Entropy-Driven Alignment-Free Phylogenetic Analysis via K-mer Encoding, DNA Physicochemical Properties, and Rough Set Feature Selection
Diese Studie schlägt ein alignmentfreies phylogenetisches Analyseframework vor, das k-Mer-Statistiken mit DNA-physikalisch-chemischen Eigenschaften und Strang-Symmetrie in einen Merkmalsvektor integriert, welcher anschließend unter Verwendung einer verbesserten, auf Rauhen Mengen basierenden Selektionsmethode optimiert wird, um eine effiziente und interpretierbare evolutionäre Inferenz des gesamten Genoms zu erreichen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Um die Geschichte des Lebens zu verstehen, blicken Wissenschaftler oft auf die molekularen Anweisungen, die im Inneren jeder lebenden Zelle geschrieben stehen: die DNA-Sequenz. Jahrzehntelang war die Standardmethode, diese Anweisungen zwischen verschiedenen Arten zu vergleichen, sie nebeneinander zu legen, Buchstabe für Buchstabe, ganz ähnlich wie das Ausrichten zweier langer Textabschnitte, um zu sehen, wo sie übereinstimmen und wo sie sich unterscheiden. Diese Methode, bekannt als multiples Sequenzalignment, funktioniert gut, wenn die Sequenzen kurz und sehr ähnlich sind. Doch während die Technologie vorangeschritten ist, können Forscher nun ganze Genome lesen, die Millionen von Buchstaben lang sind. Wenn diese massiven Sequenzen verglichen werden, insbesondere bei Organismen, die ihr genetisches Material neu angeordnet oder sich schnell entwickelt haben, wird die traditionelle Alignment-Methode langsam, rechenintensiv und manchmal unmöglich präzise durchzuführen. Dies hat dazu geführt, dass Wissenschaftler nach „alignmentfreien“ Methoden suchen, die versuchen, evolutionäre Beziehungen zu finden, ohne die Sequenzen in eine starre Linie zwingen zu müssen. Anstatt jedes einzelne Zeichen abzugleichen, betrachten diese neueren Ansätze die allgemeinen Muster und Häufigkeiten kleiner DNA-Stücke, um zu erschließen, wie eng zwei Organismen miteinander verwandt sind.
In einer kürzlich durchgeführten Studie schlug ein Team von Forschern aus China einen neuen Weg vor, um diese alignmentfreien Techniken zu verfeinern, damit sie sowohl schneller als auch genauer werden. Sie erkannten, dass viele bestehende Methoden, die lediglich zählen, wie oft bestimmte kurze DNA-Muster vorkommen, oft zwei kritische Informationen übersehen: die spezifischen chemischen Eigenschaften der DNA-Bausteine und die Reihenfolge, in der diese Muster erscheinen. Um dies zu lösen, entwickelten die Forscher ein System, das eine DNA-Sequenz in einen Satz von sieben verschiedenen „Karten“ übersetzt. Jede Karte hebt eine andere physikalische Eigenschaft der DNA hervor, wie zum Beispiel, ob ein Buchstabe Teil einer starken oder schwachen chemischen Bindung ist oder ob er zu einer bestimmten chemischen Familie gehört. Durch die Umwandlung der ursprünglichen DNA-Sequenz in diese sieben unterschiedlichen binären Muster konnten sie die Häufigkeit kurzer, wortähnlicher Segmente innerhalb jeder Karte zählen. Dieser Prozess erzeugte ein detailliertes, vielschichtiges Profil des Genoms, das sowohl die chemische Natur der DNA als auch die spezifische Ordnung ihrer Bestandteile bewahrte.
Dieses detaillierte Profil erzeugte jedoch eine gewaltige Menge an Daten, die Tausende potenzieller Muster enthielten, von denen viele redundant oder unhilfreich für die Bestimmung der Evolutionsgeschichte waren. Um dieses Rauschen zu durchbrechen, wandte das Team eine mathematische Strategie an, die als Rough Set Theory bekannt ist. Stellen Sie sich diesen Prozess wie einen hocheffizienten Filter vor, der durch einen großen Stapel von Hinweisen sortiert, um nur diejenigen zu finden, die tatsächlich helfen, zwischen verschiedenen Gruppen zu unterscheiden. Die Forscher testeten dieses Filtersystem unter Verwendung eines Trainingsdatensatzes von elf Hantavirus-Stämmen, einer Art von Virus, die in Ostasien vorkomsten. Durch die Analyse dessen, wie gut verschiedene Muster die Viren in ihre bekannten Typen trennen konnten, identifizierte das System einen spezifischen Satz von 3.005 Mustern aus den ursprünglichen 14.336 Möglichkeiten. Diese ausgewählten Muster wurden zum zentralen „Fingerabdruck“ für die Analyse der Viren.
Das Team stellte seine Methode dann an drei völlig unterschiedlichen Virusgruppen getestend auf die Probe, um zu sehen, ob es die Stammbäume korrekt rekonstruieren konnte. Zuerst analysierten sie dreiunddreißig Coronavirus-Genome, einschließlich der Stämme, die für SARS und das jüngere SARS-CoV-2 verantwortlich sind. Die Methode gruppierte die Viren erfolgreich in vier deutliche Zweige, die der bekannten wissenschaftlichen Klassifizierung entsprachen, wobei sie die SARS-verwandten Viren klar von anderen abgrenzte und sogar zwischen dem ursprünglichen SARS-Virus und dem neueren SARS-CoV-2 unterschied. Als Nächstes untersuchten sie neununddreißig Stämme des Japanischen Enzephalitis-Virus. Auch hier sortierte die Methode die Viren korrekt in ihre vier bekannten genetischen Gruppen ein und spiegelte damit die Ergebnisse wider, die durch traditionelle, wesentlich langsamere Alignment-Methoden erzielt wurden. Schließlich analysierten sie fünfundfünfzig Stämme des H7N9-Aviären Influenza-Virus. Der resultierende Baum zeigte zwei Hauptlinien, eine aus Nordamerika und eine aus Eurasien, und gruppierte Viren, die in denselben geografischen Regionen und Zeiträumen isoliert worden waren, korrekt zusammen.
Während all dieser Tests erwies sich der neue Ansatz als bemerkenswert schnell. Während andere grafische Methoden zur Analyse langer DNA-Sequenzen mehrere Minuten dauern können, verarbeitete diese Methode die längsten Sequenzen der Studie, die über 31.000 Buchstaben lang waren, in nur vier Sekunden. Die Forscher merkten an, dass ihr Ansatz nicht den komplexen und zeitaufwendigen Schritt des Alignments der Sequenzen erfordert, aber dennoch die wesentlichen biologischen Signale einfängt, die zum Aufbau genauer Stammbäume benötigt werden. Obwohl die Methode leistungsstark ist, räumt die Autorenschaft ein, dass sie nicht auf die gleiche Weise wie einige andere Werkzeuge ein visuelles Bild der Unterschiede zwischen Sequenzen liefert und komplexe genetische Umstrukturierungsprozesse nicht explizit modelliert. Dennoch zeigt die Studie, dass Wissenschaftler durch die Kombination chemischer Eigenschaften mit intelligenter Datenfilterung ein Werkzeug schaffen können, das sowohl effizient als auch zuverlässig ist, um die Evolutionsgeschichte von Viren und anderen Organismen über ganze Genome hinweg nachzuverfolgen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.