Statistical and structural bias in birth-death models

Dit artikel identificeert en corrigeert statistische en structurele vertekeningen in schatters voor speciatie- en extinctiesnelheden uit fylogenetische bomen, waardoor de nauwkeurigheid van diversificatie-inferentie onder geboorte-doodmodellen aanzienlijk wordt verbeterd.

De kern

De Verborgen Vervorming in de Boom des Levens: Een Simpele Uitleg

Stel je voor dat je een enorme, oude boom wilt bestuderen om te begrijpen hoe snel nieuwe takken groeien (soorten ontstaan) en hoe snel takken afsterven (soorten uitsterven). Wetenschappers doen dit met computermodellen, maar deze nieuwe studie van Jeremy Beaulieu en Brian O'Meara laat zien dat hun meetinstrumenten een beetje scheef staan, vooral als je naar kleine stukjes van de boom kijkt.

Hier is wat ze hebben ontdekt, vertaald naar alledaags taal:

1. Het Probleem met de "Kersen" (De Kleinste Boomtjes)

Stel je voor dat je een boom hebt met slechts twee takken die uit één stam komen. De auteurs noemen dit een "kersenboom" (cherry tree).

• Het dilemma: Als je alleen naar zo'n klein kersje kijkt, is het onmogelijk om te zeggen of de boom snel groeide en veel takken kwijtraakte, of dat hij langzaam groeide en geen takken verloor. Het is alsof je probeert het weer te voorspellen door alleen naar één druppel regen te kijken. Je mist de context.
• De fout: Veel computerprogramma's proberen toch een berekening te maken op deze kleine boomtjes, of ze sluiten ze onbewust uit. Dit zorgt voor een vertekend beeld. Het is alsof je alleen de grootste, meest succesvolle bedrijven analyseert en de kleine start-ups negeert; dan lijkt het alsof iedereen rijk wordt, terwijl dat niet zo is.

2. De Scheve Spiegels (Statistische Bias)

Zelfs als je naar een grotere boom kijkt, zijn de "spiegels" (de wiskundige formules) die wetenschappers gebruiken om de groeisnelheid te meten, niet helemaal eerlijk.

• De onderdrukking: De standaardformules neigen er altijd naar om de snelheid waarmee nieuwe soorten ontstaan (speciatie) te onderschatten. Het is alsof je een snelheidsmeter hebt die altijd 10 km/u te laag aangeeft.
• De oorzaak: Dit gebeurt vooral omdat de formules niet goed rekening houden met het feit dat we alleen de overlevende bomen zien. De bomen die uitgestorven zijn, zien we niet, en dat verandert de statistiek.

3. De Oplossing: De "Correctiebril"

De auteurs hebben een nieuwe bril ontworpen om door te kijken. Ze hebben wiskundige correcties bedacht die de metingen rechtzetten.

• Voor het ontstaan van soorten (λ): De oplossing is verrassend simpel. Je moet de oude meting vermenigvuldigen met een kleine factor die afhangt van het aantal takken in je boom. Het is alsof je een meetlint hebt dat iets te kort is; je moet het gewoon even een stukje uitrekken om de echte lengte te krijgen.
• Voor het uitsterven van soorten (µ): Dit is lastiger. De fout hier hangt niet alleen af van de grootte van de boom, maar ook van de verhouding tussen ontstaan en uitsterven. Het is alsof je een weegschaal hebt die niet alleen afhangt van het gewicht, maar ook van hoe nat de lucht is. Je hebt een complexere correctie nodig.

4. Wat betekent dit voor de rest?

Toen ze deze correcties toepasten, veranderde het plaatje:

• De "Turnover" (Het totale tempo): Als je kijkt naar het totale tempo van verandering (hoe snel takken groeien én afsterven samen), bleek dit al vrij accuraat te zijn. De fouten in de twee richtingen (te weinig groei, te veel uitsterven) hielden elkaar een beetje in toom.
• De "Netto Groei" (Het echte verschil): Dit is waar het lastig wordt. De "netto groei" is het verschil tussen nieuwe takken en verdwenen takken. Omdat de meting voor uitsterven vaak net iets te hoog is en die voor groei net iets te laag, blijft de netto-groei vaak te laag ingeschat. Het is alsof je probeert je spaarrekening te berekenen door je inkomen te onderschatten en je uitgaven te overschatten; je denkt dat je minder rijk bent dan je bent.

