DGM Is Dead; Long Live DGM-Star! A Quantization-Theoretic Approach to Gamma Rate Discretization

Das Leben hinterlässt eine Spur seiner Geschichte in der DNA jedes Lebewesens, ein molekulares Archiv, das Wissenschaftler lesen, um den Stammbaum des Lebens zu rekonstruieren. Um dieses Archiv zu entschlüsseln, müssen Forscher berücksichtigen, dass Mutationen nicht mit einer gleichmäßigen Geschwindigkeit über ein Genom hinweg geschehen; einige Stellen verändern sich schnell, während andere hartnäckig statisch bleiben. Jahrzehntelang war die Standardmethode, um diese ungleichmäßige Geschwindigkeit in Computermodellen zu handhaben, den Bereich der möglichen Geschwindigkeiten in einige gleich große Stücke zu zerlegen und jedem Stück eine repräsentative Durchschnittsgeschwindigkeit zuzuweisen. Dieser Ansatz, bekannt als das diskrete Gamma-Modell, war dreißig Jahre lang das Arbeitstier der Evolutionsbiologie und ermöglichte es Wissenschaftlern zu schätzen, wie lange Arten vor der Trennung existierten und wie ihre Familien miteinander verwandt sind. Eine neue Analyse legt jedoch nahe, dass diese langjährige Methode einen verborgenen Fehler enthält, der den Zeitstrahl der Evolution systematisch verzerrt und die Äste auf dem Stammbaum des Lebens länger erscheinen lässt, als sie tatsächlich sind.

Ein Team von Forschern hat nun einen besseren Weg vorgeschlagen, diese Geschwindigkeitskategorien zu schneiden, eine Methode, die sie DGM-Star nennen. Durch die Anwendung eines mathematischen Rahmens, der normalerweise der Komprimierung digitaler Signale vorbehalten ist, entwickelten sie eine neue Regel für die Zuweisung von Geschwindigkeiten, die die im alten Verfahren gefundene Verzerrung beseitigt. In Tests mit simulierten DNA-Sequenzen reduzierte ihr neuer Ansatz den Fehler bei der Schätzung der Astlängen um bis zu zwanzigmal im Vergleich zur Standardmethode, insbesondere beim Umgang mit großen Bäumen, bei denen die evolutionären Schritte sehr kurz sind. Während die alte Methode dazu neigt, den Zeitstrahl zu dehnen, hält die neue Methode ihn akkurat und bietet einen Austausch auf Knopfdruck, den Wissenschaftler sofort nutzen können, ohne ihre bestehende Software ändern zu müssen.

Die Geschichte beginnt mit der Erkenntnis, dass die Evolution kein gleichmäßiger Prozess ist. Wenn Wissenschaftler den genetischen Code betrachten, sehen sie, dass sich einige Buchstaben häufig ändern, während andere sich selten bewegen. Um dies zu modellieren, verwenden sie eine statistische Form namens Gamma-Verteilung, die beschreibt, wie diese Geschwindigkeiten variieren. Da Computer Schwierigkeiten haben, mit einer kontinuierlichen, fließenden Kurve unendlicher Möglichkeiten zu rechnen, war es die gängige Praxis, diese Kurve in eine bestimmte Anzahl von Eimern oder Kategorien zu unterteilen. Die traditionelle Methode, die in den 1990er Jahren etabliert wurde, teilt die Kurve so auf, dass jeder Eimer eine gleiche Anzahl von Datenpunkten enthält, und weist dann eine einzige Durchschnittsgeschwindigkeit zu, die den gesamten Eimer repräsentiert. Dieser „äquiprobabile“ Ansatz war jahrzehntelang der Standard, verwendet in allem, von der Untersuchung alter Viren bis hin zur Rückverfolgung der Ursprünge moderner Arten.

Kürzlich demonstrierte jedoch eine Gruppe von Wissenschaftlern unter der Leitung von Ferretti und Kollegen, dass diese Standardmethode grundlegend fehlerhaft ist. Sie zeigten, dass wenn die wahren Evolutionsgeschwindigkeiten einer kontinuierlichen Kurve folgen, das traditionelle Eimer-System die Länge der Äste auf dem Stammbaum der Evolution konsequent überschätzt. Einfacher ausgedrückt: Das Modell sagt Forschern, dass Arten über längere Zeiträume hinweg evolviert sind, als sie es tatsächlich waren. Dieser Fehler ist kein geringfügiger Schluckauf; er kann zu falschen Schlussfolgerungen darüber führen, wann Arten auseinandergingen und wie sie miteinander verwandt sind. Die Forscher fanden heraus, dass diese Verzerrung so beständig ist, dass das bloße Hinzufügen von mehr Eimern zum Modell das Problem nicht löst; in einigen Fällen führte das Hinzufügen von mehr Kategorien sogar dazu, dass der Fehler größer wurde.

