Unlocking a flexible set of phylogenetic models for discrete and continuous trait evolution using discretized stochastic diffusion

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, das Rätsel zu lösen, wie sich das Leben über Millionen von Jahren verändert. Sie haben einen Stammbaum von Tieren, wie ein riesiges, verzweigendes Diagramm, das zeigt, wer mit wem verwandt ist. Ihre Aufgabe ist es, herauszufinden, wie bestimmte Merkmale – wie die Größe eines Schnabels, die Länge eines Schwanzes oder die Farbe einer Feder – entlang der Zweige dieses Baumes entstanden sind. Lange Zeit haben Wissenschaftler ein mathematisches Werkzeug namens „Brownsche Bewegung“ verwendet, um diesen Prozess zu modellieren. Stellen Sie sich die Brownsche Bewegung wie eine betrunkene Person vor, die unkontrolliert durch einen nebligen Park stolpert. Sie hat kein Ziel; sie macht einfach Schritte in zufällige Richtungen. Über die Zeit wächst die Distanz, die sie vom Ausgangspunkt entfernt ist, aber man kann nicht genau vorhersagen, wo sie landen wird, sondern nur die Wahrscheinlichkeit, wo sie sich befinden könnte. Dieser „Random Walk“ (Zufallspfad) war der Standardweg, um die Entwicklung von Merkmalen zu vermuten.

Doch das echte Leben ist nicht immer ein zufälliger Spaziergang in einem offenen Park. Manchmal gibt es Wände. Eine Eidechse kann keinen Schwanz wachsen lassen, der länger als ihr Körper ist, oder ein Vogel kann keinen Schnabel bekommen, der so groß ist, dass er seinen Schädel sprengt. Dies sind „Grenzen“ oder „Beschränkungen“ (Constraints). Lange Zeit war der Versuch, die Mathematik für einen Random Walk zu berechnen, der gegen eine Wand stößt und zurückspringt, extrem schwierig, fast unmöglich, besonders für große Stammbäume. Es war, als würde man versuchen, den exakten Pfad dieser betrunkenen Person zu berechnen, wenn der Park überall unsichtbare, elastische Wände hätte. Weil die Mathematik so schwer war, ignorierten Wissenschaftler diese Wände oft einfach, was zu falschen Vermutungen darüber führte, wie schnell sich Merkmale veränderten. Diese Arbeit handelt von einem cleveren neuen Weg, dieses mathematische Rätsel zu lösen, was die Tür zu einem viel komplexeren und realistischeren Verständnis der Evolution öffnet.

Das Paper: Den evolutionären Modellen mit einer digitalen Leiter den Weg ebnen

Dieses Paper, geschrieben von einem Team evolutionärer Biologen, ist im Wesentlichen eine Meisterklasse darin, wie man einen cleveren mathematischen Trick anwendet, um Probleme zu lösen, die zuvor zu schwer zu knacken waren. Die Autoren bauen auf einer Methode auf, die von Boucher und Démery im Jahr 2016 eingeführt wurde und die sie als „diskretisierte Diffusionsapproximation“ beschreiben. Um das zu verstehen, stellen Sie sich vor, Sie versuchen, die sanfte, fließende Bewegung eines Flusses zu messen. Er ist kontinuierlich; das Wasser fließt ohne Unterbrechung. Aber wenn Sie diesen Fluss auf einem Computer simulieren wollten, der nur ganze Zahlen versteht, müssten Sie den Fluss vielleicht in winzige, unterscheidbare Schritte oder „Bins“ (Behälter/Kategorien) unterteilen. Sie würden sagen: „Das Wasser ist hier, dann bewegt es sich in den nächsten Bin, dann in den nächsten.“

Die Autoren zeigen, dass man, wenn man diese Schritte klein genug macht – so klein, dass sie fast unsichtbar sind –, die „gestufte“ Simulation ununterscheidbar von dem echten, glatten Fluss wird. Sie nennen dies die „diskretisierte Diffusionsapproximation“. Es ist, als würde man eine digitale Leiter benutzen, um eine glatte Rutsche hinaufzuklettern; wenn die Sprossen eng genug beieinander liegen, kann man die Rutsche genauso geschmeidig erklimmen, als würde man an ihr herunterrutschen.

Die große Neuigkeit ist, dass dieser Trick für alle Arten von evolutionären Szenarien funktioniert, für die es zuvor keine funktionierenden mathematischen Formeln gab. Die Autoren erklären nicht nur den Trick, sondern nutzen ihn, um fünf neue Wege zur Modellierung der Evolution freizuschalten.

