An Empirical Bayes approach for the study of phenotypic evolution from high-dimensional data

Deze studie introduceert een efficiënt Empirical Bayes-benadering in het R-pakket mvMORPH die het mogelijk maakt om de evolutie van extreem hoog-dimensionale fenotypische data, zoals 3D-vormen, snel en accuraat te modelleren en zo adaptatie en convergentie in grote datasets te analyseren.

De kern

Stel je voor dat je een enorme verzameling foto's hebt van honderden verschillende soorten dieren. Op elke foto zie je niet alleen het hele dier, maar ook duizenden kleine details: de vorm van hun kaak, de lengte van hun tanden, de hoek van hun kaakbeen, enzovoort. In de biologie noemen we dit "hoge-dimensionale data". Het probleem is: hoe vergelijk je al die duizenden details tegelijk om te begrijpen hoe dieren evolueren?

De oude methoden waren als proberen een gigantische puzzel op te lossen terwijl je blind bent. Als je te veel stukjes (eigenschappen) hebt vergeleken met het aantal puzzels (soorten), raakten de computers in de war. Ze konden de berekeningen niet maken, of het duurde zo lang dat het onmogelijk werd.

De oplossing: Een slimme "verstandige gissing" (Empirical Bayes)

De auteurs van dit artikel, een team van wetenschappers, hebben een nieuwe manier bedacht om dit op te lossen. Ze noemen hun methode "Empirical Bayes".

Laten we een analogie gebruiken:

• Het oude probleem: Stel je voor dat je de gemiddelde lengte van 100 mensen wilt weten, maar je hebt maar 5 metingen. Als je alleen naar die 5 kijkt, krijg je een heel onnauwkeurige schatting. Als je duizenden metingen doet (zoals bij 3D-scan van kaken), wordt het zo complex dat je brein (of computer) het niet meer kan volgen.
• De oude oplossing: Mensen probeerden dit op te lossen door te "straffen" (penalisatie). Ze deden alsof sommige details minder belangrijk waren om de berekening makkelijker te maken. Maar dit was als het straffen van een kind door het urenlang te laten zitten om te kijken of het zich beter gedraagt. Het duurde eeuwen en kostte veel energie.
• De nieuwe oplossing (Empirical Bayes): De auteurs zeggen: "Wacht even, we hoeven niet alles perfect te meten om een goed beeld te krijgen." Ze gebruiken een slimme truc. Ze maken een slimme gissing op basis van wat ze al weten, en gebruiken die gissing om de berekening te versnellen.

In plaats van elke duizend details één voor één te berekenen (wat als het proberen is om een berg te verplaatsen met een theelepel), kijken ze naar het grote geheel. Ze zeggen: "We weten dat de meeste kaken op elkaar lijken, dus we gebruiken die algemene regel als startpunt en passen alleen de kleine uitzonderingen aan."

Waarom is dit zo geweldig?

1. Snelheid: De nieuwe methode is minstens 10 keer sneller, en bij heel grote datasets zelfs duizenden keren sneller. Het is alsof je van een fiets op een supersnelheidstrein overstapt.
2. Geen geheugenproblemen: De oude methoden hadden zoveel computergeheugen nodig dat ze vaak crashten. De nieuwe methode is zo efficiënt dat hij zelfs op gewone computers werkt, zelfs als je 4000 verschillende eigenschappen tegelijk analyseert.
3. Nieuwe ontdekkingen: Omdat het zo snel is, kunnen wetenschappers nu complexe vragen stellen die eerder onmogelijk waren. Bijvoorbeeld: "Hoe evolueerden de kaken van vleesetende dieren anders dan die van plantenetende dieren?"

Het echte voorbeeld: De kaak van de mammal

Om hun methode te testen, keken ze naar de onderkaken van zoogdieren. Ze hadden 3D-scans van de kaken van 95 verschillende soorten (zoals leeuwen, olifanten, kangoeroes en dinosauriër-achtigen).

