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

生命は、あらゆる生物のDNAの中にその歴史の記録、すなわち科学者が生命の樹を再構築するために読み解く分子のアーカイブを残している。このアーカイブを理解するためには、研究者はゲノム全体にわたって突然変異が一定のペースで起こるわけではないという事実を考慮しなければならない。ある箇所は急速に変化する一方で、他の箇所は頑固に静止したままである。数十年間、コンピュータモデルにおけるこの不均一な速度を扱う標準的な方法は、起こりうる速度の範囲をいくつかの等しいスライスに切り分け、各スライスに代表的な平均速度を割り当てることであった。「離散ガンマモデル」として知られるこの手法は、進化生物学における主力として30年間君臨し、種がいつ分岐したか、そしてそれらの家族がどのように親戚関係にあるかを推定することを可能にしてきた。しかし、新たな分析によれば、この長年続いてきた手法には隠れた欠陥があり、進化のタイムラインを系統的に歪め、生命の樹における枝を実際よりも長く見せてしまうことが示唆されている。

研究チームは現在、これらの速度カテゴリーをより良く切り分ける方法、彼らが「DGM-Star」と呼ぶ手法を提案している。通常はデジタル信号の圧縮に用いられる数学的枠組みを応用することで、彼らは旧来の手法に見られるバイアスを取り除く、速度を割り当てるための新しい規則を作り出した。シミュレーションされたDNA配列を用いたテストにおいて、彼らの新しいアプローチは、標準的な手法と比較して、推定される枝の長さの誤差を最大20分の1に減少させた。これは特に、進化のステップが非常に短い大規模な樹を扱う場合に顕著であった。旧来の手法はタイムラインを引き伸ばす傾向があるが、新手法は正確さを保ち、既存のソフトウェアを変更することなく、科学者が即座に使用できるドロップイン・リプレースメント（そのまま置き換え可能なもの）を提供している。

物語は、進化が均一なプロセスではないという気づきから始まる。科学者が遺伝暗号を見ると、一部の文字は頻繁に変化する一方で、他の文字はほとんど動かないことがわかる。これをモデル化するために、彼らはガンマ分布と呼ばれる統計的な形状を使用する。これは、これらの速度がどのように変化するかを記述するものである。コンピュータは無限の可能性を持つ連続的で流れるような曲線を用いて計算を行うことが容易ではないため、標準的な慣行は、この曲線を一定数のバケット（またはカテゴリー）に分割することであった。1990年代に確立された伝統的な手法は、各バケットが等しい数のデータポイントを含むように曲線を分割し、そしてバケット全体を代表する単一の平均速度を割り当てるものである。この「等確率」のアプローチは、古代のウイルスから現代の種の起源を辿る研究に至るまで、数十年にわたりデフォルトの設定として使われてきた。

しかし最近、フェレッティ（Ferretti）らを中心とする科学者グループが、この標準的な手法には根本的な欠陥があることを実証した。彼らは、真の進化速度が連続的な曲線に従う場合、伝統的なバケッティング・システムが一貫して進化の樹における枝の長さを過大評価することを示した。簡単に言えば、このモデルは、種が実際に進化してきた期間よりも長い期間進化してきたと研究者に告げてしまうのである。この誤差は些細な不具合ではない。それは、種がいつ分岐したか、そしてどのように親戚関係にあるかについての誤った結論を導き出す可能性がある。研究者たちは、このバイアスがあまりに持続的なものであるため、単にモデルにバケットを追加するだけでは解決せず、場合によってはカテゴリーを追加することで逆に誤差が悪化することさえあることを発見した。

この発見を受けて、論文の著者たちは、旧来の手法の計算速度を維持しながら精度を改善する解決策を見出すべく取り組んだ。彼らは、連続的な信号を限られた数の離散的な値で表現する方法を扱う、量子化理論と呼ばれる数学分野に目を向けた。バケットのサイズを強制的に等しくする代わりに、彼らは、データの背後にある現実を最もよく一致させる特定の境界線と代表的な速度を見つけ出す新しいアルゴリズムを設計した。彼らはこの新しい手法を「DGM-Star」と名付け、標準的な手法および「FreeRate」として知られるより複雑な代替案に対してテストを行った。

結果は驚くべきものであった。真の答えが既知であるシミュレーションにおいて、新しいDGM-Star法は、標準的な手法と比較してバイアスを20分の1に減少させ、ほぼ完璧に正確な枝の長さを生み出した。この改善は、急速に進化するウイルスのような実世界の研究でよく見られるシナリオである、短い枝を持つ大規模な樹において最も劇的であった。研究者たちはまた、数千人の患者からの遺伝的データの実際のコレクションである、HIV-1配列の膨大なデータセットに対しても彼らの手法をテストした。ここでも、新手法は、旧モデルが進化の距離を引き伸ばしてしまう傾向を修正し、より小さなサブセットを分析した際に観察された結果に近い推定値をもたらした。

興味深いことに、この研究はすべての現行の手法に影響を与える限界も明らかにした。進化の枝が極端に長い場合、つまり種が分離されてから非常に長い時間が経過している場合、新しいDGM-Star法も、複雑なFreeRateモデルも、枝の長さを過小評価し始める。これは、新手法がほとんどの実用的なシナリオにおいて過大評価の問題を解決する一方で、非常に深い進化の時間（deep evolutionary time）をモデル化するという課題が依然として未解決の問いであることを示唆している。それにもかかわらず、著者らは、彼らの新しいアプローチは旧来の標準を即座に置き換えるのに十分な堅牢性を備えていると主張している。それはすでに進化生物学者が使用する主要なソフトウェアプログラムで利用可能であり、研究者は新しい技術を学ぶ必要も、将来のアップデートを待つ必要もなく、より正確なモデルへと切り替えることができる。

この研究の意義は、大規模な分析を可能にする速度を犠牲にすることなく、数十年来の誤りを修正できる点にある。進化の連続的な流れを、コンピュータが理解できる離散的なステップへと翻訳する方法を洗練させることで、研究者たちは生命の樹をより鮮明に描き出すツールを提供した。新しい手法は、既存の慣行の完全な刷新を要求するものではない。それは単に、パイを切り分けるためのより優れた方法を提示し、私たちの遺伝子に刻まれた歴史がより高い忠実度で読み取られることを保証するものなのである。著者らが述べているように、この転換は、旧来の手法が役に立たなかったからではなく、より精密な代替案が今や準備できたために、その引退を推奨するものである。