Zuerst besuchen sie die Begrenzte Brownsche Bewegung (Bounded Brownian Motion). Dies ist das Szenario der „betrunkenen Person mit Wänden“. In der Vergangenheit, wenn ein Merkmal eine Grenze erreichte (wie eine maximale Größe), brach die Mathematik zusammen. Mit ihrem Leiter-Trick können die Autoren nun simulieren, wie ein Merkmal von Wänden abprallt. Sie führten Simulationen durch, die zeigten, dass man die Geschwindigkeit der Evolution systematisch unterschätzt, wenn man diese Wände ignoriert. Es ist, als würde man denken, ein Läufer sei langsam, weil er ständig gegen eine Wand stößt und zurückspringt, während er in Wirklichkeit sprintet, aber einfach nicht über die Barriere hinauskommt. Ihre neue Methode korrigiert dies und liefert genaue Schätzungen der evolutionären Geschwindigkeit, selbst wenn Merkmale beschränkt sind.

Als Nächstes widmen sie sich dem Schwellenwertmodell (Threshold Model). Stellen Sie sich ein Merkmal vor, das im Grunde kontinuierlich ist, aber oberflächlich betrachtet diskret erscheint. Denken Sie an die „Haftung“ (Liability) einer Echse, eine bestimmte Anzahl an Zehen zu haben. Vielleicht ist die zugrunde liegende Biologie eine glatte Skala der Entwicklung, aber sobald sie einen bestimmten „Schwellenwert“ überschreitet, wird die Echse mit entweder 4 oder 5 Zehen geboren. Das Paper zeigt, wie man deren Leiter-Methode nutzen kann, um herauszufinden, wo diese unsichtbaren Schwellenwerte liegen, selbst wenn wir nur die endgültige Zehenanzahl sehen. Sie simulierten Daten und fanden heraus, dass ihre Methode diese verborgenen Schwellenwerte korrekt identifizieren und von anderen zufälligen evolutionären Mustern unterscheiden kann.

Dann führen sie eine ganz neue Idee ein, das Semi-Schwellenwertmodell (Semi-Threshold Model). Dies ist eine Mischung aus den beiden vorherigen Ideen. Stellen Sie sich ein Merkmal wie die „Hornlänge“ vor. Sie kann glatt wachsen und schrumpfen, aber wenn sie auf Null schrumpft, ist das Horn weg. Man kann keine negative Hornlänge messen; es wird einfach „abwesend“. Die Potenzialität, ein Horn zu entwickeln (die Haftung), könnte jedoch darunter weiter evolvieren, selbst wenn das Horn weg ist. Die Autoren entwickelten ein Modell für diesen „feststeckenden“ Zustand. Sie simulierten Daten, bei denen Merkmale entweder messbar oder „zensiert“ (bei Null oder einem Maximum feststeckend) waren, und ihre Methode konnte die evolutionären Raten erfolgreich schätzen, während Standardmethoden scheiterten.

Das Paper untersucht auch die Gemeinsame Evolution (Joint Evolution), bei der zwei verschiedene Arten von Merkmalen einander beeinflussen.

• Diskret-abhängig kontinuierlich: Stellen Sie sich einen Fisch vor, der entweder im offenen Wasser oder in einem Riff lebt. Das Paper legt nahe, dass die Rate, mit der sich die Körperform des Fisches ändert, davon abhängen kann, in welchem Lebensraum er sich befindet. Im offenen Wasser ändert sich die Körperform vielleicht langsam; im Riff ändert sie sich schnell. Die Autoren bauten ein Modell, bei dem die „Leiter“ für das kontinuierliche Merkmal (Körperform) unterschiedliche Sprossen hat, je nach dem diskreten Merkmal (Lebensraum). Ihre Simulationen zeigten, dass diese Methode genau bestimmen konnte, wie schnell sich die Fische in jedem Lebensraum entwickelten, und dabei besser abschnitt als ältere Methoden, die erst versuchten, die Lebensraumgeschichte zu erraten und dann die Form zu messen.
• Kontinuierlich-abhängig diskret: Dies ist das Gegenteil. Stellen Sie sich ein Reptil vor, das entweder Eier legt oder lebend gebärt. Das Paper legt nahe, dass die Rate, mit der eine Art von der Eiablage zur Lebendgeburt wechselt, von der Temperatur (ein kontinuierliches Merkmal) abhängen kann. Wenn es heiß ist, erfolgt der Wechsel vielleicht schneller. Sie modellierten dies mithilfe einer „sigmoidalen“ Kurve (einer S-Form), um zu zeigen, wie die Temperatur die Wahrscheinlichkeit des Wechsels beeinflusst. Obwohl sie für dieses spezifische Modell aufgrund der Rechenleistung keine massiven Simulationen durchgeführt haben, zeigten sie, dass die Mathematik funktioniert und die Daten fitten kann.

