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

生命という広大な図書室において、DNA配列は種がいかにして関連しているかを語るページです。科学者たちはこれらのページを読み解き、人間とチンパンジー、鳥類と恐竜、そして細菌同士を繋ぐ家系図を構築します。しかし、数百万年の時を経て、これらの遺伝コードの文字は変化していきます。時には、ある文字が何度も書き換えられ、元々何であったのか判別できなくなることがあります。これは「置換飽和（substitution saturation）」と呼ばれます。言葉が何度も書き直されたために元の綴りが失われてしまった状況を想像してみてください。遺伝学において、あまりに多くの変化が積み重なると、真の家系図の信号がノイズにかき消されてしまうのです。数十年もの間、研究者たちは、あるDNA配列が使い物にならないほど飽和しているかどうかを判断するために、「指標（index）」として知られる特定の数学的なチェック機能に頼ってきました。もしそのチェックが「データがノザイである」と判定すれば、科学者たちは、乱れた部分を取り除くことで進化の明快な姿をより容易に捉えられることを期待して、そのデータを破棄してきました。

東華大学の研究者、徐志傑（Zhi-Jie Xu）は、この長年のルールに対して新たな視点を提示しました。2万個のシミュレーションされたDNA断片を用いた大規模な研究において、徐氏は、科学者が使用してきたそのルールは、実際には主張している内容を測定していないことを発見しました。その指標は、配列が真の家系図を復元できないほど飽和したかどうかを検出するために設計されたものでした。しかし、この研究は、その指標が最も重要な要素、すなわち「家系図自体の形状」に対して盲目であることを示しています。研究者たちは、指標に対して全く同じように見える2組のDNAデータであっても、一方は家系図を完璧に明らかにし、もう一方は何も明らかにしないということが起こり得ることを発見しました。この指標は、どのデータを捨てるべきかを判断するための信頼できる門番ではありません。

問題の核心は、指標の振る舞い方にあります。この研究は、指標がデータの平均的な変化量を測定しているものの、その変化がどのように配置されているかについては関心を持たないことを実証しています。これを証明するために、研究者たちは配列内の各カラム（列）の中で遺伝データをシャッフルするというシナリオを作成しました。このシャッフルによって家系図を再構築する能力は破壊され、正しい木を見つける成功率はほぼ完璧な状態からランダムな推測へと急落しました。それにもかかわらず、指標は全く変化せず、微塵も変わりませんでした。それはまるで、温度計が凍った湖と沸騰した鍋に対して同じ温度を示しているかのようでした。これは、指標が、樹形を復元できるかどうかを決定する特定の量量を測定していないことを証明しています。

さらに、この研究は、「飽和」しているかどうかを判断するために用いられる閾値が固定された数値ではないことも明らかにしています。それは、DNA配列の長さや、研究対象となる家系図の具体的な形状によって変化します。研究者たちは、データの量と家系図を見つけ出す能力との関係が、単純で普遍的なルールではないことを発見しました。むしろ、それは枝の幾何学的な形状に基づいて変化する複雑なバランスなのです。ある樹形においては、わずかな変化でデータが非常に読み取りにくくなる一方で、別の樹形では、膨大な変化があっても読み取り可能なままであることがあります。科学者が限界を設定するために使用している古い表は、この変動を考慮に入れておらず、その結果、しばしば恣意的な決定を導いています。

現実世界の文脈でこれらの発見をテストするため、研究者たちは16種の生物を含む大規模なゲノムをシミュレートしました。彼らはこのゲノムを小さな断片に切り分け、指標のスコアに基づいて分類しました。そして、指標によって「クリーン」とラベル付けされた断片と、「飽和している」とラベル付けされた断片を用いて、家系図の再構築を試みました。その結果は驚くべきものでした。数千塩基対に及ぶ現代のゲノムデータという規模において、指標が拒絶した断片は、指標が保持した断片と同じくらい、科学者が正しい家系図を見つけるための助けとなりました。指標は、水がまだ浅い場所に境界線を引いていたのです。指標が「使い物にならない」と告げたデータは、実際には使用不可能なものではなく、単に指標が正しく測定できていないグラデーションの一部であったに過ぎませんでした。

また、本研究は、長い枝同士が引き寄せ合うという、進化生物学における一般的な問題（ロングブランチ・アトラクション）に対処するために設計された特定の手法についても調査しました。研究者たちは、その手法が飽和した困難な家系図から恩恵を受けていないことを見出しました。実際、データが短く飽和している場合、標準的な手法の方が特殊な手法よりも優れた性能を示しました。これは、特殊な手法が飽和によって生じた問題を修正していたのではなく、むしろフィルタリングのプロセスが有用な情報を除去していたことを示唆しています。その特殊な手法は特定の種類のエラーを修復するために設計されていましたが、研究によれば、テストされたデータの文脈においてそのエラーは存在しておらず、フィルターは単に役立つはずのデータを捨てていただけでした。

最終的に、論文は、この指標は飽和の閾値ではなく、統計的検定力の境界であると結論付けています。それは、特定のパズルを解くためにどれだけのデータが必要かを示してくれますが、パズルのピースが壊れているかどうかを教えてくれるわけではありません。研究者たちは、この指標をデータを破棄するための厳格なルールとして使うのをやめるべきだと主張しています。代わりに、家系図を復元できるかどうかは、枝の具体的な配置と利用可能なデータの総量に依存することを認識すべきであるとしています。この研究は、解ける樹形と解けない樹形の間の境界が固定された線ではなく、研究されている進化の歴史の独特な幾何学に依存する動的なターゲットであることを示し、より精密な理解を提供しています。

この研究の意義は極めて大きいです。長年、研究者たちは、指標が「ノイズが多い」と告げるがために、遺伝データの一部を削除してきました。この研究は、多くの場合、そのデータはノイズであったのではなく、単に指標が見落としている複雑なパターンの一部であったことを示唆しています。このデータを保持することで、科学者はこれまで解決が困難だと考えられていた家系図を解明できる可能性があります。この研究は、飽和が問題ではないと言っているのではなく、それを検出するために使用されているツールに欠陥があると言っているのです。研究者たちは、問題に対するより正確な評価を可能にするために、単純な変化の平均ではなく、真の家系図とランダムな推測との実際の距離に焦点を当てた、新しい見方を提供しました。この視点の転換により、データが生命の歴史について何を語ることができるのかを、より正確に評価することが可能になります。

結局のところ、この研究はより明確な進むべき道を示しています。それは、硬直したルールを、データ、樹形、および長さがどのように相互作用するかという微細な理解へと置き換えるものです。研究者たちは、データが有用かどうかを判断するための決定的な値は、すべての人に適用される単一の数字ではないことを示しました。それは、研究の具体的な状況に応じて変化する値なのです。つまり、科学者はデータの解釈において、より注意深くある必要があり、単純な閾値を超えて、捉えようとしている進化の信号のより深い構造を理解しなければならないということです。この研究は、広く用いられている慣行に対する修正であり、進化生物学のツールが、それが答えようとする問いと同じくらい精密であることを保証するものです。