Met hun nieuwe snelle methode ontdekten ze iets moois:

• Convergentie: Vleesetende dieren (zoals leeuwen) en plantenetende dieren (zoals koeien) hebben, ondanks dat ze niet direct verwant zijn, hun kaken op een heel vergelijkbare manier ontwikkeld om hun dieet aan te kunnen.
• De vorm: Plantenetters hebben diepere kaken en sterkere spieraansluitingen om harde planten te kauwen. Vleesetters hebben een andere vorm om vlees te scheuren.
• De verrassing: Het maakte niet uit of het een buideldier was (zoals een kangoeroe) of een placentale zoogdier (zoals een mens of hond). Als ze hetzelfde eten, zien hun kaken er hetzelfde uit. De natuur "bedenkt" dezelfde oplossing voor hetzelfde probleem, ongeacht de familiegeschiedenis.

Conclusie

Dit artikel introduceert een nieuwe, super-snelle en slimme manier om te kijken naar hoe dieren evolueren, zelfs als we duizenden details tegelijk moeten analyseren. Het is alsof we eindelijk een bril hebben gekregen die ons laat zien hoe de natuur werkt, zonder dat we de hele computer hoeven te laten smelten. Hierdoor kunnen we veel beter begrijpen hoe dieren zich aanpassen aan hun omgeving, van de vorm van hun kaak tot hun gedrag.

Technische samenvatting

Probleemstelling

De snelle opkomst van high-throughput phenotyping (bijv. 3D-geometrische morfometrie, genexpressieprofielen) heeft geleid tot datasets met duizenden kenmerken (traits). In de evolutionaire biologie is het echter vaak zo dat het aantal kenmerken ($p$) het aantal soorten ($n$) overtreft ($p \gg n$). Dit creëert een fundamenteel statistisch probleem voor multivariate fylogenetische vergelijkende methoden (PCMs):

• De variantie-covariantiematrix van de kenmerken wordt singulier (niet-inverteerbaar).
• Zonder een inverteerbare matrix kunnen de determinant en de log-likelihood niet worden berekend, wat noodzakelijk is voor de meeste modellen van kenmerkevolutie (zoals Brownse beweging, Ornstein-Uhlenbeck).
• Bestaande oplossingen, zoals dimensionreductie (PCA) of het negeren van covarianties, leiden tot onnauwkeurigheden.
• Geavanceerdere methoden zoals Penalized Likelihood (PL) vereisen kruisvalidatie (CV) om de regularisatieparameter te schatten. Dit is computatief zeer intensief (vaak $O(n)$ keer het inverteren van grote matrices) en maakt het onpraktisch om complexe modellen (zoals OU met meerdere optima) toe te passen op zeer grote datasets.

Methodologie: Empirische Bayes Benadering

De auteurs stellen een nieuwe Maximum Likelihood methode voor binnen het kader van Empirische Bayes om deze beperkingen te overwinnen. De kern van de methode is als volgt:

1. Bayesiaanse Regularisatie: In plaats van de covariantiematrix ($R$) direct te schatten en te inverteren, wordt er een Inverse Wishart-prior op $R$ geplaatst. Dit is een geconjugeerde prior voor de multivariate normale verdeling.
2. Analytische Integratie: Door de prior te gebruiken, kan de covariantiematrix $R$ analytisch worden geïntegreerd uit de likelihood-functie. Hierdoor volgt de marginale verdeling van de data een Matrix-variate T-verdeling.
3. Schattingsstrategie:
   • De methode schat de parameters van de evolutionaire modellen (zoals selectiestrengheid $\alpha$ in OU-modellen) en de regularisatieparameter ($\mu$) direct door de marginale likelihood te maximaliseren.
   • Er is geen noodzaak voor computatief zware kruisvalidatie (zoals bij PL-methoden) om de regularisatie te bepalen; dit wordt direct uit de data afgeleid.
   • De methode maakt gebruik van een "target matrix" (bijv. een geschaalde identiteitsmatrix of een diagonale matrix) om de schattingen te stabiliseren (shrinkage).
4. Implementatie: De methode is geïmplementeerd in de R-pakket mvMORPH (functie mvgls() met method='EmpBayes'). Het ondersteunt modellen zoals Brownse Beweging (BM), Early Burst (EB), Pagel's lambda, en Ornstein-Uhlenbeck (OU), inclusief OU met meerdere optima (OUM).
5. Modelselectie: De auteurs implementeren ook bootstrap-gebaseerde Likelihood Ratio Tests (LRT) en informatiecriteria (AIC, BIC, EIC) die nu haalbaar zijn dankzij de snelheid van de methode.

