Revisiting Xia's Index of Substitution Saturation, Part II: Iss.c is a power boundary, not a saturation threshold

Nella vasta biblioteca della vita, le sequenze di DNA sono le pagine che raccontano la storia di come le specie siano correlate. Gli scienziati leggono queste pagine per costruire alberi genealogici, collegando gli esseri umani ai chimpanzé, gli uccelli ai dinosauri e i batteri tra loro. Ma nel corso di milioni di anni, le lettere in questi codici genetici cambiano. A volte, una lettera cambia così tante volte che è impossibile capire quale fosse l'originale. Questo è chiamato saturazione delle sostituzioni. Immaginate una parola che è stata riscritta così tante volte che l'ortografia originale è andata perduta; in genetica, quando troppi cambiamenti si accumulano, il segnale del vero albero genealogico viene annebbiato dal rumore. Per decenni, i ricercatori si sono affidati a un controllo matematico specifico, noto come indice, per decidere se una sequenza di DNA sia diventata troppo satura per essere utile. Se il controllo dice che i dati sono troppo rumorosi, gli scienziati li scartano, sperando che rimuovendo le parti disordinate possano vedere più facilmente l'immagine chiara dell'evoluzione.

Un ricercatore della Università Donghua, Zhi-Jie Xu, ha esaminato con occhi nuovi questa regola di lunga data. In uno studio massiccio che coinvolge ventimila frammenti di DNA simulati, Xu ha scoperto che la regola che gli scienziati hanno utilizzato non sta in realtà misurando ciò che dichiara di misurare. L'indice è stato progettato per rilevare quando una sequenza è diventata troppo satura per recuperare l'albero genealogico corretto. Tuttavia, lo studio mostra che l'indice è cieco rispetto al fattore più importante: la forma effettiva dell'albero genealogico stesso. I ricercatori hanno scoperto che è possibile avere due set di dati del DNA che appaiono identici all'indice, eppure uno dei due set può rivelare perfettamente l'albero genealogico mentre l'altro non rivela nulla. L'indice non è un guardiano affidabile per decidere quali dati scartare.

Il cuore del problema risiede nel modo in cui l'indice si comporta. Lo studio dimostra che l'indice è una misura della quantità media di cambiamento nei dati, ma non gli importa di come quel cambiamento sia disposto. Per dimostrarlo, i ricercatori hanno creato uno scenario in cui hanno rimescolato i dati genetici all'interno di ogni colonna della sequenza. Questo rimescolamento ha distrutto la capacità di ricostruire l'albero genealogico, facendo crollare il tasso di successo nel trovare l'albero corretto da quasi perfetto a un semplice caso casuale. Eppure, l'indice è rimasto esattamente lo stesso, senza cambiare nemmeno di una frazione infinitesimale. Era come se un termometro desse la stessa lettura per un lago gelato e per una pentola bollente. Ciò prova che l'indice non sta misurando la quantità specifica che determina se un albero può essere recuperato.

Inoltre, lo studio rivela che la soglia utilizzata per decidere se i dati sono "saturi" non è un numero fisso. Essa cambia a seconda della lunghezza della sequenza di DNA e della forma specifica dell'albero genealogico studiato. I ricercatori hanno scoperto che la relazione tra la quantità di dati e la capacità di trovare l'albero non è una regola semplice e universale. Al contrario, è un equilibrio complesso che si sposta in base alla geometria dei rami dell'albero. In alcune forme di albero, i dati possono diventare molto difficili da leggere con una piccola quantità di cambiamento, mentre in altre, rimangono leggibili anche con enormi quantità di cambiamento. Le vecchie tabelle che gli scienziati usano per stabilire i loro limiti non tengono conto di questa variazione, portando a decisioni che sono spesso arbitrarie.

