Assembling a fully-dated complete tree of life

Deze studie introduceert nieuwe lineair schaalbare algoritmen om de Open Tree of Life van tijdschalen te voorzien, waardoor een volledig gedateerde boom van 2,3 miljoen soorten kan worden gegenereerd die de basis vormt voor robuuste analyses van de evolutionaire diversiteit.

De kern

🌳 De Grote Stamboom van het Leven: Eindelijk met een klokje erbij

Stel je voor dat je een enorme, ingewikkelde stamboom hebt van alle dieren, planten, schimmels en bacteriën op aarde. De wetenschappers van het project Open Tree of Life hebben al een geweldige prestatie geleverd: ze hebben deze boom samengesteld uit duizenden andere studies. Het is een enorme "supertree" met 2,3 miljoen soorten die we kennen.

Maar er was één groot probleem: de boom had geen tijdschaal.

Het was alsof je een familiealbum hebt met foto's van opa, oma, je ouders en jezelf, maar er staat geen jaartal op. Je weet dat opa ouder is dan je vader, maar je weet niet of je vader 20 of 50 jaar geleden geboren is. Zonder die tijdschaal is het lastig om te begrijpen hoe snel soorten evolueerden of wanneer bepaalde gebeurtenissen in de geschiedenis van de aarde plaatsvonden.

🐢 Het probleem: De oude rekenmachine

Vroeger waren er methodes om die ontbrekende jaartallen in te vullen (interpolatie), maar die methodes waren als een oude, trage rekenmachine.

• Als je een kleine boom had (bijvoorbeeld alleen vogels), werkte het prima.
• Maar als je diezelfde methode probeerde op de hele wereld (2,3 miljoen soorten), werd de computer gek. De tijd die het kostte om te rekenen, groeide niet lineair, maar kwadratisch.

De analogie:
Stel je voor dat je een huis moet schilderen.

• Bij de oude methode kostte het 1 minuut om 1 kamer te schilderen.
• Maar als je 2 kamers had, duurde het niet 2 minuten, maar 4 minuten.
• Bij 10 kamers duurde het 100 minuten.
• Bij 2,3 miljoen kamers zou het miljarden jaren duren en zou je computer ontploffen van de hoeveelheid geheugen die het nodig had (50 terabyte! Dat is als het geheugen van 10.000 moderne laptops).

🚀 De oplossing: Een nieuwe, supersnelle motor

De auteurs van dit paper (Jonathan Duke en zijn team) hebben nieuwe algoritmes (rekenregels) bedacht.

• Hun nieuwe methode werkt lineair.
• De analogie: Met hun nieuwe verfkwast duurt het 1 minuut om 1 kamer te schilderen, 2 minuten voor 2 kamers, en 10 minuten voor 10 kamers.
• Hierdoor konden ze de hele boom van het leven in slechts 26 seconden van jaartallen voorzien!

🧩 Hoe hebben ze het gedaan?

Ze hebben twee slimme trucjes gebruikt:

1. Het invullen van de gaten (Polytomieën):
   In de oude boom stonden veel takken die als een waaier uit elkaar gingen (een "polytomie"). Het was alsof je wist dat drie broers familie zijn, maar niet wist wie de oudste was. De auteurs hebben een wiskundig spelletje bedacht om die waaier netjes in tweeën te splitsen, zodat het een echte boom wordt, zonder de regels van de biologie te breken.

2. Het invullen van de tijden (Interpolatie):
   Ze hadden al wat jaartallen uit oude studies (bijvoorbeeld: "Vogels en krokodillen scheidden 240 miljoen jaar geleden"). Maar voor de rest van de boom was het stil.
   Ze hebben vijf verschillende manieren getest om die lege plekken in te vullen. De beste methode (die ze EQS-LS noemen) is een slimme mix:

   • Soms is het logisch om de tijd gelijkmatig te verdelen.
   • Soms is het logischer om te kijken naar hoe snel soorten zich vermenigvuldigen (een geboortemodel).
   • Ze hebben een "recept" gevonden dat de beste resultaten gaf: een combinatie van deze ideeën.

📊 Wat hebben ze ontdekt?

Met hun nieuwe, volledig gedateerde boom konden ze een belangrijke meting doen: Fylogenetische Diversiteit (PD).
Dit is een maatstaf voor hoeveel "evolutionaire geschiedenis" er in een groep zit.

• Het resultaat: Ze berekenden dat de totale evolutionaire geschiedenis van alle leven op aarde ongeveer 39,8 biljoen jaar bedraagt.
• De onzekerheid: Omdat we niet alles perfect weten, hebben ze duizenden verschillende versies van de boom gemaakt (sommigen met andere takken, anderen met andere jaartallen). Dit gaf hen een betrouwbaar bereik.
  • Vergelijking: Het is alsof je zegt: "De boom is ongeveer 40 meter hoog, maar kan ergens tussen de 38 en 42 meter zitten."

