Horse, not zebra: accounting for lineage abundance in maximum likelihood phylogenetics

Cet article présente deux nouvelles approches intégrées dans le logiciel MAPLE qui améliorent considérablement la précision de l'inférence phylogénétique en maximum de vraisemblance en priorisant le placement des séquences sur des lignées abondantes plutôt que rares, un principe illustré par l'analogie « penser cheval, pas zèbre », particulièrement efficace pour les données épidémiologiques à grande échelle comme celles du SARS-CoV-2.

L'essentiel

🐴 Le Cheval, pas le Zèbre : Une nouvelle façon de lire l'histoire des virus

Imaginez que vous êtes un détective privé chargé de reconstituer l'histoire d'une épidémie (comme le COVID-19). Vous avez des milliers de preuves : des séquences génétiques de virus prélevés chez des patients. Votre but est de dessiner l'arbre généalogique de ces virus pour comprendre comment ils se sont transmis.

Le problème ? Parfois, les preuves sont ambiguës. Une séquence de virus ressemble à deux autres séquences différentes. Laquelle est la "vraie" mère de ce virus ?

C'est ici qu'intervient le principe du "Cheval, pas le Zèbre".

🐎 Le principe de base : "Quand on entend des sabots, pensez aux chevaux, pas aux zèbres"

En médecine, ce dicton signifie que si un patient a des symptômes courants, il a plus de chances d'avoir une maladie fréquente (un "cheval") qu'une maladie très rare (un "zèbre").

Nicola De Maio applique cette logique à la génétique des virus :

• Le Cheval : Un variant de virus très commun, présent chez des milliers de personnes.
• Le Zèbre : Un variant très rare, présent chez une seule personne.

Si vous trouvez un virus dont l'ADN est flou (il manque quelques lettres) et qu'il pourrait appartenir aussi bien au variant "Cheval" qu'au variant "Zèbre", la logique veut que vous pariez sur le Cheval. Pourquoi ? Parce qu'il est statistiquement beaucoup plus probable que ce virus provienne d'une souche qui circule déjà partout, plutôt que d'une souche ultra-rare.

🌳 Le problème des arbres de famille confus

Dans les méthodes classiques de calcul, si deux options sont mathématiquement égales, l'ordinateur ne sait pas laquelle choisir. Il crée alors un "nœud" flou dans l'arbre généalogique, comme un point d'interrogation géant. Cela rend l'arbre imprécis et difficile à interpréter.

L'auteur propose deux nouvelles méthodes (nommées HnZ1 et HnZ2) pour forcer l'ordinateur à être plus "intelligent" et à privilégier les options probables.

🧠 Les deux nouvelles astuces du détective

1. La méthode HnZ1 : Compter les possibilités cachées
Imaginez un nœud dans l'arbre où 100 virus identiques se séparent en même temps. Pour un ordinateur classique, c'est un seul gros point. Pour HnZ1, c'est en réalité une explosion de possibilités !

• L'analogie : Si vous avez 100 jumeaux et que vous devez deviner qui a volé un cookie, il y a 100 chances que ce soit l'un d'eux. Si vous avez un seul suspect rare, il n'y a qu'une chance.
• Le résultat : Cette méthode dit à l'ordinateur : "Même si les preuves ADN sont floues, ce gros groupe de virus (le Cheval) représente tellement de possibilités différentes que c'est statistiquement le meilleur endroit pour placer le nouveau virus." Cela lisse l'arbre et réduit les zones d'ombre.

2. La méthode HnZ2 : La loi de la foule
Cette méthode est encore plus directe. Elle dit : "Si un virus est très abondant dans la population, il a plus de chances d'être échantillonné à nouveau."

• L'analogie : Si vous cherchez une aiguille dans une botte de foin, mais que vous savez qu'il y a 1000 aiguilles dans cette botte et seulement 1 dans la botte voisine, vous avez plus de chances de trouver l'aiguille dans la première botte.
• Le résultat : L'algorithme pénalise légèrement les placements sur des branches rares (les Zèbres) et favorise massivement les branches fréquentes (les Chevaux).

