📄 evolutionary biology

On the mapping between evolutionary scenarios and governing rules in state-dependent speciation-extinction models

본 연구는 상태 의존적 종 분화-멸종 모델에서 진화적 시나리오와 지배 규칙 사이의 수학적 매핑을 확립함으로써, 서로 다른 시나리오가 동일한 팁 상태 분포를 생성할 수 있으며 현존하는 계통수만을 이용한 추론은 혼합률, 시간, 그리고 가능도 조건화의 상호작용으로 인해 특정 시나리오에 편향될 수 있음을 밝혀낸다.

원저자: Soewongsono, A. C., Landis, M. J.

게시일 2026-09-29

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Soewongsono, A. C., Landis, M. J.

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

지구상의 생명체에 대한 거대한 연구에서, 생물학자들은 종종 단순하지만 심오한 질문을 던집니다: 왜 어떤 형질은 흔하고 다른 형질은 드문가? 특정 색상, 특정한 서식지 선호도, 혹은 독특한 행동이 대부분의 종에서 발견되는 이유는 단순히 그것이 생존에 더 적합하기 때문일까요, 아니면 역사적인 우연일까요? 이를 답하기 위해 과학자들은 '계통수'라고 알려진 생명의 '가계도'를 살펴봅니다. 이 나무들은 종들이 어떻게 공통 조상으로부터 갈라져 나왔는지, 그리고 얼마나 오래전에 갈라졌는지를 보여주며 종 간의 관계를 지도화합니다. 이러한 나무들을 각 종이 가진 형질 데이터와 결합함으로써, 연구자들은 진화의 역사를 재구성하려고 시도할 수 있습니다. 그들은 새로운 종이 형성되는 속도, 멸종이 얼마나 자주 일어나는지, 그리고 한 형질에서 다른 형질로 얼마나 빈번하게 전환되는지를 추정하기 위해 수학적 모델을 사용합니다. 거시진화(macroevolution)라고 불리는 이 분야는 우리가 오늘날 살아있는 종에서 보는 패턴이 수백만 년에 걸쳐 그들을 형성했던 과정의 직접적인 반영이라는 가정에 크게 의존합니다. 그러나 근본적인 과제가 남아 있습니다: 우리는 오직 생존자들만을 보고 있다는 점입니다. 존재했던 대다수의 종은 이미 멸종했으며, 우리가 구축하는 계통수는 현재까지 도달한 가지들에 기반하고 있습니다. 이는 사각지대를 만들어, 현재의 형질 균형이 꾸준하고 장기적인 과정의 결과인지 아니면 찰나의 순간인지를 알기 어렵게 만듭니다.

세인트루이스 워싱턴 대학교의 연구팀은 다음과 같은 대담한 질문을 던짐으로써 이 사각지대를 탐구하고자 했습니다: 만약 우리가 계통수를 완전히 제거하고, 서로 다른 형질을 가진 종의 최종 수치만을 본다면, 우리는 여전히 무슨 일이 일어났는지 알아낼 수 있을까? 그들은 종의 분화율과 멸종률이 종이 보유한 형질에 따라 달라지는 특정 유형의 진화 모델에 집중했습니다. 이러한 모델에서, 한 종은 다른 형질을 가졌을 때보다 특정 형질을 가졌을 때 생존하거나 번식할 가능성이 더 높을 수 있습니다. 연구진은 서로 다른 진화적 역사가 정확히 동일한 최종 결과로 이어질 수 있는지 알고 싶었습니다. 두 가지 서로 다른 이야기를 상상해 보십시오: 한 이야기에서는 특정 형질이 종을 빠르게 증식시키지만 동시에 다른 형질로 빠르게 전환되게 만드는 반면, 다른 이야기에서는 그 형질이 중립적이지만 종이 거의 전환되지 않습니다. 두 이야기가 결국 각 형질을 가진 종의 동일한 수로 끝날 수 있을까요? 연구팀은 특정 형질 빈도 패턴을 만들어낼 수 있는 모든 가능한 '이야기' 또는 시나리오를 매핑하기 위한 새로운 수학적 프레임워크를 개발했습니다. 그들은 답은 '예'라는 것을 발견했습니다: 완전히 다른 여러 진화 시나리오가 동일한 장기적 형질 분포 패턴을 만들어낼 수 있습니다.

