On the consistency of duplication, loss, and deep coalescence gene tree parsimony costs under the multispecies coalescent

Dit artikel bewijst dat alle lineaire combinaties van duplicatie-, verlies- en diepe coalescentie-parsimonie-kosten voor het afleiden van soortbomen statistisch inconsistent zijn onder het multispecies coalescent-model, en onderzoekt de empirische gevolgen hiervan.

De kern

De Grote Boekverfilming: Waarom de "Korte Weg" soms mislukt

Stel je voor dat je een familiegeschiedenis wilt reconstrueren. Je hebt duizenden oude brieven (de genen) gevonden van verschillende familieleden. Elke brief vertelt een verhaal over hoe de familie zich heeft ontwikkeld. Maar hier is het probleem: niet alle brieven vertellen hetzelfde verhaal. Soms lijken twee neven verwant, terwijl ze dat in de grote stamboom niet zijn.

Wetenschappers proberen deze duizenden verschillende verhalen (de genboom) samen te voegen tot één grote, juiste stamboom van de soort (de soortboom).

Een populaire methode om dit te doen heet Gene Tree Parsimony (GTP). Het idee is simpel: "Kies de stamboom die de minste 'moeilijkheden' of 'fouten' vereist om alle brieven te verklaren." Het is alsof je zegt: "De meest waarschijnlijke geschiedenis is degene waarbij we het minst hoeven te aannemen dat er dingen misgingen."

In dit artikel onderzoeken twee onderzoekers (Sapoval en Nakhleh) of deze "korte weg" (parsimony) wel altijd leidt tot het juiste antwoord.

De Drie Soorten "Moeilijkheden"

Om de brieven (genen) te laten kloppen met de stamboom, moeten we aannemen dat er drie soorten dingen zijn gebeurd in de geschiedenis:

1. Genverdubbeling (Duplication): Een stukje DNA maakt een kopie van zichzelf. (Alsof een neef plotseling twee keer zo belangrijk wordt).
2. Genverlies (Loss): Een stukje DNA verdwijnt. (Alsof een neef uit de familieboeken wordt geschrapt).
3. Diepe Coalescentie (Deep Coalescence / ILS): Dit is de lastigste. Stel je voor dat twee broers (soorten A en B) uit elkaar gaan, maar hun voorouders hadden nog steeds een gemeenschappelijke "stam" (een voorouderlijke variatie). Soms erft soort A een variatie die eigenlijk bij soort B hoort, en vice versa. Het is alsof twee broers uit elkaar gaan, maar ze wisselen hun geboorteplekken uit zonder dat ze het merken.

Het Grote Ontdekking: De "Korte Weg" is een Valstrik

De onderzoekers hebben wiskundig bewezen dat je nooit veilig kunt gaan voor de "korte weg" (parsimony), ongeacht welke combinatie van bovenstaande drie problemen je probeert op te lossen.

De Metafoor van de Anomalie-Zone:
Stel je voor dat je een kompas hebt dat je altijd de kortste route naar het noorden laat zien. Maar in een bepaald gebied (de "anomalie-zone") werkt het kompas verkeerd en wijst het naar het zuiden, terwijl je toch denkt dat je naar het noorden gaat.

• Als je alleen kijkt naar genverdubbeling, werkt je kompas goed voor sommige landschappen (symmetrische bomen), maar faalt het in andere.
• Als je alleen kijkt naar diepe coalescentie, werkt het kompas goed voor die andere landschappen, maar faalt het juist weer.

De verrassing: De onderzoekers hebben bewezen dat als je probeert alles te combineren (verdubbeling + verlies + coalescentie) in één formule, je altijd in een valstrik terechtkomt. Er is altijd een situatie waarin de "korte weg" je naar een volledig verkeerde stamboom leidt, zelfs als je oneindig veel brieven (genen) hebt.

Het is alsof je zegt: "Als ik alleen naar de snelweg kijk, kom ik verkeerd uit. Als ik alleen naar de fietspaden kijk, kom ik ook verkeerd uit. Dus als ik beide combineer, kom ik wel goed uit."
Deze paper zegt: "Nee, dat is niet zo. Er is altijd een route waar de combinatie je nog steeds in de war brengt."

Wat betekent dit voor de praktijk?

Je zou denken: "Oh nee, dan kunnen we die methode wel beter helemaal niet gebruiken!" Maar de onderzoekers zeggen: "Niet zo snel."

