Horse, not zebra: accounting for lineage abundance in maximum likelihood phylogenetics

Dit artikel introduceert twee methoden in de MAPLE-software die de overvloed van lijnen in maximum likelihood fylogenetica meenemen om de nauwkeurigheid van de inferentie te verbeteren, vergelijkbaar met het medische principe om bij onzekerheid eerst aan de meest waarschijnlijke (veelvoorkomende) oorzaak te denken.

De kern

Titel: "Denk aan paarden, niet aan zebra's" – Een nieuwe manier om virusstammen te volgen

Stel je voor dat je een detective bent die probeert een familiegeschiedenis op te lossen, maar dan voor een virus. Je hebt duizenden stukjes DNA (genomen van patiënten) en je moet proberen te reconstrueren wie van wie is afkomstig. Dit is wat wetenschappers doen met SARS-CoV-2 (het coronavirus).

Normaal gesproken gebruiken computers ingewikkelde wiskundige methoden (Maximum Likelihood) om deze "familieboom" te maken. Deze methoden kijken alleen naar de letters in het DNA. Maar er zit een groot probleem in deze aanpak, vooral bij een virus dat zo snel verspreidt als SARS-CoV-2.

Het probleem: De "Paarden en Zebra's" verwarring

In de geneeskunde bestaat een bekend gezegde: "Wanneer je hoefgetrappel hoort, denk dan aan paarden, niet aan zebra's." Dit betekent: als iemand symptomen heeft die bij een veelvoorkomende ziekte (een paard) én een zeldzame ziekte (een zebra) passen, is het veel waarschijnlijker dat het de veelvoorkomende ziekte is.

In de wereld van virusonderzoek gebeurt vaak het tegenovergestelde. De computer kijkt naar een nieuw virusmonster en ziet twee mogelijkheden:

1. Het hoort bij een zeer veelvoorkomende stam (een "paard", bijvoorbeeld een variant die duizenden keren is gevonden).
2. Het hoort bij een zeer zeldzame stam (een "zebra", misschien maar één keer gevonden).

Als de DNA-letters van het nieuwe monster bijna hetzelfde zijn als beide stammen, kan de computer wiskundig gezien geen verschil zien. De kans is voor beide gelijk. De computer kiest dan willekeurig of blijft twijfelen. Dit leidt tot een rommelige, onzekere familieboom met veel "knooppunten" waar niemand weet hoe ze precies verbonden zijn.

De oplossing: HnZ (Horse not Zebra)

De auteur van dit paper, Nicola De Maio, heeft een slimme truc bedacht om de computer te dwingen om te denken als een goede detective: "Kies voor het paard."

Hij introduceert twee nieuwe methodes (HnZ1 en HnZ2) die de computer vertellen: "Als je twijfelt tussen een veelvoorkomende stam en een zeldzame, kies dan altijd voor de veelvoorkomende."

Hoe werkt dit in de praktijk?

1. De "Multifurcatie" (Het grote knooppunt):
   Stel je voor dat er een knooppunt in de boom is waar honderden identieke virusmonsters aan hangen. Dit is een "paard". Er is ook een takje met maar één monster. Dit is een "zebra".
   Als een nieuw, onvolledig monster binnenkomt dat op beide lijkt, zegt de oude computer: "Ik weet het niet."
   De nieuwe computer zegt: "Kijk eens hoeveel monsters er al aan dat grote knooppunt hangen! Het is veel waarschijnlijker dat dit nieuwe monster ook daar vandaan komt, omdat dat knooppunt al zo populair is."

2. De analogie van de drukke trein:
   Stel je voor dat je een verloren tas vindt in een station.

   • De oude methode: De tas lijkt op een tas die iemand in een volle trein (paard) heeft laten liggen, én op een tas van een eenzame wandelaar (zebra). De computer zegt: "Het kan allebei zijn."
   • De nieuwe methode (HnZ): De computer denkt: "Er zaten duizenden mensen in die trein en slechts één wandelaar. De kans is 99% dat de tas van iemand uit de trein komt."
     Door deze logica toe te passen, wordt de familieboom veel duidelijker.

Wat levert dit op?

De auteur heeft dit getest met echte SARS-CoV-2 data (meer dan 2 miljoen genen!). Het resultaat is verbluffend:

• Minder twijfel: De onzekerheid in de familieboom daalde met ongeveer een factor 10. Dat betekent dat wetenschappers veel zekerder kunnen zeggen hoe het virus zich heeft verspreid.
• Minder fouten: De computer maakte veel minder fouten door zeldzame, onwaarschijnlijke scenario's te kiezen.
• Simpelere geschiedenis: Bijvoorbeeld bij de Delta-variant (AY.4) zag de oude computer duizenden vreemde mutaties en terugkeer-mutaties (reversies) die er niet echt hoorden. De nieuwe methode zag in dat dit waarschijnlijk gewoon veelvoorkomende stammen waren die op elkaar leken, en tekende een veel logischer en simpeler verhaal op.

Waarom is dit belangrijk?

