A covarion model for phylogenetic estimation using discrete morphological datasets

本研究は、分子データ向けに開発された共変量モデルを形態データ用に拡張した「covariomorph モデル」を RevBayes に実装し、シミュレーションと 164 の実データによる検証を通じて、系統推定における分枝長やトポロジーの精度向上に寄与する新たな枠組みを提案したものである。

要約

🌟 核心となるアイデア：進化は「一定のペース」ではない

これまでの進化のモデル（Mk モデルなど）は、進化を**「一定のペースで走るランナー」のように考えていました。
「このグループは全体的に速く進化した」「あのグループは全体的に遅かった」というように、「形（特徴）ごとに速さは違うけれど、その速さは時代や場所が変わっても一定」**だと仮定していました。

しかし、実際の生物の進化はもっと複雑です。
例えば、鳥が空を飛ぶために進化していた時期、「翼の骨」は爆発的に速く進化したのに、「足の骨」はほとんど変わらなかったかもしれません。そして、その後の時代になると、また別の形質が急激に進化するかもしれません。

**「ある形質は、ある時代は速く進化し、別の時代はゆっくり進化し、また別の時代は止まっていた」**という現象を、これまでのモデルは捉えきれませんでした。

🚗 アナロジー：進化の「ギアチェンジ」

この論文で提案された新しいモデル（Covariomorph モデル）は、進化を**「ギアチェンジができる車」**に例えることができます。

1. 従来のモデル（Mk モデル）：

   • 車が**「一定の速度」**で走り続けるモデルです。
   • 「この車は全体的に速い」「あの車は遅い」という違いはありますが、「アクセルを踏むか、ブレーキをかけるか」をその車自体が自分で変えることはできません。

2. 新しいモデル（Covariomorph モデル）：

   • 車が**「ギアチェンジ」**ができるモデルです。
   • ある形質（例えば「歯の形」）は、ある時代は**「低速ギア（ゆっくり進化）」で走りますが、環境が変わると「高速ギア（急激な進化）」**に切り替えます。
   • さらに、別の形質（例えば「目の色」）は、その車とは逆に、最初は高速で走っていましたが、後に低速ギアに切り替えるかもしれません。
   • この**「ギアチェンジ（進化の速さの切り替え）」**を自動的に検知して、進化の歴史を再計算するのがこの研究の目的です。

🔍 何をしたのか？（研究の内容）

著者たちは、この「ギアチェンジができる進化モデル」をコンピュータープログラム（RevBayes というソフト）に組み込みました。

1. シミュレーション（実験）：

   • 人工的に「ギアチェンジがある進化データ」と「ない進化データ」を作り、この新しいモデルが正しく「ギアチェンジ」を見つけられるかテストしました。
   • 結果：進化の歴史（木）が長ければ長いほど、このモデルは「どこでギアチェンジがあったか」を正確に当てられることがわかりました。

2. 実データでの検証：

   • 164 種類の実際の生物データ（魚、爬虫類、植物など）にこのモデルを適用しました。
   • 発見： 約半分は「ギアチェンジなし（一定の速さ）」で説明できましたが、残りの半分は「ギアチェンジ（進化の速さの切り替え）」が起きていることがわかりました。

🦈 具体的な例：サメとエイ

研究では、サメとエイの進化データに焦点を当てました。

• サメのデータ： 従来のモデルでは説明しきれない複雑な進化のパターンがありました。新しいモデルを使うと、**「進化のスピードが頻繁に切り替わっている」**ことが明らかになり、それまで見えていなかった進化の歴史（系統樹の形や枝の長さ）が大幅に変わりました。
• 意味： 進化のスピードが一定だと仮定すると、「いつ頃分岐したか（分岐年代）」や「どれくらい進化したか」を誤って計算してしまう可能性があります。新しいモデルを使うと、より正確な「進化のタイムライン」が描けるようになります。

💡 なぜこれが重要なのか？

• よりリアルな進化の物語： 進化は「一定のペース」ではなく、環境や生き方の変化に合わせて「急加速」や「スローダウン」を繰り返すものです。このモデルは、そのダイナミックな側面を捉えます。
• 正確な年代測定： 「枝の長さ」は進化の時間やスピードを表します。ギアチェンジを無視すると、この長さを誤って見積もってしまいます。新しいモデルを使うことで、「いつ、どの生物が現れたか」という進化のタイムラインをより正確に推定できるようになります。