연구진은 어떤 주어진 최종 혼합 상태에 대해서도, 그러한 상태를 만들어낼 수 있는 몇 가지 뚜렷한 규칙 세트가 존재한다는 것을 발견했습니다. 그들은 이를 '규칙 세트(rulesets)'라고 불렀습니다. 각 규칙 세트는 탄생률, 사망률, 그리고 형질 간의 전환율의 고유한 조합을 나타냅니다. 예를 들어, 한 형질이 새로운 종의 '원천(source)'이 되는 반면 대안적인 형질은 종이 사멸하는 '흡수원(sink)'이 되는 시나리오는, 두 형질 사이의 전환율이 특정 방식으로 조정된다면 두 형질 모두가 원천인 시나리오와 동일한 최종 수치를 만들어낼 수 있습니다. 이는 단순히 마지막에 종의 수를 세는 것만으로는 어떤 밑바탕의 이야기가 진실인지 알 수 없음을 의미합니다. 연구는 이러한 서로 다른 이야기들이 수학적으로는 구별되지만, 모두 동일한 목적지에 도착할 능력이 있다는 것을 보여주었습니다.

이 중 어떤 이야기가 진실일 가능성이 가장 높은지 이해하기 위해, 연구팀은 컴퓨터 시뮬레이션에 의존했습니다. 그들은 수천 개의 가상의 진화 역사를 생성하여, 그것들을 시간의 흐름에 따라 앞으로 진행시켜 실제로 생존하는 종의 가계를 만들어내는지 확인했습니다. 그들은 모든 이야기가 동등하게 만들어지지 않는다는 것을 발견했습니다. 두 형질 모두가 '원천' 역할을 하는 시나리오(즉, 두 형질을 가진 종 모두가 사멸하기보다 번식하는 경향이 있는 경우)는, 하나 또는 둘 다 '흡수원' 역할을 하는 시나리오보다 훨씬 더 큰 생존하는 나무를 만들어낼 가능성이 높았습니다. 이는 직관적으로 타당합니다: 만약 어떤 형질이 종을 멸종하게 만든다면, 그 가지는 오늘날 관찰되기 전에 사라질 가능성이 높기 때문입니다. 결과적으로, 현재까지 살아남은 진화의 역사는 종들이 일반적으로 번창하는 방향으로 편향되어 있습니다.

연구진은 살아있는 나무로부터 역추적하여 원래의 규칙을 추측하는 표준 통계 방법들이 이러한 서로 다른 시나리오를 구별할 수 있는지 테스트했습니다. 그들은 이러한 방법들이 중립적이지 않다는 것을 발견했습니다. 살아있는 종들로 구성된 나무를 분석할 때, 통계적 도구들은 실제 역사가 무엇이었든 간에 '원천-원천' 시나리오를 강력하게 선호했습니다. 이러한 편향은 분석에 사용되는 수학적 가능성이 나무가 생존했다는 사실에 조건화되어 있기 때문에 발생합니다. 생존한 나무는 종이 번식하는 역사에서 왔을 가능성이 더 높으므로, 분석은 자연스럽게 그 결론으로 기울게 됩니다. 연구는 또한 시스템이 최종 패턴에 안착하는 속도가 중요하다는 것을 밝혔습니다. 어떤 진화 시나리오는 매우 빠르게 안정적인 균형에 도달하는 반면, 어떤 것들은 오랜 시간이 걸립니다. 만약 나무가 젊다면, 그것은 균형에 도달할 충분한 시간을 갖지 못했을 수도 있으며, 이는 올바른 역사를 추론하는 것을 더 어렵게 만듭니다. 시뮬레이션은 올바른 진화 이야기를 식별하는 능력은 얼마나 많은 시간이 흘렀는지와 시스템이 최종 상태로 얼마나 빠르게 수렴하고 있는지에 크게 달려 있음을 보여주었습니다.