1. Wanneer werkt het wel? Als de "verwarring" in de familiegeschiedenis (de ILS) laag is, werkt de parsimony-methode vaak prima. Het is als een kompas dat in rustig weer prima werkt, maar in een storm (veel verwarring) faalt.
2. Welke "moeilijkheid" telt het meest? Uit hun simulaties bleek dat het minst belangrijk is om te kijken naar "diepe coalescentie" (de verwisseling van geboorteplekken). Als je de nadruk legt op genverdubbeling, krijg je vaak een beter resultaat, zelfs als de methode theoretisch niet perfect is.
3. De les: Als je een stamboom maakt, is het vaak veiliger om te focussen op genverdubbeling en verlies, en minder op de complexe verwisseling van genen (coalescentie), omdat die laatste de methode het meest in de war brengt.

Conclusie in één zin

Deze paper waarschuwt wetenschappers dat het gebruik van een simpele "minste fouten"-strategie om de evolutie van soorten te reconstrueren, wiskundig gezien onbetrouwbaar is in bepaalde situaties, maar dat het in de praktijk nog steeds bruikbaar kan zijn als je slim kiest welke fouten je het belangrijkst vindt.

Het is een beetje als navigeren: je kunt niet blindelings vertrouwen op de snelste route, maar als je weet dat je in een specifiek gebied verkeerd uitkomt, kun je je route daarop aanpassen om toch op je bestemming te komen.

Technische samenvatting

Probleemstelling

Het reconstrueren van een soortboom (species tree) uit een set van genbomen (gene trees) is een fundamenteel probleem in de fylogenomica. Genbomen vertonen vaak onenigheid (discordance) met de soortboom en met elkaar, veroorzaakt door biologische processen zoals gen-duplicatie en -verlies (GDL) en onvolledige lijnsortering (ILS).

Een populaire aanpak om dit op te lossen is Gene Tree Parsimony (GTP). Deze methode probeert een soortboom te vinden die de som van de "reconciliatiekosten" (strafpunten) voor de discordantie tussen de genbomen en de soortboom minimaliseert. De meest gebruikte kostenfuncties zijn gebaseerd op duplicaties ($c_D$), verliezen ($c_L$) en diepe coalescenties ($c_X$).

Hoewel GTP-methoden populair zijn vanwege hun rekenkundige efficiëntie en interpreteerbaarheid, is er een groot theoretisch probleem: eerdere studies hebben aangetoond dat sommige van deze kostenfuncties statistisch inconsistent zijn onder het Multispecies Coalescent (MSC) model. Dit betekent dat zelfs met een oneindig aantal genbomen, de methode niet noodzakelijkerwijs convergeert naar de ware soortboom. Het specifieke probleem dat in dit paper wordt aangepakt, is de vraag of combinaties van deze kostenfuncties (lineaire combinaties van duplicatie, verlies en diepe coalescentie) consistent kunnen zijn, of dat ze allemaal falen.

Methodologie

De auteurs hanteren een tweeledige aanpak: een strikt wiskundig bewijs voor theoretische inconsistentie en een uitgebreide empirische evaluatie via simulaties.

1. Theoretisch Bewijs:

   • De auteurs definiëren een veralgemeende kostenfunctie als een lineaire combinatie: $c_{wDLX} = w_D c_D + w_L c_L + w_X c_X$.
   • Ze maken gebruik van een bestaande observatie (Observation 1) die aangeeft dat voor bomen met unieke labels, de kosten voor verlies en diepe coalescentie lineair afhankelijk zijn van de duplicatiekosten ($c_L = c_X + 2c_D$). Hierdoor kunnen ze het probleem reduceren tot het analyseren van combinaties van $c_D$ en $c_X$.
   • Ze analyseren de verwachte kosten ($E[c(S)]$) onder het MSC-model voor verschillende topologieën van 4 taxa. Ze identificeren specifieke "anomalie zones" (gebieden in de parameter ruimte van taklengtes) waar de verwachte kosten van een incorrecte boom lager zijn dan die van de ware boom.
   • Ze bewijzen dat voor elke mogelijke lineaire combinatie van gewichten ($\alpha, \beta$), er een configuratie van taklengtes bestaat waarbij de estimator convergeert naar een verkeerde topologie.

2. Empirische Evaluatie:

   • De auteurs hebben simulaties uitgevoerd met SimPhy om datasets te genereren onder het MSC-model met duplicatie en verlies.
   • Ze hebben vier scenario's getest met variërende niveaus van ILS (effectieve populatiegrootte), duplicatie- en verliespercentages.
   • Genbomen werden afgeleid uit gesimuleerde sequenties met IQ-TREE.
   • Soortbomen werden gereconstrueerd met DynaDup (een GTP-tool) onder verschillende gewichtsschema's voor de kostenfuncties.
   • De prestaties werden vergeleken met ASTRAL-Pro 3, een statistisch consistente methode die specifiek is ontworpen voor paralogieën.

