[论文解读] Map of Life: Measuring and Visualizing Species' Relatedness with "Molecular Distance Maps"

Lila Kari, Kathleen A. Hill+4 more|arXiv (Cornell University)|Jul 14, 2013

Genomics and Phylogenetic Studies参考文献 42被引用 3

一句话总结

本文提出分子距离图（Molecular Distance Maps），一种新颖的方法，利用混沌游戏表示法（CGR）将DNA序列转换为图像，计算这些图像之间的结构差异相似性（DSSIM），并通过多维缩放（MDS）在二维欧几里得空间中可视化物种之间的亲缘关系。其主要贡献在于提出一种通用的、无需序列比对的方法，能准确反映进化关系：正确识别出尼安德特人和黑猩猩的线粒体DNA与人类最接近，而黄瓜线粒体DNA则最远。

ABSTRACT

We propose a novel combination of methods that (i) portrays quantitative characteristics of a DNA sequence as an image, (ii) computes distances between these images, and (iii) uses these distances to output a map wherein each sequence is a point in a common Euclidean space. In the resulting "Molecular Distance Map" each point signifies a DNA sequence, and the geometric distance between any two points reflects the degree of relatedness between the corresponding sequences and species. Molecular Distance Maps present compelling visual representations of relationships between species and could be used for taxonomic clarifications, for species identification, and for studies of evolutionary history. One of the advantages of this method is its general applicability since, as sequence alignment is not required, the DNA sequences chosen for comparison can be completely different regions in different genomes. In fact, this method can be used to compare any two DNA sequences. For example, in our dataset of 3,176 mitochondrial DNA sequences, it correctly finds the mtDNA sequences most closely related to that of the anatomically modern human (the Neanderthal, the Denisovan, and the chimp), and it finds that the sequence most different from it belongs to a cucumber. Furthermore, our method can be used to compare real sequences to artificial, computer-generated, DNA sequences. For example, it is used to determine that the distances between a Homo sapiens sapiens mtDNA and artificial sequences of the same length and same trinucleotide frequencies can be larger than the distance between the same human mtDNA and the mtDNA of a fruit-fly. We demonstrate this method's promising potential for taxonomical clarifications by applying it to a diverse variety of cases that have been historically controversial, such as the genus Polypterus, the family Tarsiidae, and the vast (super)kingdom Protista.

研究动机与目标

• 开发一种通用的、无需序列比对的方法，用于测量和可视化DNA序列之间的遗传亲缘关系。
• 通过提供一种定量的可视化工具，解决大量未分类物种的分类挑战。
• 实现对任意DNA序列（包括非同源区域）在基因组范围内甚至人工序列之间的比较。
• 提供一种稳健的替代方案，以取代系统发育树和DNA条形码技术，通过在二维地图中提供固定且具有几何意义的距离。
• 利用序列相似性的定量分析，澄清具有争议的分类群，如 Polypterus、Tarsiidae 和 Protista。

提出的方法

• 使用混沌游戏表示法（CGR）将每个DNA序列转换为二维黑白图像，以编码核苷酸组成及更高阶模式。
• 采用结构相似性指数度量（DSSIM）计算CGR图像之间的成对距离，该度量对结构差异敏感，是一种感知图像距离指标。
• 构建距离矩阵 Δ(i,j)，表示所有序列对 (i,j) 之间的DSSIM距离。
• 对距离矩阵应用经典多维缩放（MDS），将所有序列嵌入二维欧几里得空间，以保持相对距离。
• 可视化最终的分子距离图，其中点之间的几何距离反映遗传亲缘关系。
• 使用真实线粒体DNA序列和具有相同三联体频率的人工序列验证该方法，以测试其对序列组成变化的敏感性。

实验结果

研究问题

• RQ1 基于CGR的DNA序列图像表示是否能在无需序列比对的情况下有效捕捉并反映其进化亲缘关系？
• RQ2 CGR图像之间的DSSIM距离与不同类群中已建立的系统发育关系相比如何？
• RQ3 该方法在多大程度上能够区分亲缘关系密切的物种，如人类、尼安德特人和丹尼索瓦人？
• RQ4 仅凭三联体频率是否足以定义遗传相似性？还是更高阶模式也至关重要？
• RQ5 该方法能否解决长期存在的分类学难题，如 Polypterus 和 Tarsiidae 类群？

主要发现

• 该方法正确识别出尼安德特人线粒体DNA与现代人类最为接近，DSSIM距离为0.109，其次为丹尼索瓦人（0.18）和黑猩猩（0.4655）。
• 黄瓜线粒体DNA与智人（Homo sapiens sapiens）的距离最远，证实其进化上的分歧。
• 人类线粒体DNA与长度相同、三联体频率一致的人工序列之间的DSSIM距离平均为0.9426，高于与黑腹果蝇（Drosophila melanogaster）的距离（0.9313），表明仅靠三联体频率不足以实现准确分类。
• 所有DSSIM距离图，包括灵长类线粒体DNA比较图，均与已建立的系统发育树完全一致，验证了该方法的准确性。
• 分子距离图的应力-1值在除一例外所有情况下均可接受（≤0.2），最高为0.19，表明二维嵌入中点间距离的保持效果良好。
• 该方法成功可视化了Polypterus、Tarsiidae和Protista等争议类群中复杂的分类关系，表明其在分类学澄清方面的潜在应用价值。