Towards coevolution-aware ancestral sequence reconstruction

技術要約：共進化を考慮した祖先配列復元に向けて

問題提起
祖先配列復元（ASR）は、分子進化やタンパク質機能を研究するための標準的なツールである。しかし、従来のASR手法は、アミノ酸部位が独立して進化するという仮定に依存している。この簡略化は、タンパク質の構造、安定性、および機能を維持するために不可欠な残基間の相互作用、すなわちエピスタシス（上位性）による制約を無視している。著者らは、この部位独立性が以下の2つの主要な問題を引き起こすと主張している。

1. 過度な理想化（Over-idealization）: 最大事後確率（MAP）による復元は、しばしば単一の配列に確率を集中させ、その結果、現存するタンパク質と比較して異常に高い安定性や多機能性を示す「過度に理想化された」配列を生み出す可能性がある。
2. 非妥当性（Implausibility）: 部位独立な事後分布から直接サンプリングを行うと、独立モデルの下では統計的に妥当であっても、残基間の制約に抵触するため、生物学的に非妥当であったり機能を持たなかったりする配列が生成される。

さらに、既存のASR手法は、現実的なエピスタシス的制約の下で生成された「グラウンドトゥルース（GT：真の姿）」データを用いてベンチマークされることがほとんどない。なぜなら、古代の配列を実験的に回収することは、極めて最近のタイムスケールに限られているためである。

手法
本論文は、標準的な系統学的推論に**直接結合解析（DCA）**を統合した、共進化を考慮したASRフレームワークを提案している。この手法は、主に3つのコンポーネントで構成される。

1. 標準的な部位独立復元:
   プロセスは、標準的なベイズASR（Yangアルゴリズムを使用）を用いて、祖先ノードにおけるアミノ酸の部位ごとの事後分布を推定することから始まる。これにより、候補となる祖先配列の集合（$S_{anc}$）が得られる。これは、系統学から推論された部位ごとの周辺統計量（サイトごとの頻度）を保持している。

が、重要なのは、このステップが部位ごとの頻度を保存している点である。

2. 共進化的な並べ替え（核となる革新）:
   DCA事前分布の下での系統樹上の厳密な推論は計算量的に困難であるため、著者らは並べ替え手順を導入している。

   • 候補配列は、特定の部位におけるアミノ酸のランダムなスワップを通じて反復的に最適化される。
   • スワップの受理は、部位特異的な場（$h_i$）とペアワイズ結合（$J_{ij}$）を含むDCAエネルギー関数（$E_{DCA}$）を用いたメトロポリス基準に基づいて行われる。
   • このプロセスは、初期の部位独立な復元から得られたアミノ酸頻度を厳格に維持しながら、DCAエネルギーを最小化する。
   • その結果、共進化を考慮した候補配列（$S^{DCA}_{anc}$）が得られる。これらは系統学的に一貫しており（周辺統計量と一致）、かつDCAモデルによって構造的・機能的な制約を受けている。

3. ベンチマークフレームワーク:
   手法を厳密に評価するために、著者らはDCAモデルに基づく前方進化シミュレータを開発した。

   • 既知の「グラウンドトゥルース」ルート配列（$s_{GT}$、現存データから選択）から開始し、DCAエネルギー制約を遵守する離散時間マルコフ連鎖を用いて、固定された系統樹に沿って配列を進化させる。
   • このシミュレータは、系統的な相関関係と現実的なエピスタシス的制制約の両方を保持した合成リーフデータを生成し、これにより復元された祖先と既知の $s_{GT}$ との直接比較が可能になる。
   • 本研究では、枝長（$\mu_{gen}$）のスケーリングおよび、異なる変異性（文脈依存エントロピー（CDE）によって定量化）を持つルート配列の選択を通じて、様々な進化レジームをテストしている。

主な結果
本フレームワークは、$\beta$-ラクタマーゼおよびDNA結合ドメインファミリーに適用された。主な知見は以下の通りである。

• ルートの変異性の影響: 再構成の精度は、祖先配列の変異性に強く依存する。エピスタシスによって高度に制約されている「弱変異性」のルートに対しては、共進化を考慮した手法は部位独立な手法を大幅に上回る性能を示す。高度に変異しやすいルートの場合、その優位性は目立たないものの、本手法は依然として生物学的に妥当な候補を生成する。
• ハミング距離 vs. DCAエネルギー:
  • 標準的なMAP再構成は、単純なコンセンサス配列よりもGTへのハミング距離が小さくなることが多いが、人工的に低いDCAエネルギーを示す。これは、安定性に過剰に最適化されており、真の祖先状態を反映していない可能性を示唆している。
  • 部位独立なサンプリングは、高いDCAエネルギーを持つ配列を生成し、しばら機能領域の外側に位置することが多い。
  • 共進化を考慮した候補（$S^{DCA}_{anc}$）は、これらの中間的なバランスを実現する。すなわち、MAP推定と同等のハミング距離を維持しつつ、自然界の現存ファミリーと一致するDCAエネルギーを示す。
• 構造的妥当性: 共進化を考慮したセットの候補は、部位独立なサンプルよりも優れた構造特性を示す。これらは、高精度なAlphaFold構造（グラウンドトゥルース）と比較して、より高い予測局所距離差テスト（pLDDT）スコアと、より低い平方根平均二乗偏差（RMSD）を示す。
• 進化レジームの特定: 著者らは、系統学的推論が単純なコンセンサス以上の非自明な情報を提供し、かつ共進化を取り入れるメリットが最も顕著に検出できる中間的な進化タイムスケール（$\mu_{gen} \in [1, 100]$）を特定した。

意義と主張
本論文は、タンパク質進化の結合的な性質をより良く反映する、祖先再構成のための実践的な経路を提供すると主張している。その意義は以下の点にある。

• ギャップの解消: エピスタシスを無視する単一配列のMAP再構成と、構造的制約を無視する無制約な事後分布サンプリングとの間のギャップを埋める、計算量的に実行可能な解決策を提示している。
• 生物学的リアリズム: DCA制約を課すことで、系統学的に一貫しているだけでなく、自然界のタンパク質ファミリーと統計的に適合し、構造的に生存可能な祖先候補のアンサンブルを生成する。
• 不確実性の定量化: 手法は、単一の点推定に頼るのではなく、妥当な祖先のアンサンブルをサンプリングすることを推奨しており、これは祖先の不確実性と多様性をより現実的に表現するものである。
• 検証: 本研究は、共進化を考慮した再構成の恩恵は、基礎となるデータ（またはシミュレーション）が真のエピスタシス的制約を反映している場合にのみ検出可能であることを示しており、深い時代の進化研究におけるこうしたモデルの必要性を強調している。

著者らは、本手法が現時点では個別のノードに独立して適用されるものであるものの、進化的に一貫しており、かつ生物学的に真正な祖先を再構成するための、原理に基づいた一歩であると結論付けている。これは、従来の部位独立なアプローチによる系統的なバイアスを回避するものである。