A covarion model for phylogenetic estimation using discrete morphological datasets

Questo studio introduce il modello "covariomorph" in RevBayes per l'evoluzione dei caratteri morfologici, permettendo variazioni di tasso specifiche per lignaggio e carattere che migliorano significativamente l'accuratezza dell'inferenza filogenetica rispetto ai modelli tradizionali.

L'essenziale

🌳 L'evoluzione non è un treno in orario: Presentazione del modello "Covariomorph"

Immagina di voler ricostruire l'albero genealogico di una famiglia (o di una specie animale) guardando solo le loro foto antiche (i caratteri morfologici: la forma del becco, il numero di denti, la lunghezza delle zampe).

Per anni, gli scienziati hanno usato un metodo molto semplice, chiamato Modello Mk. È come se pensassimo che tutti i membri di una famiglia invecchino esattamente alla stessa velocità, in ogni momento della loro vita. Se il nonno ha avuto un'aria grigia a 50 anni, anche il bisnonno e il pronipote devono averla avuta alla stessa età. È un'ipotesi comoda, ma nella realtà è spesso sbagliata.

Il problema:
Nella vita reale, l'evoluzione è caotica. A volte un tratto cambia velocemente (come le ali di un uccello che si adattano al volo), a volte rimane fermo per milioni di anni (come la corazza di una tartaruga). Inoltre, la velocità di cambiamento può variare da un ramo all'altro dell'albero.
I modelli attuali che cercano di correggere questo (chiamati ACRV) dicono: "Ok, il carattere A è veloce e il carattere B è lento". Ma si fermano lì. Non spiegano che il carattere A potrebbe essere stato lento per un milione di anni e poi diventare velocissimo all'improvviso.

🚦 La nuova soluzione: Il modello "Covariomorph"

Gli autori di questo studio (Khakurel e Höhn) hanno creato un nuovo modello chiamato Covariomorph. Per capirlo, usiamo un'analogia con il traffico cittadino.

1. Il vecchio modello (Mk): Immagina che tutte le auto (i caratteri evolutivi) viaggino su un'autostrada dove il limite di velocità è fisso per tutti, per sempre. Se sei un'auto sportiva, vai a 100 km/h. Se sei un trattore, vai a 20 km/h. Ma non puoi mai cambiare velocità.
2. Il modello intermedio (ACRV): Qui le auto hanno limiti diversi, ma sono fissi. La Ferrari va sempre veloce, il trattore va sempre lento.
3. Il modello Covariomorph (Il nuovo): Qui le auto possono cambiare corsia e cambiare limite di velocità mentre viaggiano!
   • Un carattere può viaggiare nella corsia "Lenta" (stasi evolutiva) per un po', poi improvvisamente imboccare la corsia "Velocissima" (adattamento rapido) e poi tornare indietro.
   • Questo modello permette a ogni singolo tratto di cambiare il suo "ritmo" di evoluzione lungo i diversi rami dell'albero genealogico.

🧪 Come l'hanno testato?

Gli scienziati hanno fatto due cose:

1. Simulazioni al computer: Hanno creato alberi evolutivi finti, dando loro regole precise (alcuni caratteri cambiavano ritmo, altri no). Hanno poi chiesto al loro nuovo modello di indovinare le regole. Risultato? Il modello è bravissimo a capire quando i caratteri cambiano ritmo e quando no, purché ci siano abbastanza dati (alberi abbastanza lunghi).
2. Dati reali: Hanno preso 164 veri dataset di fossili e animali viventi (dai ragni agli squali, dalle tartarughe ai mammiferi).
   • Risultato sorprendente: Circa la metà dei dataset si comportava come previsto dai vecchi modelli (tutto uguale). Ma l'altra metà mostrava chiaramente che i caratteri stavano cambiando ritmo nel tempo.
   • Esempio concreto: Hanno analizzato i dati su Rai e Squali. Quando hanno usato il nuovo modello, l'albero genealogico risultante era diverso da quello ottenuto con i vecchi metodi. Le "lunghezze dei rami" (che indicano quanto tempo è passato o quanto velocemente è avvenuta l'evoluzione) sono cambiate drasticamente.

💡 Perché è importante?