Schließlich präsentieren sie ein Multi-Trend-Modell. Dies ist für Situationen gedacht, in denen Merkmale nicht nur zufällig wandern, sondern eine Richtung haben. Stellen Sie sich vor, ein Virus breitet sich über eine Landkarte aus. Es mag zufällig driften, aber wenn der Wirtsorganismus (ein diskretes Merkmal) wechselt, könnte der Virus plötzlich beginnen, nach Norden oder Süden zu driften (ein Trend). Die Autoren zeigten, wie man diesen „Drift mit einer Richtung“ modellieren kann, der sich basierend auf dem Wirt ändert. Sie simulierten dies auf nicht-uniformen Bäumen und fanden heraus, dass ihre Methode sowohl die Geschwindigkeit des Drifts als auch die Richtung des Trends genau schätzen konnte.

Was das Paper leistet und was nicht

Die Autoren sind sich sehr klar darüber, was sie erreicht haben. Sie haben einen Proof of Concept (Nachweis der Machbarkeit) durch Simulationen erbracht, dass ihre „Leiter“-Methode für diese spezifischen Modelle funktioniert. Sie zeigten, dass wenn sie Daten mit bekannten Regeln simulierten, ihre Methode diese Regeln mit angemessener Genauigkeit wiederfinden konnte. Zum Beispiel demonstrierten sie, dass das Ignorieren von Grenzen zu falschen Antworten führt und dass ihre Methode dies korrigiert. Sie zeigten auch, dass ihre gemeinsamen Modelle genauer sind als die alte „Zwei-Schritte-Methode“, bei der man zuerst ein Merkmal und dann das andere errät. Sie merken jedoch ausdrücklich an, dass diese Analysen vorläufig sind und dazu dienen sollen, die Machbarkeit des Ansatzes aufzuzeigen, anstatt eine umfassende Untersuchung statistischer Eigenschaften zu sein.

Sie schließen zudem explizit aus, dass dies nur ein Weg ist, kontinuierliche Daten in einfache Kategorien zu verwandeln. Sie betonen, dass sie nicht sagen: „Lassen Sie uns einfach große Echsen als 'groß' und kleine als 'klein' bezeichnen und sie so analysieren.“ Das wäre ein Fehler. Ihre Methode nutzt die „Leiter“ nur als temporäres mathematisches Werkzeug, um die Wahrscheinlichkeit der glatten, kontinuierlichen Realität zu berechnen. Die endgültige Antwort bezieht sich immer auf das kontinuierliche Merkmal, nicht auf die Bins.

Sie deuten zudem an, dass dieser Ansatz nur die Spitze des Eisbergs ist. Sie erwähnen, dass diese Methode wahrscheinlich auch für „Hidden-Rate“-Modelle (wo wir das Merkmal, das die Änderung verursacht, nicht sehen) oder sogar für Merkmale, die plötzlich springen (diskontinuierliche Sprünge), verwendet werden könnte, sie diese aber noch nicht vollständig getestet haben. Sie geben zu, dass sie für einige der komplexeren Modelle, wie das kontinuierlich-abhängige diskrete Merkmal, noch keine massiven Simulationsstudien durchgeführt haben, da die Mathematik sehr rechenintensiv ist. Sie empfehlen zukünftigen Forschern, diese spezifischen Grenzen zu testen.

Kurz gesagt: Dieses Paper behauptet nicht, jedes Geheimnis der Evolution gelöst zu haben. Stattdessen stellt es der wissenschaftlichen Gemeinschaft ein leistungsfähiges, flexibles neues Werkzeug zur Verfügung – eine Möglichkeit, komplexe, chaotische evolutionäre Prozesse zu approximieren, die zuvor zu schwer zu berechnen waren. Es legt nahe, dass wir durch die Nutzung dieses „diskretisierten Diffusions“-Tricks endlich in der Lage sind, Modelle zu erstellen, welche die Wände, die Schwellenwerte und die verborgenen Verbindungen der natürlichen Welt respektieren, was zu einem klareren Bild der Veränderungen des Lebens führt.