Unlocking a flexible set of phylogenetic models for discrete and continuous trait evolution using discretized stochastic diffusion

あなたは、数百万年にわたって生命がいかに変化してきたかという謎を解こうとしている探偵だと想像してください。あなたには、誰が誰と親戚関係にあるかを示す、巨大な分岐図のような動物の家系図があります。あなたの仕事は、嘴（くちばし）の大きさ、尾の長さ、あるいは羽の色といった特定の形質が、その系統樹の枝に沿ってどのように進化したかを突き止めることです。長い間、科学者たちは「ブラウン運動」と呼ばれる数学的ツールを用いて、これをモデル化してきました。ブラウン運動とは、霧の立ち込める公園の中を、千鳥足でランダムに歩き回る酔っ払いに例えられます。彼には目的地はなく、ただあちこちへランダムにステップを踏んでいきます。時間が経つにつれ、出発点からの距離は広がっていきますが、彼が正確にどこに辿り着くかを予測することはできず、どこにいるかの「確率」しか分かりません。この「ランダムウォーク」が、形質の進化を推測するための標準的な方法でした。

しかし、現実の生命は、常に開かれた公園でのランダムウォークではありません。時には「壁」が存在します。トカゲは自分の体よりも長い尾を持つことはできませんし、鳥の嘴は頭蓋骨を壊すほど大きくなることもできません。これらは「境界」または「制約」です。長い間、壁に当たって跳ね返るランダムウォークの計算を行うことは非常に困難であり、大規模な家系図においてはほぼ不可能に近いことでした。それは、もし公園の中に至る所に目に見えない跳ね返る壁があったとしたدら、あの酔っ払いの正確な経路を計算しようとするようなものです。数学が非常に難しかったため、科学者たちはしばしばこれらの壁を無視してしまい、その結果、形質が変化する速度についての誤った推測を導いてきました。この論文は、その数学的なパズルを解くための巧妙な新しい方法について述べており、より複雑で現実的な方法で進化を理解するための扉を開くものです。

論文：デジタルな梯子による進化モデルの解明

進化生物学者のチームによって書かれたこの論文は、本質的に、以前は解くのが難しすぎた問題を解決するための、巧妙な数学的トリックの使い方を伝授するマスタークラスです。著者らは、2016年にブシェとデメリーによって導入された手法に基づいており、それを「離散化された拡散近似（discretized diffusion approximation）」と呼んでいます。これが何を意味するかを理解するために、滑らかに流れる川の動きを測定しようとしていると想像してください。川の流れは連続的です。水は止まることなく流れます。しかし、整数しか理解できないコンピュータでその川をシミュレーションしたい場合、川を小さな、明確なステップや「ビン（箱）」に細かく切り分ける必要があるかもしれません。「水はここにあり、次に次のビンへ移動し、その次に移動する」という具合です。著者らは、もしこれらのステップを十分に小さくすれば（目に見えないほど小さくすれば）、その「段階的な」シミュレーションは、実際の滑らかな川と区別がつかなくなることを示しています。彼らはこれを「離散化された拡散近似」と呼んでいます。それは、滑らかな滑り台を登るためにデジタルな梯子を使うようなものです。もし梯子の段が十分に近ければ、滑り台を滑り降りるのと同様に、滑らかに登ることができます。

ここでの大きなニュースは、このトリックが、これまで数学的な公式が存在しなかったあらゆる種類の進化シナリオに適用できるということです。著者らは単にトリックを説明するだけでなく、形質がどのように進化するかをモデル化するための5つの新しい方法を解き放つために、このトリックを使用しています。

第一に、彼らは**有界ブラウン運動（Bounded Brownian Motion）**を再検討しています。これは「壁のある酔っ払いの」シナリオです。以前は、形質が限界（例えば最大サイズ）に達した場合、数学が破綻していました。この梯子のトリックを用いることで、著者らは形質が壁に当たって跳ね返る様子をシミュレートできるようになりました。彼らが実験を行った結果、もしこれらの壁を無視すれば、形質が進化する速度を系統的に過小評価することになることが分かりました。それは、まるでランナーが壁に当たり続けて跳ね返っているために、実際には全力疾走しているのに遅いと思われているようなものです。彼らの新しい手法はこれを修正し、形質が制約を受けている場合でも、進化の速度を正確に推定することができます。

次に、彼らは**閾値モデル（Threshold Model）**に取り組みます。これは、表面上は離散的に見えるが、その根底では連続的な形質です。例えば、トカゲが持つ「趾（あし）の数」を考えてみましょう。おそらく、基礎となる生物学的な発達は滑らかなスケールですが、ある「閾値」を超えると、そのトカゲは4本の趾を持つか、あるいは5本の趾を持つかのどちらかとして生まれます。論文では、この目に見えない閾値がどこにあるのかを、たとえ最終的な趾の数しか観察できない場合でも、この梯子法を使って特定する方法を示しています。彼らがデータをシミュレートしたところ、彼らの手法は、これらの隠れた閾値を正しく特定し、他のランダムな進化パターンと区別できることが分かりました。