Per testare queste scoperte in un contesto reale, i ricercatori hanno simulato un grande genoma composto da sedici specie diverse. Hanno tagliato questo genoma in piccoli pezzi e li hanno classificati in base al punteggio dell'indice. Hanno poi cercato di ricostruire l'albero genealogico usando solo i pezzi che l'indice aveva etichettato come "puliti" rispetto ai pezzi che aveva etichettato come "saturi". Il risultato è stato sorprendente. Alla scala dei moderni dati genomici, che coinvolgono migliaia di coppie di basi, i pezzi che l'indice ha rifiutato erano altrettanto validi nel aiutare gli scienziati a trovare l'albero corretto quanto i pezzi che ha mantenuto. L'indice stava tracciando una linea nella sabbia dove l'acqua era ancora bassa. I dati che diceva agli scienziati di scartare non erano affatto inutilizzabili; erano semplicemente parte di un gradiente che l'indice non riusciva a misurare correttamente.

Lo studio ha anche esaminato un metodo specifico progettato per gestire alberi genealogici difficili in cui rami lunghi si attraggono tra loro, un problema comune nella biologia evolutiva. I ricercatori hanno scoperto che questo metodo non beneficia del filtraggio dell'indice. In effetti, quando i dati erano brevi e saturi, il metodo standard ha performato meglio di quello specializzato. Ciò suggerisce che il metodo specializzato non stava risolvendo un problema creato dalla saturazione, ma piuttosto che il processo di filtraggio stava rimuovendo informazioni utili. Il metodo specializzato era progettato per riparare un tipo specifico di errore, ma lo studio ha dimostrato che, nel contesto dei dati testati, l'errore non era presente e il filtro serviva solo a gettare via dati che avrebbero potuto aiutare.

In definitiva, l'articolo conclude che l'indice non è una soglia per la saturazione, ma un confine per la potenza statistica. Ci dice quanta quantità di dati è necessaria per risolvere un puzzle specifico, ma non ci dice se i pezzi del puzzle siano rotti. I ricercatori sostengono che gli scienziati dovrebbero smettere di usare questo indice come una regola rigida per scartare i dati. Invece, dovrebbero riconoscere che la capacità di recuperare un albero genealogico dipende dalla disposizione specifica dei rami e dalla quantità totale di dati disponibili. Lo studio fornisce un modo più preciso per comprendere questi limiti, mostrando che il confine tra un albero risolvibile e uno irrisolvibile non è una linea fissa, ma un bersaglio mobile che dipende dalla geometria unica della storia evolutiva studiata.

Le implicazioni per il campo sono significative. Per anni, i ricercatori hanno eliminato parti dei loro dati genetici perché un indice diceva che erano troppo rumorosi. Questo studio suggerisce che, in molti casi, quei dati non erano affatto rumorosi, ma semplicemente parte di un modello complesso che l'indice non riusciva a vedere. Mantenendo questi dati, gli scienziati potrebbero essere in grado di risolvere alberi genealogici che prima erano considerati troppo difficili da risolvere. Il lavoro non dice che la saturazione non sia un problema; dice che lo strumento utilizzato per rilevarla è difettoso. I ricercatori hanno fornito un nuovo modo per guardare il problema, uno che si concentra sulla reale distanza tra il vero albero genealogico e un tentativo casuale, piuttosto che su una semplice media di cambiamenti. Questo spostamento di prospettiva permette una valutazione più accurata di ciò che i dati possono e non possono dirci sulla storia della vita.

In conclusione, lo studio offre una strada più chiara da seguire. Sostituisce una regola rigida con una comprensione sfumata di come i dati, la forma dell'albero e la lunghezza interagiscano tra loro. I ricercatori hanno dimostrato che il valore critico per decidere se un dato è utile non è un numero singolo che si applica a tutti. È un valore che cambia con le circostanze specifiche dello studio. Ciò significa che gli scienziati devono essere più cauti nel modo in cui interpretano i loro dati, guardando oltre le semplici soglie per comprendere la struttura profonda dei segnali evolutivi che cercano di catturare. Il lavoro rappresenta una correzione a una pratica ampiamente utilizzata, assicurando che gli strumenti della biologia evolutiva siano precisi quanto le domande a cui cercano di rispondere.