[论文解读] Reconstructing protein and gene phylogenies by extending the framework of reconciliation

Esaie Kuitche, Lafond, Manuel+1 more|arXiv (Cornell University)|Oct 30, 2016

Genomics and Phylogenetic Studies参考文献 15被引用 3

一句话总结

本文提出了一种新颖的校正框架，可区分基因树与蛋白树，通过引入创建和丢失事件来建模蛋白质进化，同时结合标准的基因-物种事件。该研究提出了两个新问题——MinDRGT 和 MinDRPGT，通过最小化与物种树和蛋白树的双重校正成本，重建准确的基因与蛋白系统发育树，利用启发式算法在 Ensembl 基因树校正中显著降低了成本。

ABSTRACT

The architecture of eukaryotic coding genes allows the production of several different protein isoforms by genes. Current gene phylogeny reconstruction methods make use of a single protein product per gene, ignoring information on alternative protein isoforms. These methods often lead to inaccurate gene tree reconstructions that require to be corrected before being used in phylogenetic tree reconciliation analyses or gene products phylogeny reconstructions. Here, we propose a new approach for the reconstruction of accurate gene trees and protein trees accounting for the production of alternative protein isoforms by the genes of a gene family. We extend the concept of reconciliation to protein trees, and we define a new reconciliation problem called MinDRGT that consists in finding a gene tree that minimizes a double reconciliation cost with a given protein tree and a given species tree. We define a second problem called MinDRPGT that consists in finding a protein tree and a gene tree minimizing a double reconciliation cost, given a species tree and a set of protein subtrees. We provide algorithmic exact and heuristic solutions for some versions of the problems, and we present the results of an application to the correction of gene trees from the Ensembl database. An implementation of the heuristic method is available at https://github.com/UdeS-CoBIUS/Protein2GeneTree.

研究动机与目标

• 解决当前基因树重建中忽略真核基因产生的替代蛋白异构体的问题。
• 形式化一种双层校正模型，其中蛋白树在基因树内演化，扩展经典基因-物种树校正。
• 提出新的优化问题——MinDRGT 和 MinDRPGT，联合最小化蛋白树、基因树与物种树之间的校正成本。
• 提供精确与启发式算法以解决这些问题，特别是用于校正来自 Ensembl 等数据库的现有基因树。
• 在真实数据上评估该方法，表明校正后的基因树实现了显著更低的校正成本。

提出的方法

• 通过定义两种新的进化事件（蛋白创建与蛋白丢失）来引入蛋白-基因树校正，除传统的物种分歧、基因复制与丢失外。
• 提出 MinDRGT 问题：在给定蛋白树与物种树的前提下，寻找使蛋白-基因与基因-物种校正成本之和最小的基因树。
• 提出 MinDRPGT 问题：在给定物种树与一组蛋白亚树的前提下，联合重建蛋白树与基因树，使相同的双重校正成本最小化。
• 开发一种用于 MinDRGT 的启发式算法，利用物种树作为指导，通过修改输入蛋白树来生成最优基因树。
• 通过软聚类方法识别无创建事件的蛋白亚树，将 MinDRPGT 问题约化为 MinDRGT 问题，随后利用多项式时间算法重建完整蛋白树。
• 将该启发式方法应用于校正 10,861 棵 Ensembl 基因树，结果显示成本显著降低，且准确性提升。

实验结果

研究问题

• RQ1 通过显式建模蛋白异构体生成的蛋白创建与丢失事件，能否更准确地重建基因树？
• RQ2 当每个基因仅产生一种蛋白时，最优基因树是否必然与输入蛋白树相同？还是可能不同以最小化校正成本？
• RQ3 当仅给定最大无创建事件蛋白亚树集合时，能否高效求解蛋白与基因树的联合重建问题（MinDRPGT）？
• RQ4 MinDRGT 与 MinDRPGT 的计算复杂度如何？在特定约束下能否近似求解或精确求解？
• RQ5 该方法在真实生物数据集（如 Ensembl）上减少校正成本的效率如何？

主要发现

• 在 10,861 棵 Ensembl 基因树中，96.73% 的大棵基因树（100–199 个叶）被启发式算法修改，表明初始重建普遍存在次优性。
• 修改后的基因树平均运行时间减少 15.84 毫秒，双重校正成本平均降低 4.35%，每棵树平均成本减少 307.29。
• 对于小树（1–9 个叶），启发式方法平均将双重校正成本降低 18.67%；中等大小树（10–99 个叶）降低 6.01%；大树（100–199 个叶）降低 4.35%。
• 即使每个基因仅产生一种蛋白，最优基因树也可能与输入蛋白树不同，表明基因与蛋白系统发育树并非等价。
• 当所有最大无创建事件蛋白亚树均已知时，MinDRPGT 问题可在多项式时间内约化为 MinDRGT 问题，从而实现完整蛋白树的精确重建。
• 该算法成功从其无创建亚树重建了完整蛋白树，时间复杂度为 $ O(n^3) $，验证了理论约化结果。