[论文解读] Large-scale simulation of RNA macroevolution by an energy-dependent fitness model

Sheng Guo, Li‐San Wang+1 more|ArXiv.org|Dec 11, 2009

RNA and protein synthesis mechanisms参考文献 33被引用 8

一句话总结

本文介绍了 rnasim，一个大规模的RNA宏进化模拟器，通过RNA二级结构自由能建模适应度，实现了基于结构适应度的突变-选择动力学。与 ROSE 和 Seq-Gen 相比，它在生成统计复杂度更接近真实数据的序列方面表现更优，尤其在简约法和似然法的系统发育重建中表现突出。

ABSTRACT

Simulated nucleotide sequences are widely used in theoretical and empirical molecular evolution studies. Conventional simulators generally use fixed parameter time-homogeneous Markov model for sequence evolution. In this work, we use the folding free energy of the secondary structure of an RNA as a proxy for its phenotypic fitness, and simulate RNA macroevolution by a mutation-selection population genetics model. Because the two-step process is conditioned on an RNA and its mutant ensemble, we no longer have a global substitution matrix, nor do we explicitly assume any for this inhomogeneous stochastic process. After introducing the base model of RNA evolution, we outline the heuristic implementation algorithm and several model improvements. We then discuss the calibration of the model parameters and demonstrate that in phylogeny reconstruction with both the parsimony method and the likelihood method, the sequences generated by our simulator, rnasim, have greater statistical complexity than those by two standard simulators, ROSE and Seq-Gen, and are close to empirical sequences.

研究动机与目标

• 开发一个整合基因型-表型-适应度关系的真实感大规模RNA宏进化模拟器。
• 将适应度建模为RNA二级结构自由能的函数，以捕捉位点依赖性和结构约束。
• 通过模拟统计复杂度更接近真实数据的序列，提升系统发育重建的准确性。
• 使用真实数据基准校准模型参数，并与标准模拟器（ROSE、Seq-Gen）对比验证性能。
• 提供一个免费的、高效的C++实现（rnasim），用于测试分子进化和系统发育推断方法。

提出的方法

• 适应度建模为RNA二级结构的折叠自由能，使用近邻模型的热力学参数计算。
• 突变固定由基于自由能变化的选择决定，选择强度受有效种群大小（N）和能量阈值（E_opt）调节。
• 模拟器采用两步流程：（1）在突变率下生成突变序列，（2）根据适应度差异应用选择，确定固定概率。
• 通过启发式算法实现非齐次、位点依赖的突变率，基于结构适应度进行条件控制，避免使用全局替换矩阵。
• 使用真实序列数据校准模型参数（如伽马形状、插入缺失分布、替换率等），以匹配观察到的成对序列一致性。
• 使用PAUP*评估系统发育重建，分别采用简约法和似然法，通过RF距离和MDS可视化比较树空间多样性与收敛性。

实验结果

研究问题

• RQ1 基于能量的适应度模型能否生成统计复杂度更接近真实数据的RNA序列，优于标准的马尔可夫基模拟器？
• RQ2 将RNA二级结构自由能作为适应度的代理变量，对模拟宏进化动态的真实性有何影响？
• RQ3 在简约法和似然法标准下，rnasim在系统发育重建准确性方面相较于ROSE和Seq-Gen的优越程度如何？
• RQ4 是否包含结构约束和适应度依赖的选择能改善模拟数据集中进化复杂性的表征？
• RQ5 rnasim模拟器能否生成序列分歧模式和比对特性与真实基准匹配的序列？

主要发现

• 与ROSE和Seq-Gen相比，rnasim生成的序列在简约法和似然法下的系统发育重建表现中展现出更高的统计复杂度。
• 在分支长度校准后，rnasim模拟的序列与真实基准序列的成对一致性值（包括有缺口和无缺口）偏差在±1.0%以内。
• 基于自由能变化的适应度依赖选择机制，产生了非齐次、位点依赖的突变动力学，更真实地反映了生物约束。
• 使用rnasim序列进行系统发育重建显示更丰富的树空间和更好的收敛性，RF距离的MDS可视化结果来自1,000次重复实验。
• rnasim程序成功再现了真实序列特征，包括插入缺失分布和替换率异质性，插入大小呈幂律分布（频率：0.5963, 0.1836等）。
• 该模拟器作为开源C++软件在Linux系统上提供，支持分子进化和系统发育推断方法的可重复测试。