TriMouNet: An Algorithm for Inferring Level-1 Phylogenetic Networks from Multi-Locus Gene Tree Distributions.

TriMouNet is een nieuw algoritme dat multi-locus genboomverdelingen gebruikt om betrouwbare level-1 fylogenetische netwerken te reconstrueren en zo reticulaire evolutie nauwkeuriger in kaart brengt dan methoden die op concatenering van data gebaseerd zijn.

De kern

TriMouNet: Een Slimme Manier om de Verwantschap van Leven te Tekenen

Stel je voor dat je een enorme familiealbum aan het maken bent, maar dan voor duizenden soorten dieren, planten of schimmels. In de biologie proberen wetenschappers al eeuwenlang een "stamboom" te tekenen die laat zien wie van wie afstamt. Maar het leven is niet altijd netjes als een boom met takken. Soms kruisen soorten elkaar, zoals twee rivieren die samenvloeien. Dit noemen we reticulaire evolutie (of netwerken in plaats van bomen).

Deze nieuwe studie introduceert een nieuwe computerprogramma genaamd TriMouNet. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Probleem: De Verwarde Familiegeschiedenis

Vroeger keken wetenschappers naar één stukje DNA om een stamboom te maken. Dat is als proberen een heel boek te begrijpen door alleen één zin te lezen. Soms is die zin verwarrend of onvolledig.

Vandaag de dag hebben we duizenden stukjes DNA (genen) van dezelfde soorten. Het probleem is dat deze stukjes niet altijd hetzelfde verhaal vertellen.

• De oorzaak: Soms verwarren soorten hun DNA niet door kruising, maar omdat hun voorouders te snel met elkaar verweven raakten (dit heet Incomplete Lineage Sorting).
• De oude methode (TriLoNet): Een bestaand programma keek naar drie soorten tegelijk en probeerde te raden hoe ze verwant waren. Maar het keek vaak naar één lange DNA-reeks. Als die reeks "ruis" bevatte (zoals een slechte foto), trok het programma de verkeerde conclusie en tekende het een kruising waar er geen was.

2. De Oplossing: TriMouNet (De Detective met Duizenden Getuigen)

TriMouNet is als een superdetective die niet kijkt naar één getuige, maar naar duizenden getuigen (alle genen) om het verhaal te reconstrueren.

Hoe werkt het? Met een analogie:
Stel je voor dat je probeert uit te vinden wie de ouders zijn van een kind (laten we hem 'X' noemen).

• De oude methode: Kijkt naar één foto van X en zegt: "Hij lijkt op zijn oom, dus zijn oom is zijn vader!" (Soms fout).
• TriMouNet: Kijkt naar 1.000 foto's van X, genomen op verschillende momenten en met verschillende camera's.
  • Als 600 foto's zeggen: "X lijkt op Oom A" en 400 foto's zeggen: "X lijkt op Oom B", dan concludeert TriMouNet: "Ah! X is een mix van beide!" (Een kruising).
  • Als 999 foto's zeggen: "X lijkt op Oom A", dan concludeert TriMouNet: "Geen kruising, gewoon een normale familieband."

3. De Slimme Truc: De "Drie-Persoons" Test

TriMouNet werkt in stapjes. Het neemt telkens drie soorten (een trio) en een "buitenstaander" (een verwante soort die niet in het trio zit, maar als referentie dient).

Het programma kijkt naar de lengte van de takken in de genetische stambomen van al die duizenden genen.

• De Analogie: Stel je voor dat je drie vrienden hebt (A, B en C) en je meet hoe snel ze rennen.
  • Als A en B altijd samen rennen en C langzamer is, is dat een duidelijke groep.
  • Maar als A en B soms samen rennen, en soms rennen A en C samen, en de snelheid varieert wild, dan is er waarschijnlijk een "kruising" of verwarring in hun geschiedenis.

TriMouNet gebruikt wiskunde om te zien of die variatie in snelheid (de genen) toeval is, of een bewijs van een echte kruising. Het geeft elke mogelijke kruising een betrouwbaarheidsscore.