🏁 まとめ

この論文は、**「進化のスピードは、形質によって、そして時代によって変化する」**という現実を、新しい数学的なモデル（Covariomorph モデル）で表現しました。

これまでのモデルが「一定速のランナー」だったのに対し、新しいモデルは**「状況に応じてギアを切り替える賢いドライバー」**のような進化の捉え方を提供します。これにより、生物の進化の歴史を、より鮮明で正確に読み解くことができるようになるでしょう。

技術概要

論文の技術的概要：離散形態データを用いた系統推定のための共変量モデル（Covarion Model）

この論文は、離散的な形態データ（形態形質）を用いた系統推定において、従来のモデルが抱える限界を克服し、より生物学的に現実的な進化速度の変動を捉えるための新しい確率モデル「Covariomorph モデル」を提案・検証した研究です。RevBayes 実装され、シミュレーションおよび実データへの適用を通じてその有効性が示されています。

以下に、問題定義、手法、主要な貢献、結果、および意義について詳細にまとめます。

---

1. 背景と問題定義

• 従来のモデルの限界:
  • 形態データの系統推定では、一般的に Markov k-state (Mk) モデルが用いられています。
  • Mk モデルおよびその拡張（Mk+Γなど）は、すべての形質が系統全体を通じて均一な進化速度を持つ、あるいは形質間で一定の速度差がある（ACRV: Among-Character Rate Variation）と仮定しています。
  • しかし、生物学的には、特定の系統（分岐）において特定の形質の進化速度が変化する現象（異時性：Heterotachy）が広く存在します。例えば、飛翔への適応に伴い鳥類の前肢が急速に進化した一方で、他の部位は緩やかに進化したようなケースです。
  • 従来の「形質間速度変動（ACRV）」モデルは、速い形質は常に速く、遅い形質は常に遅いという仮定を置いているため、系統ごとの速度変化（Lineage-specific rate variation）を捉えられません。
• 解決策の必要性:
  • 分子データでは「Covarion モデル」が同様の問題（サイトごとの進化速度のオン/オフや変動）を扱うために開発されていますが、形態データへの適用は試みられていませんでした。
  • 形態データの複雑な進化ダイナミクスを捉えるため、Covarion モデルの概念を形態データに拡張した新しいモデルが必要です。

2. 手法：Covariomorph モデル

著者らは、RevBayes 内に「Covariomorph モデル」を実装しました。これは、分子データの Covarion モデルを形態データに拡張したもので、以下のメカニズムを持っています。

• 基本概念:
  • 各形質は、進化の過程で複数の「速度カテゴリ（Rate Categories）」の間を確率的に遷移（スイッチング）しながら進化します。
  • 各カテゴリには異なる進化速度（スカラー値）が割り当てられ、形質の状態遷移行列（Mk モデルの Q 行列）をスケーリングします。
• 数学的定式化:
  • 状態空間の拡張: 従来の $k$ 状態（形質の状態）に加え、$m$ 個の速度カテゴリを考慮し、状態空間を $k \times m$ に拡張します。これにより、「形質の状態」と「その時点での進化速度カテゴリ」の組み合わせを「仮想状態」として扱います。
  • 遷移行列 ($\tilde{Q}$):
    • 対角ブロック ($r_i Q$): 特定の速度カテゴリ内での形質状態の遷移（Mk モデルのスケーリング版）。
    • 非対角ブロック ($\frac{\delta}{m-1} I$): 速度カテゴリ間の遷移（スイッチング）。ここで $\delta$ は速度カテゴリ間を切り替えるレートパラメータです。
  • 速度スカラー: 対数正規分布（Lognormal distribution）などから離散化された速度スカラー $r_i$ を生成し、これらを正規化して平均が 1 になるように設定します。
  • スイッチングレート ($\delta$): 速度カテゴリ間の遷移レートを制御するパラメータです。$\delta \to 0$ で ACRV モデルに、$\delta \to \infty$ または $\sigma \to 0$ で標準的な Mk モデルに収束します。
• 実装:
  • RevBayes の expandCharacters() 関数と fnCovarion() 関数を用いて実装されました。
  • 尤度計算には Felsenstein のプルーニングアルゴリズムが拡張された状態空間で適用されます。