연구진이 자신들의 프레임워크를 실제 데이터, 즉 도마뱀과 뱀(인척류) 및 속씨식물(피자식물)의 진화 역사에 적용했을 때, 시뮬레이션의 패턴이 유효하다는 것을 발견했습니다. 두 집단 모두에서, 가장 흔하게 추론된 진화 시나리오는 두 형질 모두가 원천 역할을 하는 시나리오였으며, 이는 생존한 나무가 번창하는 계보로 편향되어 있다는 생각과 일치했습니다. 그러나 시뮬레이션된 데이터와 실제 세계 사이에는 차이점이 있었습니다. 실제 데이터에서는 방법론들이 시뮬레이션이 예측한 것보다 특정 복잡한 시나리오들을 더 자주 추론했는데, 이는 실제 진화 과정이 더 미묘하거나, 모델에서 고려되지 않은 숨겨진 형질과 같은 다른 요인들이 결과에 영향을 미치고 있음을 시사합니다. 이 연구는 살아있는 종의 형질로부터 많은 것을 배울 수 있지만, 우리가 그곳에 도달하기 위한 정확한 경로를 알고 있다고 가정하는 데 주의해야 함을 강조합니다. 동일한 최종 그림은 여러 가지 다른 붓으로 그려질 수 있으며, 나무의 전체 역사, 즉 멸종한 가지들을 포함하지 않는다면 우리는 진실한 이야기의 단편만을 보게 될 수도 있습니다.

이 작업은 살아있는 세계로부터 우리가 무엇을 배울 수 있는지에 대한 한계를 이해하는 데 결정적인 이론적 토대를 제공합니다. 이는 우리가 관찰하는 데이터와 그것을 생성한 과정 사이의 관계가 일대일 대응이 아님을 보여줍니다. 가능한 모든 규칙을 매핑함으로써, 연구진은 생물학자들에게 전체 가능성의 범위를 보여주는 방법을 제시했습니다. 이는 미래의 연구를 위한 더 나은 시작점을 선택하고, 왜 특정 진화 이야기가 더 자주 들려오는지 이해하는 데 도움이 됩니다. 이는 생명의 역사가 복잡하며, 우리가 오늘날 보는 패턴은 생존, 시간, 그리고 각 계보를 지배했던 구체적인 규칙들 사이의 섬세한 상호작용의 결과임을 상기시켜 줍니다. 이 연구는 형질 진화의 미스터리를 해결하겠다고 주장하는 것이 아니라, 데이터가 무엇을 말할 수 있고 무엇을 말할 수 없는지에 대한 현실적인 이해를 바탕으로 가능성의 지형을 명확히 하는 것입니다.

기술 요약: 상태 의존적 분화-멸종 모델에서 진화적 시나리오를 지배 규칙에 매핑하기

문제 정의
생물학자들은 흔히 현존하는 종들의 형질 빈도 분포를 통해 분화(분화 및 멸절) 또는 형질 진화와 같은 근저의 진화 과정을 추론하고자 한다. BiSSE 및 GeoSSE와 같은 상태 의존적 분화-멸종(SSE) 모델은 이러한 과정들을 공동으로 모델링하는 프레임워크를 제공한다. 그러나 여러 개의 서로 다른 진화 시나리오가 동일한 장기 정지 분포(long-term stationary distributions)를 생성할 수 있다는 점이 근본적인 과제로 남아 있다. 또한, 현존하는 종들만을 조건으로 하여 재구성된 계통수로부터 형질을 추론할 때, 추론 과정이 특정 시나리오를 선호하는 편향을 가질 수 있다. 본 연구는 다음과 같은 질문을 다룬다: 해상도가 있는 계통수가 부재한 상황에서, 현재의 상태 빈도(tip state frequencies)만으로 데이터 생성 과정에 대한 어떤 정보를 유지할 수 있는가? 구체적으로, 저자들은 동일한 팁 상태 빈도가 서로 다른 진화 시나리오로부터 발생할 수 있는지, 그리고 현존 종 전용 트리(extant-only trees)에 대한 조건화가 이러한 시나리오의 우선적 추론에 어떤 영향을 미치는지 조사한다.

방법론
저자들은 이산 상태(discrete-state) SSE 모델 내에서 "규칙 세트(rulesets)"를 "진화 시나리오(evolutionary scenarios)"로 정의하고 매핑하기 위한 수학적 프레임워크를 개발한다.