4. Wat Vond Het Ontdekken?

De auteurs hebben TriMouNet getest op drie echte voorbeelden:

1. Gisten (Yeast): Net als bij mensen zijn er gistsoorten die zich hebben gekruist. TriMouNet zag precies welke gistsoorten een "gemengd" verleden hebben, terwijl de oude methode soms verkeerde kruisingen tekende of echte kruisingen miste.
2. Dennen en Cypres (Cupressaceae): Bij deze bomen is het verhaal heel verwarrend. TriMouNet kon de complexe geschiedenis ontrafelen en zag dat sommige bomen inderdaad DNA hebben uitgewisseld in de verre oudheid. De oude methode maakte hier een grote, onleesbare kluwen van.
3. Vogels: Vogels evolueerden razendsnel. De oude methode zag hier niets dan een grote, onoplosbare kluwen (een "cactus"). TriMouNet kon de verschillende groepen (zoals roofvogels en papegaaien) weer duidelijk van elkaar scheiden en zag waar ze elkaar misschien hebben geraakt.

5. Waarom is dit belangrijk?

Stel je voor dat je een familiegeschiedenis schrijft.

• De oude methode schreef: "Iedereen is met iedereen getrouwd, het is een grote kluwen." (Te veel ruis).
• TriMouNet schrijft: "Deze twee groepen zijn echt met elkaar getrouwd, maar die andere groepen zijn gewoon familie zonder kruising." (Precies en betrouwbaar).

Conclusie:
TriMouNet is een krachtig nieuw gereedschap dat helpt om het echte verhaal van de evolutie te horen, zelfs als er duizenden verwarrende geluiden (genen) zijn. Het gebruikt de kracht van "veel getuigen" om te voorkomen dat we verkeerde kruisingen in de geschiedenis tekenen. Het maakt de complexe boom van het leven weer een beetje duidelijker.

Technische samenvatting

Probleemstelling

Met de toename van volledige genoomsequenties voor steeds meer soorten, verschuift de focus in fylogenetische analyses naar datasets met duizenden loci. Traditionele methoden voor het reconstrueren van een soortstamboom (supertree-methoden) gaan vaak uit van onvolledige lijnsortering (ILS) als enige oorzaak van discordantie tussen genenbomen. Echter, reticulatie (hybridisatie, introgressie) komt veel voor en vereist de reconstructie van fylogenetische netwerken in plaats van alleen bomen.

Bestaande methoden voor het reconstrueren van expliciete netwerken, zoals TriLoNet, hebben beperkingen:

1. Ze bouwen netwerken op basis van drie-taxa netwerken (trinets) die direct worden afgeleid uit single sequence alignments.
2. Drie-richtings aligneringen bevatten weinig informatieve sites (geen parsimony-informatieve patronen) en zijn gevoelig voor schendingen van modelaannames (zoals moleculaire klokken).
3. Dit leidt vaak tot het verkeerd voorspellen van reticulaties (hoge vals-positieve rates) of het missen van echte reticulaties, vooral bij complexe datasets.

Er is behoefte aan een methode die gebruikmaakt van de verdeling van topologieën en taklengtes over een groot aantal genenbomen (multi-locus data) om reticulaties betrouwbaarder te detecteren.

Methodologie: TriMouNet

TriMouNet (Trinet Multilocus Network) is een nieuw algoritme dat de workflow van TriLoNet volgt (het samenvoegen van trinets tot een Level-1 netwerk), maar de manier waarop de trinets worden toegewezen fundamenteel verandert.

Kernprincipes:

1. Input: In plaats van sequentie-alignments, gebruikt TriMouNet een collectie van gereconstrueerde genenbomen uit een multi-locus dataset.
2. Outgroup: Voor elke set van drie taxa (ingroups) wordt een uitgroepssoort (outgroup) toegevoegd. Dit creëert een 4-taxa setting die de topologie beter ankeert en fouten reduceert die optreden bij alleen drie taxa.
3. Statistische Modellering:
   • Het algoritme analyseert de verdeling van splitsingen en taklengtes over de genenbomen.
   • Het modelleert de geschatte taklengtes met een Exponentieel Gemodificeerde Gaussische (EMG) verdeling. Dit houdt rekening met de exponentiële verdeling van coalescentietijden (onder het Multi-Species Coalescent model) en de Gaussische ruis door schattingsfouten.
   • Er worden genormaliseerde afstandsvariabelen ($V_1, V_2, V_3$) berekend om de verhoudingen tussen taklengtes te kwantificeren.
4. Toewijzing van Trinets:
   • Voor elke triplet wordt getoetst of de data beter past bij een unimodale verdeling (geen reticulatie) of een bimodale/mix-verdeling (reticulatie).
   • Er wordt een binomiale test uitgevoerd om asymmetrie in splitsingsfrequenties te detecteren (teken van reticulatie).
   • Op basis van de log-likelihoods van EMG-modellen (één versus twee componenten) worden de trinets geclassificeerd in zes typen:
     • NT-typen (N2, N3, N4, T1): Vertegenwoordigen netwerken met één dominante splitsing.
     • S-typen (S1, S2): Vertegenwoordigen netwerken met twee concurrerende splitsingen (asymmetrische reticulatie).
   • Het algoritme bepaalt of een reticulatie-richting kan worden vastgesteld (S1) of ongericht moet blijven (S2, NT-typen).
5. Samenvoegen (Merging):
   • De toegewezen trinets, nu voorzien van statistische steunscores, worden samengevoegd tot een Level-1 netwerk (waarbij geen twee cycli een knooppunt delen) met een methode vergelijkbaar met TriLoNet, maar dan met een robuustere basis voor het oplossen van ties.