Belangrijkste Bijdragen

• Computationale Efficiëntie: De methode elimineert de noodzaak om grote covariantiematrices expliciet te berekenen, inverteren of opslaan tijdens het schatten van parameters.
• Schaalbaarheid: Het is in staat om datasets te verwerken waarbij $p$ tien keer zo groot is als $n$ (en zelfs groter), zonder dat de rekenkosten exponentieel exploderen.
• Complexiteit: Het maakt de toepassing van complexe modellen (zoals OUM met meerdere selectieve regimes) mogelijk op high-dimensional data, wat met bestaande PL-methoden vaak onmogelijk was vanwege de rekentijd.
• Regularisatie: Het biedt een regularisatie-estimator voor de variantie-covariantiematrix die vergelijkbaar is in nauwkeurigheid met PL-methoden, maar veel sneller is.

Resultaten

De auteurs hebben hun methode getest via simulaties en een empirische toepassing op de evolutie van de onderkaak bij zoogdieren.

1. Simulaties:

• Parameter Schatting: De Empirische Bayes-methode schatte evolutionaire parameters (zoals $\alpha$ voor OU en $r$ voor EB) even nauwkeurig als de bestaande Penalized Likelihood (PL) methoden, zelfs bij zeer hoge dimensies ($p=10n$).
• Covariantie Schatting: De geschatte covariantiematrices waren vergelijkbaar nauwkeurig met PL-methoden, afhankelijk van de gekozen "target matrix" en de correlatiestructuur van de data.
• Modelselectie: De Extended Information Criterion (EIC), gebaseerd op bootstrapping, presteerde het beste bij het selecteren van het juiste genererende model, vooral bij kleine steekproefgroottes.
• Snelheid en Geheugen:
  • De methode is minimaal 10 keer sneller dan de snelste PL-implementatie (met snelle LOOCV).
  • Bij zeer grote datasets ($p=4000$) was het tot 300 keer sneller dan PL-methoden die standaard kruisvalidatie gebruiken.
  • Het geheugengebruik was tot 50 keer lager (bijv. 3,3 GB vs. 80 GB voor PL bij $p=4000$).

2. Empirische Toepassing (Zoogdier Kaken):

• De methode werd toegepast op een dataset van 342 3D-landmarks van 95 zoogdiersoorten (inclusief fossielen) om de invloed van dieet (karnivoor vs. herbivoor) en ontwikkeling (marsupialen vs. placentale zoogdieren) op de kaakvorm te testen.
• Conclusie: De best ondersteunde model was een Ornstein-Uhlenbeck proces met twee optima (OUM2), gekoppeld aan het dieet (karnivoor vs. herbivoor), ongeacht de onderverdeling in marsupialen of placentale zoogdieren.
• Dit suggereert convergente evolutie: zowel marsupialen als placentale zoogdieren hebben onafhankelijk een vergelijkbare kaakvorm ontwikkeld om aan de biomechanische eisen van hun dieet te voldoen.
• Herbivoren vertoonden diepere corpora en een andere vorm van de ramus (met name de condylaire en coronoid processen) vergeleken met karnivoren.

Significantie

Deze paper is van groot belang voor de evolutionaire biologie en de statistiek:

1. Openen van nieuwe data: Het maakt het mogelijk om de groeiende hoeveelheid high-dimensional data (zoals volledige 3D-scan datasets en genomics) effectief te analyseren binnen een strikt multivariaat fylogenetisch kader.
2. Toegang tot complexe modellen: Het doorbreekt de computatiebarrière die eerder het gebruik van complexe evolutionaire modellen (zoals adaptatie naar meerdere niches) op grote datasets verhinderde.
3. Robuuste Inferentie: Het biedt een snelle en geheugenefficiënte manier om covarianties tussen duizenden kenmerken te modelleren zonder de informatie te verliezen die optreedt bij dimensionreductie.
4. Praktische Implementatie: De integratie in het populaire R-pakket mvMORPH maakt deze geavanceerde methoden direct toegankelijk voor onderzoekers.

Kortom, de auteurs hebben een brug geslagen tussen de theoretische noodzaak om alle covarianties te modelleren en de praktische beperkingen van rekenkracht, waardoor een nieuwe generatie fylogenetische analyses mogelijk wordt.