Trait evolution with incomplete lineage sorting and gene flow: the Gaussian Coalescent model

Dit artikel introduceert het Gaussische Coalescent-model, dat onvolledige lijnsortering en genstroom integreert in fylogenetische vergelijkende methoden om erfelijke variatie binnen populaties nauwkeuriger te voorspellen dan traditionele modellen.

De kern

De "Gaussian Coalescent": Een Nieuwe Manier om Evolutie te Begrijpen

Stel je voor dat je een familiealbum bekijkt van een groep dieren of planten. Je wilt begrijpen hoe bepaalde eigenschappen, zoals de grootte van een bloem of de kleur van een vacht, door de generaties zijn veranderd. Traditioneel kijken wetenschappers naar de "stamboom" van de soorten: wie is de grootvader van wie? Ze gaan er vaak van uit dat alle genen (de bouwplannen) precies dezelfde geschiedenis volgen als de soorten zelf.

Maar de natuur is een beetje chaotisch. Genen hebben hun eigen leven. Soms "vergeten" genen om samen te komen met hun familieleden op het juiste moment, of ze kruisen met een andere familie. Dit noemen wetenschappers Incomplete Lineage Sorting (ILS) en genenstroom. Het resultaat is dat de geschiedenis van één gen soms heel anders is dan de geschiedenis van de soort.

Deze paper introduceert een nieuwe, slimme manier om hiermee om te gaan, genaamd het Gaussian Coalescent (GC) model. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Probleem: De Verwarde Familiegeschiedenis

Stel je een grote familiefeest voor. Je hebt drie neven: A, B en C.

• De oude manier: Je kijkt naar de stamboom en denkt: "A en B zijn broers, dus ze moeten op elkaar lijken."
• De realiteit: Soms heeft neef A een gen geërfd van zijn grootvader, terwijl neef B een gen heeft geërfd van zijn oom, omdat ze op het feestje niet bij elkaar kwamen voordat ze weggingen. Of misschien heeft neef C een beetje genen "geleend" van een buurman (hybridisatie).

Als je dit negeert, trek je de verkeerde conclusies. Je denkt dat A en B op elkaar lijken omdat ze familie zijn, terwijl het misschien toeval is. Of je denkt dat twee soorten heel verschillend zijn, terwijl ze eigenlijk heel dicht bij elkaar liggen, maar hun genen hebben een vreemde weg afgelegd.

2. De Oplossing: De "Gaussian Coalescent" (GC)

De auteurs, Cécile Ané en Paul Bastide, hebben een nieuwe wiskundige formule bedacht. Ze noemen het de Gaussian Coalescent.

• Het idee: In plaats van te doen alsof er één perfecte stamboom is, kijken ze naar de "gemiddelde chaos". Ze nemen aan dat een eigenschap (zoals bloemgrootte) wordt bepaald door duizenden kleine genen. Elke gen heeft een eigen, willekeurige reis door de tijd.
• De analogie: Stel je voor dat je een grote pot met duizenden gekleurde balletjes (genen) hebt. Als je een handvol pakt om de eigenschap van een dier te bepalen, krijg je een mengsel. De GC-model berekent precies hoe dat mengsel eruitziet, rekening houdend met de kans dat sommige balletjes uit dezelfde "zak" komen (dezelfde voorouder) en andere niet.
• Het resultaat: Ze bewijzen dat als je genoeg genen hebt, dit hele chaotische mengsel zich gedraagt als een Gausse verdeling (een mooie, symmetrische klokkromme). Dit maakt het voor computers veel makkelijker om de cijfers te berekenen, zonder dat je duizenden aparte berekeningen hoeft te doen voor elk gen.

3. Waarom is dit beter dan de oude methoden?

De oude methoden hadden een groot probleem: ze waren gevoelig voor wie je meet.

• Voorbeeld: Als je alleen neef A en B meet, krijg je één antwoord. Als je ook neef C meet, verandert het antwoord voor A en B plotseling. Dat is logisch niet goed; de relatie tussen A en B zou niet moeten veranderen alleen omdat je C uitnodigt.
• De GC-methode: Deze is stabiel. Of je nu 3 neven meet of 30, de berekening voor de relatie tussen A en B blijft hetzelfde. Het model kijkt naar de diepere geschiedenis (de "wortel" van de familie) en niet naar wie er toevallig op het feestje aanwezig is.