そして、二つの前述のアイデアを組み合わせた、全く新しい概念である**セミ・スレッショルド・モデル（Semi-Threshold Model）**を導入しています。これは、前述の二つのアイデアの混合です。例えば「角の長さ」のような形質を想像してください。角は滑らかに成長したり縮んだりしますが、もし縮んでゼロになると、角はなくなります。負の角の長さを測ることはできず、それは単に「存在しない」状態になります。しかし、角を生やす「潜在的な能力（liability）」は、角がなくなっていても、その下で進化し続けているかもしれません。著者らは、この「停滞した」状態のためのモデルを作成しました。彼らが、形質が「測定可能」であるか、あるいは「センサリング（欠損/上限に張り付いている）」されているかのデータをシミュレートしたところ、彼らの手法は進化率をうまく推定できましたが、標準的な手法は失敗しました。

また、論文では、二つの異なるタイプの形質が互いに影響を及ぼし合う**共同進化（Joint Evolution）**についても探求しています。

• 離散依存型連続形質（Discrete-Dependent Continuous）: 開放的な水域に住む魚と、リーフ（礁）に住む魚を想像してください。論文は、魚の体の形状が変化する「速度」が、どの生息地にいるかに依存する可能性を示唆しています。開放的な水域では、体の形状の変化はゆっくりかもしれません。リーフでは、変化は速いかもしれません。著者らは、連続形質（体の形状）の「梯子」が、離散形質（生息地）に応じて異なる段を持つモデルを構築しました。彼らのシミュレーションによれば、この手法は、生息地の履歴を先に推測してから形質を測定するという古い手法よりも、それぞれの生息地における進化速度を正確に特定できることが示されました。
• 連続依存型離散形質（Continuous-Dependent Discrete）: これは逆のケースです。卵を産むか、あるいは幼体で生まれるかを決める爬虫類を想像してください。論文は、種が卵から胎生へと切り替わる「速度」が、温度（連続的な形質）に依存する可能性を示唆しています。気温が高いと、その切り替えはより速く起こるかもしれません。彼らは、温度が切り替えの確率をどのように変えるかを示すために、「シグモイド曲線（S字曲線）」を用いたモデル化を行いました。膨大な計算リソースの制限により、このモデルについては大規模なシミュレーションは行っていませんが、数学的に機能し、データに適合することを示しました。

最後に、彼らは**マルチ・トレンド・モデル（Multi-Trend Model）**を提示しています。これは、形質が単にランダムに彷徨うのではなく、方向性を持っている状況のためのものです。地図上を広がるウイルスの拡散を想像してください。ウイルスはランダムに漂うこともありますが、もし宿主動物が変わると、ウイルスは突然、北や南に向かって「ドリフト（傾向）」し始めるかもしれません。著者らは、このような「方向性を持ったドリフト」を、宿主に依存して変化するようにモデル化できることを示しました。彼らはこれを非一様な系統樹上でシミュレートし、彼らの手法がドリフトの速度と方向の両方を正確に推定できることを見出しました。

この論文ができること、およびできないこと

著者らは、自分たちが何を達成したかを非常に明確に述べています。彼らは、この「梯子」の手法がこれらの特定のモデルに対して有効であることを、シミュレーションを通じて概念実証（proof of concept）しました。既知のルールに従って生成されたデータを用いて、彼らの手法がそれらのルールをかなりの精度で再発見できることを示しました。例えば、境界を無視すると誤った答えを導くこと、そして彼らの手法がそれを修正できることを実証しました。また、彼らの共同モデルが、一方の形質を先に推測してからもう一方を測るという従来の「二段階」の手法よりも正確であることを示しました。しかし、彼らはこれらの分析が予備的なものであり、統計的性質の包括的な調査ではなく、あくまでこのアプローチの実現可能性を示すためのものであることを明示しています。

また、彼らは、これが単に連続的なデータを単純なカテゴリーに変換する手法ではないという考えを明確に否定しています。彼らは、「大きなトカゲを『大きい』、小さなトカゲを『小さい』と分類して分析する」と言っているのではないことを強調しています。彼らの手法において「梯子」は、連続的な現実の確率を計算するための、一時的な数学的ツールとしてのみ使用されます。最終的な答えは常に連続的な形質に関するものであり、ビン（箱）に関するものではありません。

さらに、彼らはこのアプローチが氷山の一角に過ぎないことを示唆しています。彼らは、この手法が「隠れた率（hidden-rate）」モデル（形質の変化を引き起こす原因が見えない場合）や、形質が突然ジャンプする場合（不連続なジャンプ）にも適用できる可能性があると述べていますが、これらはまだ完全にはテストしていません。彼らは、より複雑なモデル、例えば連続依存型の離散形質については、計算負荷が高いため、大規模なシミュレーション研究をまだ行っていないことを認めています。将来の研究者に対し、それらの特定の限界をテストすることを推奨しています。

要約すると、この論文は進化のあらゆる謎を解明したと主張しているわけではありません。その代わりに、科学界に対して、強力で柔軟な新しいツール――以前は計算が困難であった複雑で乱雑な進化プロセスを近似するための方法――を授けているのです。この「離散化された拡散」のトリックを用いることで、私たちは自然界の壁、閾値、そして隠れたつながりを尊重したモデルを構築できるようになり、生命がいかに変化してきたかという、より鮮明な姿を描き出すことができるようになることを示唆しています。