Immagina di dover calcolare quando due specie si sono separate. Se usi un modello che assume una velocità costante, potresti sbagliare il calcolo di milioni di anni.
Il modello Covariomorph è come passare da una mappa statica a un GPS in tempo reale che tiene conto del traffico, degli incidenti e delle corsie preferenziali.

• Non è perfetto: A volte è complesso e richiede più potenza di calcolo (come un GPS che scarica più dati).
• È più realistico: Riconosce che l'evoluzione non è una linea retta, ma un viaggio con accelerazioni, frenate e cambi di rotta.

In sintesi

Questo studio ci dice che per capire davvero la storia della vita sulla Terra, dobbiamo smettere di trattare l'evoluzione come un orologio che ticchetta allo stesso ritmo per tutti. Dobbiamo ammettere che a volte l'evoluzione corre, a volte si ferma, e che ogni pezzo del puzzle (ogni carattere) ha il suo ritmo personale che cambia nel tempo. Il modello Covariomorph è il nuovo strumento che ci aiuta a leggere questo ritmo complesso.

Sommario tecnico

Titolo: Un modello covarion per la stima filogenetica utilizzando dataset morfologici discreti

1. Il Problema

Le inferenze filogenetiche basate su dati morfologici utilizzano comunemente il modello Markov k-state (Mk). Tuttavia, il modello Mk e le sue estensioni standard (come Mk+Γ per la variazione del tasso tra i caratteri) presentano limitazioni biologiche significative:

• Assunzione di omogeneità: Il modello Mk assume che tutti i caratteri evolvano secondo un processo di Markov omogeneo nel tempo e attraverso l'intera filogenesi.
• Limiti dei modelli esistenti: Sebbene i modelli di variazione del tasso tra i caratteri (ACRV) permettano a caratteri diversi di evolvere a velocità diverse, assumono che un carattere "veloce" rimanga sempre veloce e uno "lento" rimanga sempre lento lungo tutto l'albero.
• Mancanza di eterotachia: Questi modelli non riescono a catturare l'eterotachia, ovvero la variazione del tasso evolutivo di uno stesso carattere lungo diversi lignaggi (lineage-specific rate variation). In natura, le pressioni selettive possono cambiare, causando caratteri che passano da stati di stasi a rapida evoluzione (o viceversa) in diversi rami dell'albero.
• Conseguenze: L'uso di modelli troppo semplici può portare a stime errate della topologia dell'albero, delle lunghezze dei rami e, di conseguenza, delle stime dei tempi di divergenza.

2. Metodologia

Gli autori hanno sviluppato e implementato un nuovo modello chiamato "Covariomorph", un'estensione del modello covarion (originariamente nato per i dati molecolari) applicato ai dati morfologici discreti, utilizzando il software bayesiano RevBayes.

• Concetto di base: Il modello assume che ogni carattere morfologico possa esistere in diverse "categorie di tasso" (es. lento, medio, veloce) e che possa cambiare tra queste categorie durante l'evoluzione lungo i rami dell'albero.
• Processo Stocastico:
  • Il processo è un Markov a tempo continuo che combina due eventi: la transizione dello stato del carattere (es. da 0 a 1) e lo spostamento (switching) tra le categorie di tasso.
  • Viene definita una matrice di tasso espansa ($\tilde{Q}$) di dimensione $k \times m$, dove $k$ è il numero di stati del carattere e $m$ è il numero di categorie di tasso.
  • I blocchi diagonali della matrice rappresentano l'evoluzione all'interno di una categoria di tasso (scalata da un fattore di tasso $r_i$), mentre i blocchi fuori diagonale rappresentano il tasso di switching ($\delta$) tra le categorie.
• Parametri Chiave:
  • $\sigma$ (Deviazione standard): Definisce la variabilità dei tassi tra le diverse categorie (estratte da una distribuzione lognormale discretizzata).
  • $\delta$ (Tasso di switching): Governa la frequenza con cui un carattere cambia da una categoria di tasso all'altra.
• Validazione:
  • Simulazioni: Sono stati generati 300 dataset simulati su alberi di diverse lunghezze (corti, medi, lunghi) con diversi tassi di switching reali per verificare la capacità del modello di recuperare i parametri veri.
  • Analisi Empiriche: Il modello è stato applicato a 164 dataset morfologici reali (fossili e viventi) provenienti da Morphobank e altri repository.
  • Casi di studio: Un'analisi approfondita è stata condotta su due dataset specifici: Rays (Rai, 52 taxa) e Sharks (Squali, 53 taxa), confrontando il modello Covariomorph con Mk standard e Mk+ACRV.

