[论文解读] Reciprocal best hits are not a logically sufficient condition for orthology

Toby Johnson|ArXiv.org|Jun 1, 2007

Algorithms and Data Compression参考文献 3被引用 5

一句话总结

本文证明，互惠最佳匹配——常用于推断直系同源关系——由于与直系同源关系的传递性和排他性存在固有矛盾，无法在逻辑上作为直系同源的充分条件。通过图论和对金黄色葡萄球菌菌株的实证分析，研究发现互惠最佳匹配可形成重叠的团（clique），导致直系同源推断模糊，其中5.9%的序列和13.7%的团位于最大连通子图之外，削弱了该方法在直系同源识别中的可靠性。

ABSTRACT

It is common to use reciprocal best hits, also known as a boomerang criterion, for determining orthology between sequences. The best hits may be found by blast, or by other more recently developed algorithms. Previous work seems to have assumed that reciprocal best hits is a sufficient but not necessary condition for orthology. In this article, I explain why reciprocal best hits cannot logically be a sufficient condition for orthology. If reciprocal best hits is neither sufficient nor necessary for orthology, it would seem worthwhile to examine further the logical foundations of some unsupervised algorithms that are used to identify orthologs.

研究动机与目标

• 挑战广泛存在的假设，即互惠最佳匹配是识别直系同源物的充分条件。
• 揭示互惠最佳匹配标准与直系同源基本属性（如传递性和排他性）之间的逻辑矛盾。
• 探究互惠最佳匹配在真实生物数据集中是否能可靠识别直系同源序列。
• 量化互惠最佳匹配图中非团的最大连通子图的出现频率，以指示潜在的直系同源推断错误。

提出的方法

• 使用图论进行理论分析，将互惠最佳匹配建模为图中的团，其中顶点代表序列，边代表互惠最佳匹配关系。
• 形式化证明互惠最佳匹配条件与直系同源的传递性和排他性相矛盾，因此在逻辑上不充分。
• 利用BLASTP对9株金黄色葡萄球菌进行实证分析，识别互惠最佳匹配并构建互惠最佳匹配图。
• 识别最大连通子图和团，以评估互惠最佳匹配是否形成完整且不重叠的集合。
• 量化非团的最大子图和不完整团，以衡量直系同源推断中逻辑不一致的程度。
• 通过团和子图的大小分布分析，评估模糊直系同源分配的频率和影响。

实验结果

研究问题

• RQ1 鉴于直系同源关系具有传递性和排他性，互惠最佳匹配能否在逻辑上作为直系同源的充分条件？
• RQ2 互惠最佳匹配图中是否存在违反直系同源推断逻辑基础的结构配置？
• RQ3 非团的最大连通子图在互惠最佳匹配网络中出现的频率如何，这可能指示潜在的直系同源推断错误？
• RQ4 在真实生物数据集中，有多少比例的序列和团位于最大连通子图之外，从而削弱互惠最佳匹配的可靠性？
• RQ5 随着系统发育距离的增加或在真核生物非编码序列分析中，通过互惠最佳匹配导致的模糊直系同源推断问题是否会加剧？

主要发现

• 互惠最佳匹配无法作为直系同源的逻辑充分条件，因为其违反了直系同源关系的传递性。
• 单个序列可能属于互惠最佳匹配图中多个重叠的最大团，这与直系同源集合的排他性相矛盾。
• 在金黄色葡萄球菌数据集中，5.9%的序列位于非团的最大连通子图中，表明在此类情况下互惠最佳匹配未能识别出直系同源物。
• 在大小为三或以上的团中，13.7%并非最大连通子图，意味着部分互惠最佳匹配集合不完整，可能导致错误的直系同源推断。
• 两个最大的最大连通子图（每个大小为22）包含多个重叠的团，即使在亲缘关系较近的菌株中也显示出直系同源分配的结构性模糊。
• 随着系统发育距离的增加或在分析真核生物非编码序列时，此类问题的比例可能进一步上升，提示该问题对直系同源检测方法具有更广泛的影响。