 Apicomplexa 数据集中成功识别出 Set8 基因为最远的异常值，后续研究证实其可能为水平转移事件。
• 该方法检测到 Apicomplexa 数据集中多个此前标准方法未能识别出的不可靠序列比对。
• 在 Epichloë 数据集中，kdetrees 正确识别出 CysD/LolC 的旁系基因同源比对为异常值，验证了其检测旁系基因化导致分歧的能力。
• 模拟研究显示，尽管为非参数方法，kdetrees 仍保持高分类精度，仅付出极小的精度损失。
• 该方法实现了二次方计算复杂度，显著优于先前方法的更高阶多项式复杂度。
• kdetrees 展现出作为数据整理工具的实用性，能够突出显示需要进一步进行生物学或技术审查的序列和比对。