3. Contributi Chiave

• Sviluppo del modello Covariomorph: Prima implementazione di un modello covarion specifico per dati morfologici discreti, che permette la variazione del tasso sia tra i caratteri che all'interno dello stesso carattere lungo i lignaggi.
• Implementazione in RevBayes: Il modello è stato reso disponibile come funzione estendibile (fnCovarion) all'interno dell'ecosistema RevBayes, permettendo agli utenti di definire il numero di categorie di tasso e i prior.
• Dimostrazione dell'eterotachia morfologica: Fornisce la prima prova quantitativa su larga scala che l'eterotachia è un fenomeno presente in circa la metà dei dataset morfologici analizzati.
• Framework flessibile: Il modello si riduce ai modelli Mk o Mk+ACRV in condizioni limite (quando il tasso di switching è molto alto o nullo), fungendo da generalizzazione robusta.

4. Risultati

• Risultati delle Simulazioni:
  • Il modello riesce a recuperare accuratamente i parametri veri ($\sigma$ e $\delta$) quando la lunghezza totale dell'albero è sufficiente a generare segnali chiari di switching.
  • In assenza di eterotachia (dati generati sotto Mk), il modello tende correttamente a collassare verso un comportamento Mk (stimando $\sigma \approx 0$ e $\delta$ alto).
  • La capacità di recupero dei parametri diminuisce se il tasso di switching è troppo alto rispetto al numero di transizioni di stato, poiché il segnale si "media" troppo rapidamente.
• Risultati Empirici (164 dataset):
  • Circa il 50% dei dataset mostra parametri compatibili con un modello Mk semplice (alta frequenza di switching, bassa variazione di tasso).
  • L'altro 50% mostra evidenze di eterogeneità dei tassi compatibile con dinamiche tipo covarion (basso switching, alta variazione di tasso).
• Casi di Studio (Rai e Squali):
  • Selezione del modello: Per entrambi i dataset, i modelli Covariomorph sono stati fortemente favoriti rispetto al Mk e Mk+ACRV (alti Log Bayes Factor).
  • Impatto sulla Topologia: L'uso del modello Covariomorph ha portato a differenze significative nella topologia dell'albero rispetto ai modelli tradizionali. I modelli che ignorano l'eterotachia (Mk, ACRV) hanno prodotto probabilità posteriori diverse per molti cladi rispetto al modello Covariomorph.
  • Lunghezze dei rami: I modelli Covariomorph hanno stimato lunghezze dei rami significativamente più lunghe (fino a 1.5-1.7 volte) rispetto al modello Mk, suggerendo che i modelli tradizionali sottostimano l'evoluzione morfologica quando ignorano le variazioni di tasso.

5. Significato e Implicazioni

• Miglioramento dell'Inferenza Filogenetica: Il modello Covariomorph offre un quadro più realistico per l'evoluzione morfologica, riconoscendo che i tassi evolutivi non sono statici ma dinamici. Questo porta a stime più accurate delle relazioni evolutive (topologia).
• Impatto sulle Stime Temporali: Poiché le lunghezze dei rami sono direttamente collegate alle stime dei tempi di divergenza e ai tassi evolutivi, l'adozione di questo modello potrebbe ricalibrare significativamente le cronologie evolutive derivate da dati morfologici.
• Flessibilità Modella: Il modello dimostra che i dati morfologici possono essere spiegati da una gamma di dinamiche, dal semplice Mk a processi complessi di switching, e che l'uso di un modello unico per tutti i dataset può essere fuorviante.
• Sviluppi Futuri: Gli autori identificano la necessità di integrare correzioni per il "bias di ascesa" (ascertainment bias) e di sviluppare modelli che permettano di partizionare i caratteri in base al loro modello evolutivo (alcuni semplici, altri complessi) all'interno dello stesso dataset.

In sintesi, questo lavoro rappresenta un passo fondamentale verso la modellazione della complessità dinamica dell'evoluzione morfologica, offrendo uno strumento statistico robusto per migliorare l'accuratezza delle ricostruzioni filogenetiche basate su caratteri discreti.