3. 主要な貢献

1. Covariomorph モデルの提案と実装:
   • 形態データにおける「異時性（Heterotachy）」を明示的にモデル化する初めての枠組みを提供しました。
   • 従来の ACRV モデルや Mk モデルを特殊なケースとして内包する一般化されたモデルです。
2. シミュレーションによる検証:
   • 異なる系統樹の長さ（Tree Length）とスイッチングレート条件下でのモデルのパフォーマンスを評価しました。
   • 真のパラメータ（速度変動の標準偏差 $\sigma$ とスイッチングレート $\delta$）を回復できる条件を明らかにしました。
3. 大規模実データ解析:
   • Morphobank 等から収集した 164 の実形態データセットに対してモデルを適用し、どのデータセットが Covarion 的なダイナミクスを示すかを調査しました。
4. ケーススタディ（エイとサメ）:
   • 2 つの代表的なデータセット（エイとサメ）を用いて、モデル選択（Marginal Likelihood）、パラメータ推定、および系統樹トポロジーへの影響を詳細に分析しました。

4. 結果

• シミュレーション結果:
  • モデルは、十分な系統樹の長さがある場合、真のスイッチングレートと速度変動を正確に回復できます。
  • ただし、スイッチングレートが非常に高い場合（進化速度カテゴリが頻繁に切り替わる場合）、信号が平均化され、モデルは単純な Mk モデルの振る舞いに収束する傾向があります。
  • 真のモデルが Covariomorph である場合、単純な Mk モデルや ACRV モデルでは系統樹のトポロジーを正しく復元できないことが示されました。
• 実データ解析（164 データセット）:
  • 解析されたデータセットの約半分は、パラメータ推定結果が単純な Mk モデル（速度変動なし、またはスイッチングが極端に高い）と一致しました。
  • 残りの半分（約 77 データセット）は、有意な速度変動（$\sigma > 0$）と低いスイッチングレートを示し、ACRV または Covarion 的なダイナミクスが存在することを示唆しました。
• ケーススタディ（エイとサメ）:
  • モデル選択: 両データセットとも、標準的な Mk モデルや ACRV モデルよりも Covariomorph モデルが圧倒的に支持されました（特にサメのデータセットでは、カテゴリ数 $m \ge 8$ のモデルが最も支持されました）。
  • 系統樹への影響:
    • トポロジー: Covariomorph モデルで推定された系統樹は、Mk モデルや ACRV モデルとは異なる分岐パターンを示すことが多く、特に異時性を考慮しないモデルとの間で統計的に有意な違いが見られました。
    • 枝長: Covariomorph モデルは、Mk モデルと比較して系統樹の全体的な枝長を大幅に長く推定しました（エイで約 1.5 倍、サメで約 1.7 倍）。これは、進化速度の変動を考慮することで、見かけ上の進化速度が補正され、より長い時間的スケールが推定されることを意味します。

5. 意義と結論

• 系統推定の精度向上:
  • 形態データの進化には、系統ごとの速度変動（異時性）が頻繁に存在し、これを無視すると系統関係や分岐時間の推定にバイアスが生じる可能性があります。Covariomorph モデルはこのバイアスを軽減し、より正確な系統推定を可能にします。
• 分岐時間推定への影響:
  • 枝長の推定値がモデル選択に敏感であることは、分子時計解析や分岐時間推定（Divergence time estimation）において、形態データを用いる際のモデル選択が極めて重要であることを示しています。
• 今後の展望:
  • アサートメントバイアス（Ascertainment Bias）の修正: 現在の実装では、変異形質のみが含まれる形態データ特有のバイアス修正（Mk モデルの Mkv 版のようなもの）が組み込まれていません。今後の課題として、仮想状態ではなく観測された状態に基づいた条件付き尤度の計算が求められます。
  • モデルの拡張: 速度カテゴリ間の遷移確率を非対称にする、あるいは形質ごとに異なるモデル（Mk または Covariomorph）をミックスするアプローチなどが考えられます。

総括:
この研究は、形態系統学において「進化速度の時間的・系統的特異性」を明示的にモデル化する重要なステップです。Covariomorph モデルは、複雑な形態進化のダイナミクスをより忠実に再現し、従来のモデルでは見逃されていた系統関係や進化速度の推定精度を向上させる可能性を秘めています。