PartitionFinder-mAIC: Phylogenetic Partitioning using Marginal Akaike Information Criterion

Das Leben auf der Erde ist ein riesiger, verzweigter Stammbaum, und Wissenschaftler verbringen viel Zeit damit, die Zweige korrekt zu zeichnen. Um dies zu tun, untersuchen sie den genetischen Code in Pflanzen, Tieren und Mikroben und vergleichen, wie sich diese Sequenzen über Millionen von Jahren verändert haben. Doch nicht alle Teile einer genetischen Sequenz verändern sich mit der gleichen Geschwindigkeit oder auf die gleiche Weise. Einige Regionen sind wie alte, stabile Mauern, die sich kaum bewegen, während andere wie lose Ziegelsteine sind, die häufig umfallen und sich neu anordnen. Aufgrund dieser Vielfalt können Forscher eine gesamte genetische Sequenz nicht als einen einzigen, einheitlichen Block behandend. Stattdessen müssen sie die Sequenz in kleinere Gruppen oder Partitionen unterteilen, wobei jede Gruppe ihren eigenen Regeln folgt, wie sie sich entwickelt. Die richtige Art und Weise, diese Abschnitte zu gruppieren, ist entscheidend; wenn die Gruppen zu breit gefasst sind, übersieht die Analyse wichtige Details, aber wenn sie zu eng gefasst sind, wird das Modell mit unnötiger Komplexität überladen, was zu einem verwirrten Bild der Geschichte führt.

Jahrelang hat ein beliebtes Werkzeug namens PartitionFinder Wissenschaftlern dabei geholfen, zu entscheiden, wie sie diese genetischen Abschnitte organisieren. Es verwendet mathematische Scores, um ähnliche Gruppen zusammenzuführen, mit dem Ziel, ein Gleichgewicht zu finden, das eine Überkomplizierung der Geschichte vermeidet. Diese Scores basierten traditionell auf Methoden, die die Gruppierung von Abschnitten als eine feste Tatsache behandeln und davon ausgehen, dass die Grenzen bereits festgeschrieben sind, bevor die endgültige Geschichte berechnet wird. Doch ein neuer Ansatz legt nahe, dass diese Annahme zu starr sein könnte. Eine kürzlich eingeführte Methode, bekannt als das marginale Akaike-Informationskriterium, vertritt eine andere Sichtweise. Anstatt die Gruppen festzulegen, mittelt sie die Wahrscheinlichkeit der Daten über die Modelle aller Partitionen hinweg und betrachtet die Grenzen als fließende Möglichkeiten. Dieser Wandel ermöglicht es dem Modell, die der Daten inhärente Unsicherheit besser zu berücksichtigen, was potenziell zu einer klareren Sicht auf die Hauptzweige des Baumes führt.

In einer neuen Entwicklung haben Forscher diese flexiblere Methode in die weit verbreitete IQ-TREE-Software integriert und ein Werkzeug geschaffen, das sie PartitionFinder-mAIC nennen. Durch die Integration dieses neuen Bewertungssystems in die bestehenden Algorithmen testte das Team, ob es bessere Ergebnisse als die traditionellen Methoden liefern konnte. Sie ließen ihr neues Werkzeug gegen eine breite Palette von simulierten Daten laufen, bei denen der wahre Stammbaum bereits bekannt war, sowie gegen reale DNA- und Proteinsequenzen. Die Ergebnisse zeigten, dass die neue Methode konsequent dazu neigte, weniger Partitionen zu verwenden als die älteren Ansätze. Anstatt die genetischen Daten in viele kleine, übermäßig spezifische Gruppen aufzuspalten, stellte sie fest, dass breitere Gruppierungen ausreichten, um die Evolutionsmuster zu erklären.

Als die Forscher diese Erkenntnisse auf die Evolutionsgeschichte der grünen Pflanzen anwandten, war die Auswirkung greifbar. Die durch die neue Methode erzeugten Partitionierungsschemata führten zu genaueren Schlussfolgerungen an den wichtigsten Zweigen des Pflanzenstammbaums. Dies deutet darauf darauf hin, dass Wissenschaftler, indem sie dem Modell erlauben, eine breitere Palette von Möglichkeiten für die Gruppierung der Daten zu berücksichtigen, der Falle des Overfittings entgehen können – also dem Zustand, in dem ein Modell das Rauschen in den Daten auswendig lernt, anstatt das wahre Signal zu erfassen. Das Werkzeug steht nun anderen Forschern in der neuesten Version der Software zur Verfügung und bietet eine Möglichkeit, die Karten der Lebensgeschichte mit einer Methode zu verfeinern, die die fließende Natur der genetischen Evolution anerkennt.