💡 Waarom is dit belangrijk?

Vroeger konden wetenschappers alleen maar kijken naar de takken die ze zelf hadden bestudeerd (zoals zoogdieren of vogels). Nu hebben ze een volledige, gedateerde kaart van het leven.

Dit helpt bij:

• Behoud van de natuur: We kunnen nu beter bepalen welke soorten het meest uniek zijn en waar we onze beschermingsinspanningen moeten richten.
• Begrip van evolutie: We kunnen zien hoe snel soorten zich ontwikkelen in verschillende groepen.
• Toekomstige studies: Andere wetenschappers kunnen deze boom nu gebruiken als basis voor hun eigen onderzoek, zonder zelf 50 terabyte aan geheugen nodig te hebben.

🏁 Conclusie

Kortom: De auteurs hebben een supersnel gereedschap gebouwd dat het mogelijk maakt om de hele stamboom van het leven te "tijden". Ze hebben de trage, oude rekenmachine vervangen door een snelle, moderne motor. Hierdoor hebben we voor het eerst een compleet beeld van de evolutiegeschiedenis van alle 2,3 miljoen bekende soorten op aarde. Het is alsof we eindelijk de volledige geschiedenisboeken van de aarde hebben gekregen, inclusief de jaartallen op elke pagina.

Technische samenvatting

Titel: Het samenstellen van een volledig gedateerde volledige boom des levens

Auteurs: Jonathan D. Duke, Jialiang Guo, Félix Forest, Rikki Gumbs, Emily Jane McTavish, James Rosindell.

---

1. Het Probleem

De Open Tree of Life (OTL) biedt momenteel de meest complete synthese van evolutionaire relaties, die meer dan 2,3 miljoen beschreven soorten omvat door informatie te combineren uit meer dan 2.000 studies en een taxonomische database. Echter, deze boom heeft twee kritieke beperkingen die het gebruik voor veel biologische analyses (zoals diversificatieschattingen, behoudsprioritering en ecologische studies) belemmeren:

1. Ontbrekende tijdschaal: De boom mist divergentietijden (data) voor de meeste knopen. Hoewel er data beschikbaar is voor ongeveer 77.000 interne knopen, ontbreekt deze voor de overgrote meerderheid van de 2,3 miljoen soorten.
2. Polytomieën en topologische onzekerheid: Grote delen van de boom zijn gebaseerd op taxonomische data in plaats van moleculaire data, wat leidt tot uitgebreide polytomieën (niet-opgeloste vertakkingen).
3. Berekeningscomplexiteit: Bestaande algoritmen voor het interpoleren van ontbrekende data (zoals BLADJ in Phylocom) hebben een tijd- en geheugencomplexiteit die kwadratisch ($O(n^2)$) schaalt met het aantal knopen. Voor een boom met 2,3 miljoen soorten is dit computertijd- en geheugenintensief (vereist tot 50 TB RAM), waardoor het onuitvoerbaar is.

2. Methodologie

De auteurs hebben een nieuwe pijplijn ontwikkeld om een distributie van volledig gedateerde, bifurcerende (twee takken vertakkende) bomen te genereren. De aanpak bestaat uit de volgende stappen:

• Voorverwerking en Pruning: De OTL synthese (versie 16.1) werd geprepareerd door onder-species niveaus, uitgestorven taxa en hybriden te verwijderen, resulterend in een boom met 2.294.776 levende soorten.
• Stochastische Topologische Resolutie: Om polytomieën op te lossen en een volledig bifurcerende boom te creëren, gebruikten de auteurs stochastische algoritmen die taxonomische groepen in de fylogenetische "backbone" plaatsen. Dit gebeurde in drie categorieën:
  1. Taxonomische groepen die aan een fylogenetische knoop waren gekoppeld (geplaatst in willekeurige, maar hiërarchisch consistente takken).
  2. Polytonieën veroorzaakt door niet-monofyletische geslachten (opgelost door soorten in monofyletische groepen te imputeren).
  3. Volledig onopgeloste polytomieën zonder fylogenetische data (willekeurig opgelost).
     Dit resulteerde in 501 plausible topologieën.
• Data-Interpolatie Algoritmen: De kern van de innovatie ligt in nieuwe algoritmen voor het interpoleren van data op een boom zonder taklengtes. De auteurs ontwikkelden en vergeleken vijf methoden die lineair ($O(n)$) schalen:
  • EQS-L: "Equal Splits - Longest path" (gebaseerd op BLADJ, interpolatie eerst langs de langste paden).
  • EQS-S: "Equal Splits - Shortest path" (interpolatie eerst langs de kortste paden).
  • EQS-LS: Een lineaire combinatie van EQS-L en EQS-S (0.25 * EQS-L + 0.75 * EQS-S), getest als de meest nauwkeurige methode.
  • LnN: Gebaseerd op een geboortemodel met logaritmisch gespatieerde data.
  • BM (Birth Model): Een stochastische variant van het geboortemodel.
• Data Consistentie: Een nieuw algoritme werd ontwikkeld om de minimum aantal data-punten te verwijderen om tijdconsistentie te garanderen (waarbij een ouder niet jonger mag zijn dan een nazaat), in plaats van de meer agressieve aanpak van BLADJ.
• Validatie: De prestaties werden getest door data willekeurig te verwijderen uit volledig gedateerde referentiebomen (bijv. vogels, zoogdieren) en de interpolatiefouten te meten.