정의 및 수학적 유도:
- 진화 시나리오: 각 상태에서의 순 분화율( $\lambda_i - \mu_i$ )의 부호와 전이율( $q_{ij}$ )의 상대적 크기에 의해 질적으로 정의된다.
- 규칙 세트: 특정 일련의 점근적 정지 상태 빈도( $\hat{\Pi}$ )와 호환되는 모델 파라미터들 사이의 정밀한 등식 및 부등식 체계로 정의된다.
- 저자들은 일반적인 조건(Theorem 1)과 BiSSE(Corollaries 1 & 2) 및 GeoSSE를 위한 구체적인 따름정리(corollaries)를 유도한다. 이러한 유도는 주어진 정지 빈도에 대해 서로 다른 규칙 세트와 서로 다른 진화 시나리오 사이의 전단사(bijection) 관계를 확립한다.
- 그들은 "사소한(trivial)" 시나리오(모든 상태가 동일한 역학적 단계, 예: 모두 초임계 또는 모두 아임계인 경우)와 "비사소한(non-trivial)" 시나리오(상태들이 상반된 단계를 점유하는 경우, 예: 소스-싱크 역학)를 구분한다.
수렴 분석:
- 저자들은 완화 시간(relaxation time)( $\hat{t} = \gamma^{-1}$ )의 개념을 도입한다. 여기서 $\gamma$ 는 평균 성장 행렬의 스펙트럼 갭(spectral gap)이다. 이 지표는 시스템이 정지 분포로 수렴하는 속도를 특징짓는다.
- 저자들은 스펙트럼 갭과 경과 시간의 곱( $\gamma t$ )이 관찰된 팁 빈도와 실제 정지 빈도 사이의 거리에 어떻게 영향을 미치는지 분석한다.
시뮬레이션 실험:
- 저자들은 다양한 트리 크기(25~800 팁)에 대해 100개의 유효한 현존 종 전용 트리를 시뮬레이션하며, 다양한 속도 체계(느림 및 빠름)와 실험 설정(예: 누락된 분류군 포함 여부, 불균형한 팁 상태의 거부 여부 포함)을 적용한다.
- 저자들은 유효한 트리가 생성될 확률( $P(S_j | \text{valid})$ )과 유효한 트리가 주어졌을 때 특정 시나리오가 추론될 확률( $P(\hat{S}_i | \text{valid})$ )을 계산한다.
- Type-I 오류(위양성)와 Type-II 오류(위음성)를 시나리오 전반에 걸쳐 평가하기 위해 혼동 행렬(confusion matrices)을 작성한다.
경험적 적용:
- 이 프레임워크를 6,885종의 파충류(squamate) 시계열 트리(Title et al. 2024)와 49개의 이전 BiSSE 연구(Helmstetter et al. 2023)를 취합한 피사체(angiosperm) 데이터셋에 적용한다.
- 이러한 경험적 데이터셋으로부터 추정된 파라미터들을 정의된 진화 시나리오에 매핑하여 그 보편성을 평가한다.

주요 기여

공식 매핑: 본 논문은 SSE 모델에서 수학적 규칙 세트(파라미터 제약 조건)와 질적인 진화 시나리오 사이의 엄격한 전단사 관계를 확립한다. 이는 동일한 정지 빈도가 반드시 동일한 진화 과정을 의미하지는 않음을 입증한다.
비유일성 식별: 저자들은 여러 서로 다른 진화 시나리오(구체적으로, 순 분화 부호와 전이율 방향의 서로 다른 조합)가 동일한 장기 팁 빈도를 산출할 수 있음을 증명한다.
추론 편향의 특성화: 시뮬레이션을 통해 저자들은 현존 종 전용 데이터로부터 모든 시나리오가 동일하게 추론되지 않는다는 것을 보여준다. 즉, 초임계 과정(소스-소스 역학)과 특정 소스-싱크 구성에 대한 체계적인 편향이 존재한다.
완화 시간 프레임워크: 스펙트럼 갭과 완화 시간의 도입은 트리의 "연령"과 수렴 속도가 관찰된 상태 빈도를 결정하는 데 어떻게 상호작용하는지 이해하기 위한 이론적 도구를 제공한다.