4. De Praktijk: Tomatenbloemen

De auteurs hebben hun model getest op een echte dataset: wilde tomaten. Ze keken naar eigenschappen zoals de diameter van de bloem en de lengte van de meeldraden.

• Ze ontdekten dat de oude methoden (die de chaos van de genen negeerden) de evolutie vaak te snel of te traag inschatten.
• Het nieuwe GC-model paste perfect bij de data. Het bleek dat de variatie binnen een enkele tomatensoort (waarom zijn bloemen van dezelfde soort soms net iets anders?) grotendeels verklaard kon worden door deze genetische chaos (ILS), zonder dat er extra "ruis" nodig was.

5. Wat betekent dit voor de toekomst?

Dit model is als een nieuwe bril voor biologen.

• Voor netwerken: Het werkt zelfs als soorten zich vermengen (hybriden), wat een "netwerk" van levensvormen maakt in plaats van een simpele boom.
• Software: Het is al beschikbaar in software die wetenschappers gebruiken (zoals phylolm en PhyloTraits), zodat iedereen het nu kan toepassen.

Kortom:
Evolutie is niet altijd een strakke ladder. Soms is het een wirwar van paden. De Gaussian Coalescent is de nieuwe manier om die wirwar te meten, zodat we eindelijk kunnen zien hoe eigenschappen echt evolueren, zonder verstrikt te raken in de verwarring van de genen. Het is alsof je eindelijk een heldere foto krijgt van een familie die eerder alleen als een wazige beweging te zien was.

Technische samenvatting

Probleemstelling

Traditionele fylogenetische vergelijkende methoden (PCMs) modelleren de evolutie van eigenschappen (traits) langs een soortfytogenie (boom of netwerk), vaak aannemend dat de gen-achtige geschiedenis van de eigenschap identiek is aan de soortgeschiedenis. Dit negeert echter twee cruciale biologische fenomenen:

1. Incomplete Lineage Sorting (ILS): Het proces waarbij genenbomen (gene trees) kunnen afwijken van de soortboom door het coalescentproces binnen populaties.
2. Genenstroom (Gene Flow): Hybridisatie, introgressie of admixing, wat leidt tot fylogenetische netwerken in plaats van bomen.

Bestaande methoden die ILS proberen te accounten (zoals die van Mendes et al., 2018, en Hibbins et al., 2023) hebben beperkingen:

• Ze zijn vaak afhankelijk van taxon sampling (het toevoegen of verwijderen van soorten verandert de covariantieschattings).
• Ze modelleren vaak geen variatie binnen populaties (within-population variation).
• Ze zijn beperkt tot bomen en niet toepasbaar op netwerken.
• Ze conditioneren op de waarde van een eigenschap op een willekeurig punt in het verleden (de wortel van de specifieke genboom), wat leidt tot inconsistente modellen.

Methodologie: Het Gaussian Coalescent (GC) Model

De auteurs introduceren een nieuw probabilistisch model voor de evolutie van polygenische eigenschappen (eigenschappen die worden bepaald door de som van effecten van vele loci) onder invloed van ILS en genenstroom.

Kerncomponenten:

• Polygenisch Model: De eigenschap $X$ wordt gezien als de som van effecten $Y^{(l)}$ van $L$ onafhankelijke loci. Elk locus evolueert volgens een Lévy-proces (bijv. Brownse beweging) op zijn eigen genboom.
• Coalescent Proces: De genbomen worden gegenereerd volgens het multispecies coalescent (MSC) proces op een fylogenetisch netwerk. Dit houdt rekening met ILS en hybride gebeurtenissen (reticulations).
• Conditionering: In tegenstelling tot eerdere werken, conditioneert dit model op een vaste wortelpopulatie ($\rho$) in de soortfytogenie, niet op de wortel van elke individuele genboom. Dit zorgt voor consistentie over loci en maakt het model onafhankelijk van welke taxa worden bemonsterd.
• Gaussian Coalescent (GC) Benadering: Hoewel de verdeling van de eigenschappen niet strikt Gaussiaans is door ILS, tonen de auteurs aan dat volgens de centrale limietstelling de verdeling convergeert naar een multivariate Gaussische verdeling wanneer het aantal loci ($L$) groot is. Ze noemen deze benadering het "Gaussian Coalescent" model.