Conclusie voor de Leek

De boodschap van dit artikel is: Wees voorzichtig met kleine groepen soorten.

Als je kijkt naar een groep dieren met maar een paar soorten (zoals de walvissen, die in de inleiding worden genoemd), zijn de standaardberekeningen vaak onbetrouwbaar. Ze zeggen vaak dat soorten langzaam ontstaan en snel uitsterven, terwijl dat misschien niet zo is.

De auteurs zeggen: "Gebruik onze nieuwe correctieformules." Als je dat doet, krijg je een veel eerlijker beeld van de evolutiegeschiedenis. Het is alsof je eindelijk de juiste brillen opzet om de boom des levens weer scherp en zonder vertekening te zien.

Technische samenvatting

Probleemstelling

Het nauwkeurig schatten van speciatie- ($\lambda$) en extinctie- ($\mu$) rates uit fylogenetische bomen is fundamenteel voor studies naar diversificatie. Echter, de auteurs identificeren twee kritieke bronnen van bias die leiden tot systematische fouten in deze schattingen, vooral bij kleine steekproefgroottes (kleine clades):

1. Statistische Bias: De maximum likelihood (ML) schatters voor $\lambda$ en $\mu$ vertonen systematische afwijkingen van de werkelijke waarden. Voor het Yule-model (zonder extinctie) is bekend dat de standaard ML-schatting $\hat{\lambda}$ de werkelijke rate onderschat.
2. Structurele Bias: Veel gangbare likelihood-functies (zoals die van Stadler, 2013) zijn geconditioneerd op het overleven van de kroonclade, maar kunnen likelihoods niet berekenen voor bomen met slechts twee taxa ($n=2$, "kersenbomen" of cherry trees). In de praktijk worden deze bomen vaak uit datasets verwijderd (expliciet of impliciet). Deze filtering introduceert een extra laag van conditionering die de verdeling van waargenomen clades verandert en leidt tot een opwaartse bias in geschatte rates, vooral bij jonge clades.

Bovendien ontbreekt er voldoende informatie in twee-taxon bomen om $\lambda$ en $\mu$ apart te identificeren, zelfs als de likelihood theoretisch gedefinieerd zou zijn.

Methodologie

De auteurs hanteren een combinatie van analytische afleidingen en numerieke simulaties met symbolische regressie:

• Analytische Afleiding:

  • Ze herleiden de verwachte bias voor de Yule-schatting en tonen aan dat $\hat{\lambda}$ wordt onderschat met een factor $(n-2)/(n-1)$.
  • Ze leiden de juiste likelihood-functie af voor datasets die zijn gecensureerd (d.w.z. waarbij $n \leq 2$ bomen zijn uitgesloten). Dit omvat het afleiden van een correctie-term die de waarschijnlijkheid berekent dat een kroonclade niet alleen overleeft, maar ook meer dan twee levende taxa voortbrengt.
  • Ze analyseren de identificeerbaarheid in "kersenbomen" ($n=2$) en bewijzen dat de log-likelihood-functie geen maximum heeft voor $\lambda$ of $\mu$ in deze gevallen, wat bevestigt dat deze bomen geen bruikbare informatie bevatten voor het scheiden van de twee parameters.

• Symbolische Regressie:

  • Omdat analytische correcties voor het algemene geboorte-sterfte-model (waar $\mu > 0$) te complex zijn om in gesloten vorm af te leiden, gebruiken ze symbolische regressie (via het R-pakket gramEvol).
  • Ze simuleren honderdduizenden bomen onder verschillende geboorte-sterfte-scenario's (variërende $\lambda$, $\mu$, en clade-leeftijd).
  • De algoritme zoekt naar functionele vormen (transformaties van de geschatte parameters) die de bias minimaliseren door de geschatte waarden zo dicht mogelijk bij de 1:1-lijn met de genererende waarden te brengen.
  • Ze testen verschillende complexiteitsstraffen om te bepalen welke correcties robuust zijn.