Belangrijkste Bijdragen

• Overgang naar Multi-Locus Data: TriMouNet is de eerste methode die trinets afleidt uit de verdeling van genenbomen in plaats van uit single alignments, waardoor het beter omgaat met ILS en reticulatie.
• Statistische Robuustheid: Door gebruik te maken van EMG-modellen en likelihood-vergelijkingen, kan het algoritme onderscheid maken tussen echte reticulaties en ruis veroorzaakt door onvolledige lijnsortering of modelfouten.
• Verbeterde Classificatie: Het introduceert een verfijnd schema van 6 trinet-typen en 2 binet-typen dat specifiek is ontworpen voor de kenmerken van multi-locus data.
• Open Source Implementatie: De software is beschikbaar als Java-pakket (TriMouNet.jar) met een Python-pipeline voor verwerking.

Resultaten

De auteurs hebben TriMouNet getest op gesimuleerde en echte biologische datasets:

1. Gesimuleerde Data:

   • TriMouNet toonde een hoge nauwkeurigheid bij het detecteren van bimodale signalen (reticulaties), vooral bij sterke signalen en grote aantallen loci.
   • De methode had een zeer lage vals-positieve rate; het vermeed het voorspellen van reticulaties wanneer deze niet aanwezig waren, zelfs bij complexe netwerken.
   • Bij zwakke signalen (kleine verschillen in coalescentietijden) nam de detectiekracht af, maar TriMouNet bleef robuuster dan TriLoNet.

2. Echte Biologische Datasets:

   • Gist (Yeast): TriMouNet herstelde bekende clades (zoals Saccharomyces) en reticulaties (bijv. S. kudriavzevii) die door TriLoNet werden gemist of verkeerd werden weergegeven als een onopgelost "cactus"-structuur. TriLoNet faalde hier vaak door het samenvoegen van alle loci, wat leidde tot modelschendingen.
   • Cypressen (Cupressaceae): TriMouNet kon subtiere splitsingen en reticulaties binnen de Thuja en Cupressus groepen oplossen die TriLoNet niet kon onderscheiden. Het identificeerde reticulaties die overeenkwamen met eerdere hypotheses over introgressie.
   • Vogels (Birds/Neoaves): Voor deze zeer moeilijke dataset (bekend om korte interne takken en hoge discordantie) faalde TriLoNet volledig (alle soorten werden één onopgeloste cactus). TriMouNet slaagde erin om de meeste bekende clades (zoals Telluraves) te herstellen en reticulaties te visualiseren, hoewel het moeite had met specifieke clusters (Cavitaves) vanwege lange-tak-aantrekkingskracht (long-branch attraction).

Betekenis en Conclusie

TriMouNet vertegenwoordigt een significante vooruitgang in de reconstructie van fylogenetische netwerken. Door de overgang van sequentie-gebaseerde naar genenboom-verdelings-gebaseerde inferentie, biedt het een veel betrouwbaarder middel om reticulatie te onderscheiden van onvolledige lijnsortering (ILS).

• Voordeel: Het reduceert de kans op vals-positieve reticulaties die vaak voorkomen bij methoden die werken met geconcateneerde data of single alignments.
• Beperking: De nauwkeurigheid is afhankelijk van de kwaliteit van de ingevoerde genenbomen. Fouten in de genenbomen (door compositional heterogeneity of lange takken) kunnen nog steeds de uiteindelijke netwerkinferentie beïnvloeden.
• Toekomst: De auteurs suggereren dat toekomstig werk zich moet richten op het verbeteren van de kwaliteitscontrole van genenbomen en de uitbreiding van het algoritme naar Level-2 netwerken (netwerken met overlappende cycli), wat theoretisch mogelijk is maar computatievriendelijker moet worden gemaakt.

Kortom, TriMouNet biedt een krachtig, statistisch onderbouwd raamwerk voor het visualiseren van complexe evolutionaire geschiedenissen in het tijdperk van genoomschaal data.