결과

순방향 시간(데이터 생성): 두 상태 모두 소스인 시나리오(초임계, $\rho > 0$ ), 특히 시나리오 3a/b와 4a/b가 유효하고 멸종하지 않은 트리를 생성하는 가장 빈번한 시나리오이다. 두 상태 모두 싱크인 시나리오(아임계)는 유효한 트리를 거의 생성하지 못한다. 유효한 트리들 중에서는 4a/b가 정지 빈도 순서에 반하는 전이율을 요구하여 허용 가능한 파라미터 공간을 제한하기 때문에, 3a/b가 4a/b보다 더 빈번하게 나타난다.
역방향 시간(추론): 시뮬레이션된 현존 종 전용 트리에 모델을 적합시킬 때, 시나리오 3a/b가 가장 빈번하게 추론되며, 그 다음으로 2a/b가 나타난다. 시나리오 1a/b와 4a/b는 덜 빈번하게 추론된다.
- 3a/b가 빈번하게 추론되는 것은 이들이 유효한 트리에서 높은 출현 빈도를 가지며 생존에 대한 조건화가 이루어지기 때문이다.
- 2a/b(소스-싱크)가 빈번하게 추론되는 것은 부분적으로 이들의 빠른 수렴 속도(더 큰 스펙트럼 갭) 덕분이며, 이는 관찰된 빈도가 정지 상태에 더 빠르게 도달하게 하여 회복을 용이하게 만든다.
- 시나리오 1a/b와 4a/b는 높은 Type-II 오류율(낮은 민감도)을 보이며, 이는 종종 다른 시나리오(특히 2a/b 또는 3a/b)로 오분류됨을 의미한다.
경험적 결과: 파충류 및 피사체 데이터셋 분석은 시뮬레이션 결과와 일치하며, 시나리오 3a/b가 가장 흔하게 추론됨을 보여준다. 그러나 경험적 데이터는 시뮬레이션에 비해 시나리오 4a/b의 상대적 빈도가 더 높게 나타나는데, 이는 모델 오설정(예: 모델링되지 않은 숨겨진 상태) 또는 해당 계통의 특정 생물학적 제약 때문일 수 있다.

의의 및 주장
저자들은 본 연구가 재구성된 트리의 계통수에만 의존하지 않고, 데이터 생성 과정과 관찰된 팁 상태 빈도를 직접 연결하는 이론적 토대를 제공한다고 주장한다.

보완적 접근법: 이 프레임워크는 트리 기반 추론을 대체하는 것이 아니라, 최소한의 정보(종의 수 및 형질)를 바탕으로 가능한 진화 시나리오의 범위를 특징짓는 보완적인 도구로 제시된다.
사전 확률 지정: 연구 결과는 베이지안 계통 발생학에서의 사전 확률(priors)이 유효하고 멸종하지 않은 트리를 생성할 시나리오의 가능성에 의해 정보를 얻어야 함을 시사한다. 즉, 초임계 과정이 현존 종 전용 데이터셋에서 자연스럽게 선호된다.
편향의 해석: 본 논문은 특정 시나리오에 대한 선호도가 단순히 클레이드(clade)의 생물학적 실체 때문만이 아니라, 혼합율(mixing rates), 경과 시간, 그리고 트리 가능성의 조건화(생존 편향) 사이의 상호작용에서 기인할 수 있음을 명확히 한다.
확장성: 저자들은 본 연구가 BiSSE 및 GeoSSE에 대해 시연되었으나, 규칙 세트와 전단사 관계의 개념은 다른 이산 상태 SSE 모델로도 확장 가능하다고 주장한다 (단, 상태 수가 많아질수록 복잡성은 증가한다).

저자들은 자신의 프레임워크가 이론적 식별성 문제를 명확히 해주지만, 경험적 결과는 여전히 모델 오설정(예: 숨겨진 상태)의 영향을 받을 수 있음을 언급하며 신중한 어조를 유지한다. 또한 순방향 시간과 역방향 시간의 관점을 고려할 때 시나리오의 순위가 항상 일대일로 대응하지는 않는다는 점을 명시한다.

유사한 논문