Als Reaktion auf diese Entdeckung versuchten die Autoren der neuen Arbeit, eine Lösung zu finden, die die Rechengeschwindigkeit der alten Methode beibehält, aber gleichzeitig deren Genauigkeit korrigiert. Sie wandten sich einem Bereich der Mathematik zu, der die Quantisierungstheorie, die sich damit befasst, wie man ein kontinuierliches Signal am besten mit einer begrenzten Anzahl diskreter Werte darstellt. Anstatt die Eimer in ihrer Größe zu erzwingen, entwarfen sie einen neuen Algorithmus, der die spezifischen Grenzen und repräsentativen Geschwindigkeiten findet, die der zugrunde liegenden Realität der Daten am besten entsprechen. Sie testeten diese neue Methode, die sie DGM-Star nannten, gegen die alte Standardmethode und eine komplexere Alternative namens FreeRate.

Die Ergebnisse waren beeindruckend. In Simulationen, in denen die wahre Antwort bekannt war, lieferte die neue DGM-Star-Methode fast perfekt genaue Astlängen und reduzierte die Verzerrung im Vergleich zur Standardmethode um den Faktor zwanzig. Die Verbesserung war am dramatischsten bei großen Bäumen mit kurzen Ästen, ein häufiges Szenario in realen Studien über sich schnell entwickelnde Organismen wie Viren. Die Forscher testeten ihre Methode auch an einem massiven Datensatz von HIV-1-Sequenzen, einer realen Sammlung genetischer Daten von tausenden Patienten. Auch hier korrigierte die neue Methode die Tendenz des alten Modells, die evolutionären Distanzen zu dehnen, und brachte die Schätzungen näher an das heran, was bei der Analyse kleinerer Teilmengen beobachtet wurde.

Interessanterweise deckte die Studie auch eine Einschränkung auf, die alle aktuellen Methoden betrifft. Wenn die evolutionären Äste extrem lang sind, das heißt, wenn die Arten schon sehr lange voneinander getrennt sind, beginnt selbst die neue DGM-Star-Methode zusammen mit dem komplexen FreeRate-Modell, die Astlängen zu unterschätzen. Dies deutet darauf an, dass während die neue Methode das Problem der Überschätzung in den meisten praktischen Szenarien löst, die Herausforderung der Modellierung sehr tiefer evolutionärer Zeit eine offene Frage bleibt. Dennoch argumentieren die Autoren, dass ihr neuer Ansatz robust genug ist, um die alte Standardmethode sofort zu ersetzen. Er ist bereits in den wichtigsten Softwareprogrammen verfügbar, die Evolutionsbiologen nutzen, sodass Forscher zu einem genaueren Modell wechseln können, ohne neue Techniken erlernen oder auf zukünftige Updates warten zu müssen.

Die Bedeutung dieser Arbeit liegt in ihrer Fähigkeit, einen jahrzehntealten Fehler zu korrigieren, ohne die Geschwindigkeit zu opfern, die eine groß angelegte Analyse erst möglich macht. Durch die Verfeinerung der Art und Weise, wie wir den kontinuierlichen Fluss der Evolution in die diskreten Schritte übersetzen, die ein Computer verstehen kann, haben die Forscher ein Werkzeug geschaffen, das den Stammbaum des Lebens schärfer stellt. Die neue Methode erfordert keine komplette Überarbeitung bestehender Praktiken; sie bietet lediglich einen besseren Weg, den Kuchen zu schneiden, um sicherzustellen, dass die in unseren Genen geschriebene Geschichte mit größerer Treue gelesen wird. Wie die Autoren feststellen, deutet dieser Wandel darauf hin, dass die alte Methode in den Ruhestand geschickt werden sollte – nicht weil sie nutzlos war, sondern weil eine bessere, präzisere Alternative nun bereit ist, ihren Platz einzunehmen.