📉 Les résultats : Moins de bruit, plus de clarté

L'auteur a testé ces méthodes sur des données réelles du SARS-CoV-2 (le virus du COVID-19). Les résultats sont impressionnants :

• Moins d'incertitude : L'incertitude dans l'arbre généalogique a été divisée par 10 ! C'est comme passer d'une carte dessinée à la main avec des brouillons flous à une carte GPS précise.
• Moins d'erreurs : Sans ces méthodes, l'ordinateur imaginait des mutations bizarres et inutiles (comme si le virus changeait d'ADN pour le plaisir). Avec HnZ, l'histoire devient plus simple et plus logique.
• Exemple concret : Pour une souche très populaire (Delta AY.4), la méthode classique voyait des dizaines de retours en arrière génétiques (des "reversions") qui n'avaient pas de sens. La nouvelle méthode a éliminé la plupart de ces erreurs, montrant une histoire d'évolution beaucoup plus propre.

🚀 Pourquoi c'est important ?

Avant, pour obtenir ce genre de précision, il fallait utiliser des méthodes de calcul très lourdes et lentes (comme la méthode Bayésienne), qui prenaient des mois sur des supercalculateurs.
Les méthodes HnZ permettent d'obtenir une précision quasi-Bayésienne en utilisant la méthode classique (plus rapide), mais en ajoutant cette petite "règle de bon sens" : privilégier le commun sur le rare.

C'est une révolution pour la surveillance des épidémies : cela permet de reconstruire l'histoire des virus plus vite et plus juste, ce qui aide les scientifiques à mieux comprendre comment les maladies se propagent et à mieux les combattre.

En résumé : En suivant la règle "Cheval, pas Zèbre", nous transformons des arbres généalogiques de virus confus et pleins de doutes en cartes claires et fiables, en utilisant la simple logique des probabilités.

Résumé technique

1. Problématique

Les méthodes de phylogénie par vraisemblance maximale (Maximum Likelihood - ML) sont des standards pour reconstruire les histoires évolutives. Cependant, elles opèrent généralement sans hypothèses a priori sur la forme de l'arbre ou le processus d'échantillonnage. Cette approche est adaptée à la biologie évolutive classique où la disponibilité des séquences ne reflète pas nécessairement l'abondance réelle des espèces.

En revanche, en épidémiologie génomique (notamment pour des pathogènes comme le SARS-CoV-2), le taux de séquençage est souvent agnostique à la souche spécifique, mais dépend de la prévalence de celle-ci dans la population hôte. Par conséquent, l'abondance d'une souche dans les données séquençées reflète souvent son abondance réelle.

Le problème central est l'incertitude phylogénétique élevée dans les scénarios de forte densité d'échantillonnage et de faible divergence évolutive. Dans ces cas, de nombreuses séquences identiques ou quasi-identiques créent des multifurcations (nœuds avec plus de deux descendants) dans l'arbre. Pour une séquence incomplète ou ambiguë, plusieurs placements sur l'arbre peuvent avoir une vraisemblance statistique identique (ex: placer une séquence sur une souche rare vs une souche très abondante). Les méthodes ML classiques ne parviennent pas à discriminer ces placements, conduisant à des arbres incertains et à des erreurs d'inférence (comme des réversions de mutations artificielles).

L'auteur propose d'appliquer le principe médical « When you hear hoofbeats, think of horses, not zebras » (quand on entend des sabots, pensez aux chevaux, pas aux zèbres) : en cas d'ambiguïté, il faut privilégier le placement sur une lignée abondante (« cheval ») plutôt que sur une lignée rare (« zèbre »).

2. Méthodologie

L'auteur introduit deux approches, nommées collectivement HnZ (Horse not Zebra), intégrées dans le logiciel open-source MAPLE (v0.7.5.4). Ces méthodes ajoutent un facteur multiplicatif au score de vraisemblance, agissant comme un « prior » arboré dans un cadre d'inférence, sans modifier le calcul de la vraisemblance phylogénétique de base.

Approche HnZ1 : Résolution des multifurcations mutatoires

• Concept : Une multifurcation dans un arbre phylogénétique (souvent due à l'absence de mutations sur une branche de longueur 0) n'est pas un événement instantané, mais représente un ensemble de topologies bifurcantes possibles.
• Mécanisme : Le score de vraisemblance est pondéré par le nombre de résolutions bifurcantes possibles d'une multifurcation de taille $n$.
• Formule : Pour un nœud de taille $n$ (nombre de branches descendant du nœud), le nombre de résolutions bifurcantes est donné par $H(n) = (2n-3)!!$. Le score global de l'arbre est le produit de $H(n)$ pour tous les nœuds.
• Effet : Lors d'une recherche par élagage et régreffage (SPR), placer un échantillon sur un nœud existant de grande taille augmente le score HnZ1 de manière disproportionnée ($2n-3$), favorisant ainsi l'agrégation des échantillons sur les lignées abondantes.