3. Belangrijkste Bijdragen

• Lineaire Schaalbaarheid: De eerste implementatie van date-interpolatie-algoritmen die lineair schalen, waardoor het mogelijk wordt om een boom van 2,3 miljoen soorten te verwerken in seconden (bijv. 26 seconden voor EQS-L) in plaats van dagen of weken met kwadratische methoden.
• Volledige Boom des Levens: Generatie van een distributie van volledig gedateerde bomen die alle 2,3 miljoen beschreven levende soorten omvatten.
• Vergelijking van Interpolatiemethoden: Een uitgebreide evaluatie van vijf methoden, waarbij EQS-LS werd geïdentificeerd als de superieure methode voor het behouden van de verdeling van taklengten en het minimaliseren van reproduktiefouten, vooral bij hoge mate van interpolatie (>70%).
• Open Data: De beschikbaarheid van de code, de input-data en de gegenereerde bomen voor de gemeenschap.

4. Resultaten

• Berekeningsprestaties: De nieuwe algoritmen presteerden aanzienlijk beter dan de bestaande BLADJ-implementatie. Waar BLADJ faalde bij bomen groter dan een paar honderdduizend knopen door geheugenlimieten (50 TB vereist), slaagden de lineaire algoritmen in het verwerken van de volledige boom.
• Interpolatie Nauwkeurigheid:
  • Bij <70% ontbrekende data presteerden alle methoden vergelijkbaar (fouten van 1,5-3% van de kroonleeftijd).
  • Bij >70% ontbrekende data (wat vaak het geval is in de OTL) presteerde EQS-LS het beste met een fout van 3-4%, terwijl andere methoden sneller degradeerden.
  • EQS-LS behield ook de verdeling van "pendant edge lengths" (taklengten naar de bladeren) het beste, wat cruciaal is voor onderliggende analyses.
• Fylogenetische Diversiteit (PD):
  • De geschatte mediane fylogenetische diversiteit voor het hele leven bedraagt 39,8 biljoen jaar (95% CI: 38,2-41,9 tyr).
  • Er werd een analyse uitgevoerd van twee dimensies van onzekerheid:
    1. Topologische onzekerheid: Variatie in PD door verschillende topologieën (501 bomen). Dit had weinig effect op goed bestudeerde clades (bijv. Chordata), maar grote variatie in minder bestudeerde groepen (bijv. Mollusca, Rhodophyta).
    2. Temporele onzekerheid: Variatie door het kiezen van verschillende bronnen voor de data (501 steekproeven).
  • De combinatie van beide onzekerheden resulteerde in een robuuste schatting van de PD.

5. Betekenis en Conclusie

Deze studie overbrugt een cruciale kloof in de evolutionaire biologie. Door de computertijd- en geheugenbarrières te doorbreken, maken de auteurs een volledig gedateerde boom van alle beschreven levensvormen beschikbaar.

• Toepassingsgebied: Deze bomen maken complexe analyses mogelijk die eerder beperkt waren tot kleinere, moleculair gedateerde bomen, zoals het schatten van diversificatiesnelheden, het imputeren van ontbrekende eigenschappen en het prioriteren van behoudsinspanningen op basis van fylogenetische diversiteit.
• Toekomstperspectief: De auteurs benadrukken dat hoewel deze bomen gebaseerd zijn op imputatie en interpolatie, ze een waardevol startpunt bieden voor onderzoekers. De methode is ontworpen om mee te groeien met de Open Tree of Life database; naarmate meer moleculaire data beschikbaar komt, kunnen de bomen automatisch worden bijgewerkt.
• Impact: De beschikbaarheid van deze tools en data democratiseert toegang tot fylogenetische analyses op schaal van de hele biosfeer, wat essentieel is voor het begrijpen van de evolutie en het behoud van de biodiversiteit op aarde.