Belangrijkste Bijdragen en Resultaten

1. Correctie voor het Yule-model ($\mu=0$):

   • De auteurs bevestigen analytisch dat de ML-schatting voor $\lambda$ een bias heeft van $E[\hat{\lambda}] = \lambda \frac{n-2}{n-1}$.
   • De optimale correctie is vermenigvuldiging met de factor $\frac{n-1}{n-2}$. Dit verschilt van eerdere empirische suggesties ($n/(n-1)$) en is analytisch onderbouwd voor conditionering op het aantal tips.

2. Correctie voor het Algemene Geboorte-Sterfte Model:

   • Voor Speciatie ($\lambda$): De beste correctie is identiek aan die van het Yule-model: $\hat{\lambda}_{corr} = \hat{\lambda} \cdot \frac{n-1}{n-2}$. Extinctie verandert de sample-size bias voor $\lambda$ niet zodra de likelihood correct is geconditioneerd op $n > 2$.
   • Voor Extinctie ($\mu$): De bias in $\mu$ is complexer en hangt af van zowel de steekproefgrootte ($n$) als de geschatte extinctiefraction ($\hat{\epsilon} = \hat{\mu}/\hat{\lambda}$). De optimale correctie die door symbolische regressie werd gevonden is:
     $$\hat{\mu}_{corr} = \hat{\mu} \cdot \left( \frac{n}{n-1} + \hat{\epsilon} \right)$$
   • Dit toont aan dat de bias in extinctie-estimaten structureel gekoppeld is aan de onzekerheid in de speciatie-schatting.

3. Gevolgen voor Afgeleide Parameters:

   • Turnover ($\tau = \lambda + \mu$): Door de tegenstrijdige biases (waarbij $\lambda$ vaak wordt onderschat en $\mu$ na correctie iets wordt overschat), heffen de fouten elkaar grotendeels op. Turnover-schattingen zijn na correctie bijna onbevooroordeeld.
   • Netto Diversificatie ($r = \lambda - \mu$): Deze parameter blijft systematisch onderschat. Omdat $\mu$ vaak iets te hoog wordt geschat en $\lambda$ te laag, leidt het aftrekken van een te groot getal van een te klein getal tot een grotere onderestimatie. Zelfs met de beste correcties blijft er een lichte onderestimatie over, tenzij er een directe correctie voor $r$ wordt toegepast die specifiek rekening houdt met de extinctiefraction.

4. Behandeling van "Kersenbomen" ($n=2$):

   • De studie bevestigt dat twee-taxon bomen geen informatie bevatten om $\lambda$ en $\mu$ te scheiden.
   • Aanbeveling: Verwijder $n=2$ bomen uit de dataset, maar pas de likelihood-functie aan (conditionering) om rekening te houden met het feit dat deze bomen ontbreken. Dit voorkomt de opwaartse bias die optreedt wanneer kleine clades worden uitgesloten zonder statistische correctie.

Significantie en Implicaties

De resultaten van deze studie hebben directe gevolgen voor de evolutiebiologie en paleontologie:

• Verbeterde Nauwkeurigheid: Het toepassen van de voorgestelde correcties ($\frac{n-1}{n-2}$ voor $\lambda$ en de complexere term voor $\mu$) verbetert de nauwkeurigheid van diversificatieschattingen aanzienlijk, vooral bij kleine clades of subclades binnen grotere bomen.
• Methodologische Richtlijnen: Methoden die bomen opdelen in kleinere regimes (zoals BAMM, MEDUSA, ClaDS) moeten zorgen dat elke geanalyseerde regime minimaal drie taxa bevat. Analyses op $n=2$ zijn statistisch ongeldig voor het schatten van zowel speciatie als extinctie.
• Keuze van Parameters: De studie waarschuwt dat "netto diversificatie" ($\lambda - \mu$) een onbetrouwbare estimator kan zijn in kleine datasets vanwege de cumulatieve bias. "Turnover" ($\lambda + \mu$) blijkt een robuustere maatstaf te zijn.
• Bayesiaanse Benaderingen: De auteurs benadrukken dat Bayesiaanse prioren de bias in de likelihood-functie niet automatisch oplossen. De beste aanpak is het gebruik van de standaard ML-schattingen (met de juiste conditionering) gevolgd door de hier afgeleide correctiefactoren.

Samenvattend bieden Beaulieu en O'Meara een algemeen kader om zowel statistische als structurele bias te verminderen, waardoor inferenties over diversificatiepatronen betrouwbaarder worden, zelfs in situaties met beperkte data.