Belangrijkste Bijdragen

1. Bewijs van Universele Inconsistentie:
   Het paper levert het wiskundige bewijs (Theorema 1) dat geen enkele lineaire combinatie van duplicatie-, verlies- en diepe coalescentie-kosten een statistisch consistente schatter oplevert onder het MSC-model voor soorten met $N \ge 4$.

   • Eerdere studies toonden aan dat duplicatiekosten inconsistent zijn bij symmetrische bomen en diepe coalescentiekosten bij asymmetrische bomen.
   • Dit paper bewijst dat het combineren van deze kostenfuncties het probleem niet oplost; er bestaat altijd een "anomalie zone" waar de gecombineerde estimator faalt.

2. Identificatie van Complementair Gedrag:
   De auteurs tonen aan dat duplicatie- en diepe coalescentie-kosten vaak tegenovergestelde topologische bias vertonen. Duplicatiekosten geven de voorkeur aan asymmetrische topologieën in bepaalde zones, terwijl diepe coalescentiekosten symmetrische topologieën prefereren. Echter, het combineren van deze twee leidt niet tot consistentie, maar verplaatst slechts de locatie van de anomalie zone.

3. Empirische Richtlijnen voor Praktijk:
   Hoewel de methoden theoretisch inconsistent zijn, biedt het paper praktische adviezen. De simulaties tonen aan dat wanneer de ILS-niveaus laag zijn, GTP-methoden goed presteren. Cruciaal is dat het gewicht van de duplicatiekosten ($\alpha$) hoog moet zijn ten opzichte van de diepe coalescentiekosten ($\beta$) om de topologische fouten te minimaliseren.

Resultaten

• Theoretisch: Voor elke keuze van gewichten $\alpha, \beta \in [0, \infty)$ (met minstens één niet-nul) bestaat er een set van taklengtes (een anomalie zone) waarbij de GTP-estimator convergeert naar een incorrecte boomtopologie. Dit geldt voor alle $N \ge 4$.
• Empirisch (Simulaties):
  • ILS Impact: Hogere niveaus van ILS leiden tot hogere fouten bij alle GTP-methoden.
  • Kostenverhouding: De topologische fout neemt af naarmate het gewicht van de duplicatiekosten toeneemt ten opzichte van de diepe coalescentiekosten. Een ratio waarbij duplicatie zwaar weegt (bijv. $\alpha/\beta = 32$) levert de beste resultaten op, vaak vergelijkbaar met of beter dan alleen duplicatiekosten.
  • Vergelijking met ASTRAL-Pro: ASTRAL-Pro 3 toont consistentie (fouten nemen af met meer genbomen), terwijl GTP-methoden dit niet altijd doen. Echter, in scenario's met lage ILS presteren GTP-methoden (met een hoog duplicatiegewicht) goed.
  • Biologische Data: Op een dataset van 16 schimmelsoorten infereren zowel ASTRAL-Pro 3 als de beste GTP-configuratie een identieke topologie die slechts één split verschilt van eerdere studies, wat de praktische bruikbaarheid bevestigt ondanks de theoretische inconsistentie.

Significantie

Dit paper is van groot belang voor de fylogenomische gemeenschap omdat het een fundamentele beperking blootlegt van een veelgebruikte klasse van methoden (GTP).

• Theoretische Implicatie: Het weerlegt de hoop dat het "mixen" van verschillende kostenfuncties (zoals duplicatie en coalescentie) de statistische inconsistentie zou kunnen oplossen. Onderzoekers moeten zich realiseren dat GTP-methoden inherent kwetsbaar zijn voor anomalie zones, ongeacht hoe de kostenfunctie wordt gewogen.
• Praktische Implicatie: Het biedt een nuance in de toepassing. Hoewel GTP inconsistent is, kan het in de praktijk nog steeds nuttig zijn, vooral wanneer ILS laag is. De studie adviseert onderzoekers om bij het gebruik van GTP de focus te leggen op duplicatiekosten en de invloed van diepe coalescentiekosten te minimaliseren om de kans op fouten te verkleinen.
• Toekomstig Onderzoek: Het paper benadrukt de noodzaak om consistentie te onderzoeken onder geavanceerdere modellen (zoals DLCoal en MLMSC) en om kwantitatieve analyses van steekproefgrootte en de impact van fouten in het rooten van bomen uit te voeren.

Kortom, de auteurs concluderen dat hoewel GTP-methoden computationeel efficiënt zijn en in bepaalde scenario's goed werken, ze theoretisch onbetrouwbaar zijn voor het garanderen van de ware soortboom onder het MSC-model, en dat het combineren van kostenfuncties dit fundamentele probleem niet oplost.