Berekening:

• Het model levert recursieve formules op voor het berekenen van de verwachtingen, varianties en covarianties van de eigenschappen.
• Deze berekeningen vereisen slechts één doorloop (pre-order traversal) van de fylogenie, wat computerefficiënt is.
• Het model onderscheidt tussen:
  • Tussen-populatie variantie: Covariantie tussen individuen uit verschillende populaties.
  • Binnen-populatie variantie: Heritabele variatie binnen een populatie veroorzaakt door ILS.
• Het model kan worden herschreven als een standaard Brownse beweging (BM) op een getransformeerde boom met aangepaste taklengten, wat het mogelijk maakt om bestaande software te gebruiken.

Belangrijkste Bijdragen

1. Unificatie van ILS en Netwerken: Het is het eerste model dat ILS en genenstroom (hybridisatie) simultaan behandelt voor continue polygenische eigenschappen op fylogenetische netwerken.
2. Onafhankelijkheid van Taxon Sampling: Een fundamentele verbetering ten opzichte van eerdere methoden (zoals de $C^*$-matrix). De covariantie tussen twee populaties hangt niet af van welke andere populaties in de studie zijn opgenomen.
3. Voorspelling van Binnen-Populatie Variatie: Het model voorspelt expliciet de hoeveelheid erfelijke variatie binnen een populatie als gevolg van ILS, zonder dat er een extra "ruis" parameter hoeft te worden geschat.
4. Software-implementatie: Het model is geïmplementeerd in de R-pakketten phylolm (versie 2.7.0) en het Julia-pakket PhyloTraits (versie 1.2.0).

Resultaten

De auteurs hebben het model getest via simulaties en een reële dataset (bloemtraits bij wilde tomaten).

• Simulaties:

  • Bij hoge ILS (korte taklengten in coalescent-eenheden) levert het standaard BM-model (zonder ILS) vertekende schattingen op van de evolutiesnelheid. Het GC-model geeft accurate schattingen, mits de wortelvariantie correct wordt behandeld (bijv. aannemen van evenwicht, $\lambda=1$).
  • Het GC-model is robuust tegen veranderingen in taxon sampling, terwijl de methode van Mendes et al. ($C^*$) aanzienlijke variaties vertoont afhankelijk van welke soorten er worden toegevoegd.
  • De schatting van de parameter voor wortelvariantie ($\lambda$) is lastig met huidige data, maar het aannemen van evenwicht ($\lambda=1$) werkt vaak goed en wordt ondersteund door AIC-selectie.

• Wilde Tomaten Dataset:

  • Bij analyse van bloemtraits (corolla diameter, anther lengte, stempel lengte) bleek dat het GC-model (zonder extra niet-erfelijke variatie) de data beter paste dan het standaard BM-model met extra variatie.
  • Dit suggereert dat de door ILS voorspelde erfelijke variatie binnen populaties voldoende is om de geobserveerde variatie te verklaren.
  • De schattingen van de evolutiesnelheid waren consistent tussen modellen, maar de GC-model gaf een meer biologisch onderbouwd beeld van de variatiebronnen.

Betekenis en Toekomstperspectief

Dit werk opent nieuwe wegen voor fylogenetische vergelijkende methoden door:

• Hemiplasy (trait incongruentie door ILS) en genenstroom expliciet te modelleren in plaats van ze als ruis te behandelen.
• Een theoretisch onderbouwd kader te bieden voor het analyseren van individuele data (in plaats van gemiddelden per soort), wat essentieel is omdat het model specifiek de binnen-populatie variatie voorspelt.
• Het bieden van een computerefficiënt alternatief voor complexe simulaties.

Beperkingen en Richtingen voor Toekomstig Onderzoek:

• Het model vereist taklengten in coalescent-eenheden, wat soms moeilijk te schatten is voor oude divergenties.
• Het gaat uit van additieve effecten zonder epistase of dominantie.
• Toekomstig werk kan zich richten op het integreren van waargenomen genbomen in plaats van verwachte genbomen, en het uitbreiden naar gekoppelde eigenschappen en selectie-modellen.

Kortom, het Gaussian Coalescent model biedt een krachtig, statistisch robuust en biologisch realistisch kader om de evolutie van complexe eigenschappen te bestuderen in de aanwezigheid van complexe populatiegeschiedenissen.