Approche HnZ2 : Prior d'arbre basé sur l'abondance

• Concept : Inspiré des priors bayésiens, cette méthode suppose que la probabilité de séquençage d'un génome est proportionnelle à son abondance dans la population.
• Mécanisme : L'abondance d'un génome est estimée par la taille du nœud correspondant ($n_i$) dans l'arbre. Un prior d'arbre est défini comme le produit des probabilités d'échantillonnage pour chaque nœud.
• Formule : Le score pour un nœud de taille $n$ est proportionnel à $n^n$ (ou $(n/N)^n$ où $N$ est le nombre total de génomes).
• Différence avec HnZ1 : HnZ2 est légèrement plus « agressif » que HnZ1, offrant une incitation plus forte à inférer de grandes multifurcations.

3. Contributions Clés

1. Intégration de l'abondance des lignées : Première méthode systématique pour intégrer l'information sur la prévalence des souches directement dans l'inférence par vraisemblance maximale, transformant une hypothèse écologique en contrainte algorithmique.
2. Nouvelle interprétation des multifurcations : Redéfinition des multifurcations non pas comme des événements biologiques instantanés, mais comme des incertitudes topologiques résolubles par la pondération des probabilités.
3. Implémentation efficace : Développement de ces algorithmes dans MAPLE, permettant de traiter des millions de génomes avec une augmentation de temps de calcul acceptable (environ un doublement du temps, mais sans explosion de la mémoire).
4. Réduction drastique de l'incertitude : Démonstration que l'ajout de cette information simple réduit l'incertitude phylogénétique d'un ordre de grandeur sur des données réelles.

4. Résultats

Les méthodes ont été évaluées sur des données simulées de SARS-CoV-2 et sur un jeu de données réel de plus de 2 millions de génomes.

• Précision (Simulations) :

  • HnZ1 et HnZ2 améliorent considérablement la précision de la reconstruction phylogénétique (mesurée par la distance Robinson-Foulds).
  • HnZ1 prévient environ 40 % des erreurs topologiques par rapport aux méthodes ML standards.
  • HnZ1 est légèrement plus performant que HnZ2.

• Données Réelles (SARS-CoV-2) :

  • Réduction de l'incertitude : L'utilisation de HnZ1 réduit la proportion de branches avec un support faible (< 50 %) d'environ 6,9 % à 1,04 %. La réduction est particulièrement marquée pour les branches terminales (de ~8,4 % à ~0,11 %).
  • Cas d'étude (Lignée Delta AY.4) : Sans HnZ, l'arbre inféré montrait une complexité excessive avec de nombreuses réversions de mutations (ex: T17040C et C17040T) et une incertitude élevée. Avec HnZ1, l'histoire évolutive devient beaucoup plus simple et plausible biologiquement, avec une réduction drastique du nombre de substitutions inférées (de 655 à 40 pour C17040T) et un support de 100 % pour les sous-clades majeurs.
  • Interprétation biologique : HnZ1 favorise les scénarios où les mutations se produisent dans des contextes génomiques prévalents, évitant ainsi l'inférence de réversions rares et improbables qui apparaissent souvent dans les arbres ML classiques en raison de l'ambiguïté des données.

• Coût Computations :

  • Le temps de calcul augmente d'environ un facteur 2 (principalement dû à des recherches SPR plus longues pour converger et l'impossibilité de supprimer les génomes non informatifs).
  • L'augmentation de la consommation de mémoire est négligeable.

5. Signification et Impact

Cet article propose un changement de paradigme pour la phylogénie à grande échelle en épidémiologie génomique.

• Efficacité vs Bayésien : Les approches HnZ offrent une alternative aux méthodes bayésiennes (comme MCMC) qui sont capables de gérer l'abondance mais sont trop coûteuses pour des millions de génomes. HnZ « bayésianise » l'approche ML à un coût computationnel modéré.
• Fiabilité des analyses en aval : En réduisant l'incertitude de l'arbre racine, les analyses dérivées (assignation de lignées, dynamique phylodynamique, phylogéographie) deviennent plus fiables.
• Applicabilité large : Bien que testé sur le SARS-CoV-2, la méthode est applicable à tout scénario d'échantillonnage dense où l'abondance des séquences reflète l'abondance biologique (métagénomique, génomique du cancer, génomique cellulaire unique).

En conclusion, l'auteur démontre que l'intégration d'une information écologique simple (la prévalence) dans un cadre statistique rigoureux permet de résoudre des ambiguïtés phylogénétiques majeures, transformant des arbres « bruyants » et incertains en reconstructions évolutives robustes et biologiquement plausibles.