PartitionFinder-mAIC: Phylogenetic Partitioning using Marginal Akaike Information Criterion

지구상의 생명은 거대하고 갈라지는 가계도와 같으며, 과학자들은 이 가지들을 올바르게 그리기 위해 많은 시간을 보냅니다. 이를 위해 그들은 식물, 동물, 미생물에서 발견되는 유전 코드를 조사하며, 이 서열들이 수백만 년에 걸쳐 어떻게 변화해 왔는지 비교합니다. 하지만 유전 서열의 모든 부분이 동일한 속도로 또는 동일한 방식으로 변하는 것은 아닙니다. 어떤 영역은 거의 변하지 않는 튼튼한 옛 성벽과 같지만, 다른 영역은 빈번하게 무너지고 재배치되는 느슨한 벽돌과 같습니다. 이러한 다양성 때문에 연구자들은 전체 유전 서열을 하나의 균일한 블록으로 취급할 수 없습니다. 대신, 그들은 각 그룹이 진화하는 고유한 규칙을 따르는 더 작은 그룹, 즉 파티션(partition)으로 서열을 나누어야 합니다. 이러한 구획을 나누는 적절한 방법을 찾는 것은 매우 중요합니다. 만약 그룹이 너무 넓으면 분석에서 중요한 세부 사항을 놓치게 되지만, 너무 좁으면 모델이 불필요한 복잡함으로 뒤덮여 역사의 모습을 혼란스럽게 만들기 때문입니다.

수년 동안, PartitionFinder라는 인기 있는 도구가 과학자들이 이러한 유전적 구획을 어떻게 조직할지 결정하는 데 도움을 주었습니다. 이 도구는 수학적 점수를 사용하여 유사한 그룹들을 하나로 병합함으로써, 지나친 복잡화를 피하는 균형을 찾고자 합니다. 전통적으로 이러한 점수들은 구획화 과정을 고정된 사실로 취급하는 방식에 의존해 왔는데, 이는 최종 역사가 계산되기 전에 경계가 이미 확정되어 있다고 가정하는 것입니다. 그러나 새로운 접근법은 이러한 가정이 너무 경직되어 있을 수 있다고 제안합니다. 최근 도입된 '한계 아카이케 정보 기준(marginal Akaike information criterion)'이라 불리는 방법은 다른 관점을 취합니다. 데이터를 그룹화하는 방식을 고정하는 대신, 이 방법은 경계를 유동적인 가능성으로 취급하여 모든 파티션 모델에 걸쳐 데이터의 가능성을 평균화합니다. 이러한 변화는 모델이 데이터에 내재된 불확실성을 더 잘 설명할 수 있게 하여, 잠재적으로 나무의 주요 가지들에 대한 더 명확한 시야를 제공합니다.

새로운 발전으로서, 연구진은 이 더 유연한 방법을 널리 사용되는 IQ-TREE 소프트웨어에 도입하여 'PartitionFinder-mAIC'라고 불리는 도구를 만들었습니다. 기존 알고리즘에 이 새로운 점수 체계를 통합함으로써, 팀은 이것이 전통적인 방식보다 더 나은 결과를 낼 수 있는지 테스트했습니다. 그들은 참된 가계도가 이미 알려져 있는 다양한 시뮬레이션 데이터뿐만 아니라 실제 DNA 및 단백질 서열을 대상으로 새 도구를 실행했습니다. 결과에 따르면, 새로운 방법은 기존 방식보다 일관되게 더 적은 수의 파티션을 사용하도록 선택했습니다. 유전 데이터를 작고 지나치게 구체적인 그룹으로 쪼개기보다는, 더 넓은 그룹화가 진화적 패턴을 설명하기에 충분하다는 것을 찾아낸 것입니다.

연구진이 이 발견을 녹색 식물의 진화사에 적용했을 때, 그 영향은 실질적이었습니다. 새로운 방법에 의해 생성된 파티션 체계는 식물 가계도의 가장 중요한 가지들에서 더 정확한 추론을 이끌어냈습니다. 이는 모델이 데이터가 그룹화되는 방식에 대한 더 넓은 범위의 가능성을 고려하도록 허용함으로써, 과학자들이 모델이 실제 신호를 학습하는 대신 데이터의 노이즈를 암기해 버리는 '과적합(overfitting)'의 함정을 피할 수 있음을 시사합니다. 이 도구는 현재 최신 버전의 소프트웨어에서 다른 연구자들이 사용할 수 있도록 공개되었으며, 유전 진화의 유동적인 본질을 인정하는 방식으로 생명의 역사 지도를 정교화할 수 있는 방법을 제공합니다.