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

La vita lascia una registrazione della sua storia nel DNA di ogni essere vivente, un archivio molecolare che gli scienziati leggono per ricostruire l'albero della vita. Per dare un senso a questo archivio, i ricercatori devono tenere conto del fatto che le mutazioni non avvengono a un ritmo costante attraverso un genoma; alcuni punti cambiano rapidamente, mentre altri rimangono ostinatamente statici. Per decenni, il modo standard per gestire questa velocità non uniforme nei modelli informatici è stato quello di tagliare l'intervallo delle possibili velocità in alcune fette uguali, assegnando a ciascuna fetta una velocità media rappresentativa. Questo approccio, noto come modello Gamma discreto, è stato il cavallo di battaglia della biologia evolutiva per trent'anni, permettendo agli scienziati di stimare quanto tempo fa le specie si sono diversificate e come siano correlate le loro famiglie. Tuttavia, un nuovo studio suggerisce che questo metodo, consolidato da tempo, contenga un difetto nascosto che distorce sistematicamente la linea temporale dell'evoluzione, facendo apparire i rami sull'albero della vita più lunghi di quanto non siano realmente.

Un team di ricercatori ha ora proposto un modo migliore per tagliare queste categorie di velocità, un metodo che chiamano DGM-Star. Applicando un quadro matematico solitamente riservato alla compressione dei segnali digitali, hanno creato una nuova regola per assegnare le velocità che elimina il pregiudizio presente nel vecchio metodo. Nei test utilizzando sequenze di DNA simulate, il loro nuovo approccio ha ridotto l'errore nella stima della lunghezza dei rami fino a venti volte rispetto al metodo standard, particolarmente quando si trattano alberi di grandi dimensioni dove i passi evolutivi sono molto brevi. Mentre il vecchio metodo tende a dilatare la linea temporale, il nuovo metodo la mantiene accurata, offrendo un sostituto pronto all'uso che gli scienziati possono utilizzare immediatamente senza cambiare i loro software esistenti.

La storia inizia con la consapevolezza che l'evoluzione non è un processo uniforme. Quando gli scienziati osservano il codice genetico, vedono che alcune lettere cambiano frequentemente, mentre altre raramente si muovono. Per modellare questo fenomeno, utilizzano una forma statistica chiamata distribuzione Gamma, che descrive come queste velocità variano. Poiché i computer non possono facilmente calcolare con una curva continua e fluida di infinite possibilità, la pratica standard è stata quella di dividere questa curva in un numero prestabilito di secchielli, o categorie. Il metodo tradizionale, stabilito negli anni '90, divide la curva in modo che ogni secchiello contenga lo stesso numero di punti dati, e poi assegna una singola velocità media per rappresentare l'intero secchiello. Questo approccio "equiprobabile" è stato il default per decenni, utilizzato in tutto, dallo studio di antichi virus al tracciamento delle origini delle specie moderne.

Recentemente, tuttavia, un gruppo di scienziati guidato da Ferretti e colleghi ha dimostrato che questo metodo standard è fondamentalmente difettoso. Hanno dimostrato che quando le vere velocità evolutive seguono una curva continua, il sistema tradizionale di suddivisione in secchielli sovrastima costantemente la lunghezza dei rami sull'albero evolutivo. In termini più semplici, il modello dice ai ricercatori che le specie si sono evolute per periodi di tempo più lunghi di quanto non lo siano stati realmente. Questo errore non è un piccolo glitch; può portare a conclusioni errate su quando le specie si sono diversificate e su come siano correlate. I ricercatori hanno scoperto che questo pregiudizio è così persistente che semplicemente aggiungere più secchielli al modello non risolve il problema; in alcuni casi, aggiungere più categorie ha addirittura peggiorato l'errore.

In risposta a questa scoperta, gli autori del nuovo articolo si sono posti l'obiettivo di trovare una soluzione che mantenesse la velocità computazionale del vecchio metodo pur correggendone l'accuratezza. Si sono rivolti a un campo della matematica chiamato teoria della quantizzazione, che si occupa di come rappresentare al meglio un segnale continuo utilizzando un numero limitato di valori discreti. Invece di forzare i secchielli ad avere dimensioni uguali, hanno progettato un nuovo algoritmo che trova i confini specifici e le velocità rappresentative che meglio corrispondono alla realtà sottostante dei dati. Hanno testato questo nuovo metodo, che hanno chiamato DGM-Star, contro il vecchio standard e un'alternativa più complessa nota come FreeRate.

I risultati sono stati sorprendenti. In simulazioni in cui la risposta vera era nota, il nuovo metodo DGM-Star ha prodotto lunghezze dei rami quasi perfettamente accurate, riducendo il pregiudizio di un fattore venti rispetto al metodo standard. Il miglioramento è stato più drammatico in alberi di grandi dimensioni con rami corti, uno scenario comune negli studi reali su organismi a rapida evoluzione come i virus. I ricercatori hanno anche testato il loro metodo su un enorme dataset di sequenze di HIV-1, una collezione reale di dati genetici provenienti da migliaoli di pazienti. Anche qui, il nuovo metodo ha corretto la tendenza del vecchio modello a dilatare le distanze evolutive, portando le stime più vicine a quelle osservate analizzando sottoinsiemi più piccoli dei dati.

Interessante è che lo studio ha anche scoperto un limite che colpisce tutti i metodi attuali. Quando i rami evolutivi sono estremamente lunghi, ovvero le specie sono separate da moltissimo tempo, anche il nuovo metodo DGM-Star, insieme al complesso modello FreeRate, inizia a sottostimare la lunghezza dei rami. Ciò suggerisce che, sebbene il nuovo metodo risolva il problema della sovrastima nella maggior parte degli scenari pratici, la sfida di modellare il tempo evolutivo molto profondo rimane una questione aperta. Ciononostante, gli autori sostengono che il loro nuovo approccio sia abbastanza robusto da sostituire immediatamente il vecchio standard. È già disponibile nei principali programmi software utilizzati dai biologi evoluzionisti, consentendo ai ricercatori di passare a un modello più accurato senza dover apprendere nuove tecniche o aspettare aggiornamenti futuri.

La portata di questo lavoro risiede nella sua capacità di correggere un errore decennale senza sacrificare la velocità che rende possibile l'analisi su larga scala. Perfezionando il modo in cui traduciamo il flusso continuo dell'evoluzione nei passi discreti che un computer può comprendere, i ricercatori hanno fornito uno strumento che porta l'albero della vita in un fuoco più nitido. Il nuovo metodo non richiede una revisione completa delle pratiche esistenti; offre semplicemente un modo migliore per dividere la torta, assicurando che la storia scritta nei nostri geni venga letta con maggiore fedeltà. Come sottolineano gli autori, questo cambiamento suggerisce che il vecchio metodo debba essere ritirato, non perché fosse inutile, ma perché un'alternativa migliore e più precisa è ora pronta a prendere il suo posto.