Voor de strijd tegen pandemieën is het cruciaal om te weten: Waar komt dit virus vandaan? Hoe verspreidt het zich?
Als je een onzekere kaart hebt, kun je slechte beslissingen nemen. Met deze nieuwe methode krijgen we een scherpe, duidelijke kaart. We kunnen beter voorspellen welke varianten gevaarlijk zijn en hoe we ze moeten stoppen.

Kort samengevat:
Deze paper zegt: "Wanneer we een virus zien dat op twee dingen lijkt, laten we de computer niet willekeurig kiezen. Laten we de computer leren dat het waarschijnlijk het 'paard' is (de veelvoorkomende stam) en niet de 'zebra' (de zeldzame stam). Hierdoor wordt onze visie op de verspreiding van het virus veel scherper."

Deze methode is nu gratis beschikbaar in de software MAPLE, zodat iedereen deze "paarden-detective" kan gebruiken.

Technische samenvatting

Titel: Paard, niet zebra: rekening houden met overvloed van lijnen in maximum-likelihood fylogenetica

Auteur: Nicola De Maio (European Molecular Biology Laboratory, EMBL-EBI)

---

1. Het Probleem

Traditionele maximum-likelihood (ML) fylogenetische methoden maken geen aannames over de vorm van de fylogenetische boom of het steekproefproces. Dit is nuttig voor algemene evolutionaire biologie, maar kan problematisch zijn in genomische epidemiologie (bijv. bij SARS-CoV-2).

• Onderscheidende steekproefpatronen: In de epidemiologie wordt de sequentievolgorde van pathogenen vaak niet willekeurig gekozen, maar is de kans op sequentievolgorde evenredig met de prevalentie (overvloed) van de stam in de populatie. Een veelvoorkomende stam wordt vaker gesequenced dan een zeldzame.
• Onzekerheid bij multifurcaties: Door de hoge dichtheid van steekproeven en lage evolutionaire afstanden (veel identieke of bijna-identieke genomen) ontstaan er in de afgeleide bomen vaak grote multifurcaties (polytomieën). In klassieke ML-fylogenetica zijn verschillende plaatsingen van een onvolledig genoom binnen zo'n multifurcatie vaak even waarschijnlijk (zelfde likelihood), wat leidt tot hoge onzekerheid in de reconstructie.
• Het "Paard vs. Zebra"-principe: De auteur introduceert het medische principe "als je hoefgetrappel hoort, denk aan paarden, niet aan zebra's". In deze context betekent dit: als een genoom even goed past bij een zeldzame stam (zebra) als bij een veelvoorkomende stam (paard), moet de fylogenetische plaatsing prioriteit geven aan de veelvoorkomende stam, omdat de kans groter is dat het een extra steekproef is van die veelvoorkomende lijn.

2. Methodologie

De auteur introduceert twee nieuwe benaderingen, HnZ1 en HnZ2 ("Horse not Zebra"), die zijn geïmplementeerd in de open-source software MAPLE (v0.7.5.4). Beide methoden voegen een multiplicatieve factor toe aan de likelihood-score van de fylogenetische boom, vergelijkbaar met een boom-prior in Bayesiaanse inferentie, maar binnen een ML-framework.

HnZ1: Rescaling op basis van binaire resoluties

• Concept: Een mutatie-gedefinieerde multifurcatie (MM) wordt niet gezien als een instantane gebeurtenis, maar als een gebrek aan signaal om een binaire topologie op te lossen. Een MM vertegenwoordigt in feite een verzameling mogelijke binaire bomen die consistent zijn met de data.
• Berekening: De likelihood van een boom wordt geschaald met het aantal mogelijke binaire resoluties van de multifurcaties. Voor een knooppunt met grootte $n$ (aantal takken) is het aantal binaire resoluties $H(n) = (2n-3)!!$.
• Effect: De totale score van de boom is het product van $H(n)$ voor alle knooppunten. Dit bevoordeelt plaatsingen die leiden tot grotere multifurcaties, omdat het toevoegen van een steekproef aan een grote multifurcatie de score verhoogt met een factor $2n-3$.

HnZ2: Boom-prior op basis van overvloed

• Concept: Dit is een Bayesiaans geïnspireerde boom-prior die aannemt dat genomen worden gesequenced met een snelheid die evenredig is aan hun overvloed.
• Berekening: De prior is gedefinieerd als het product van $f_i^{n_i}$ over alle knooppunten $i$, waarbij $n_i$ de grootte van het knooppunt is (aantal afstammelingen) en $f_i$ de geschatte overvloed ($n_i/N$).
• Vereenvoudiging: De constante factor wordt genegeerd, waardoor de score voor een knooppunt van grootte $n$ wordt: $H(n) = n^n$.
• Verschil met HnZ1: HnZ2 is iets "agressiever" dan HnZ1 en geeft een sterkere prikkel om grotere multifurcaties af te leiden.

3. Belangrijkste Bijdragen

1. Conceptuele verschuiving: Het introduceren van het idee dat in genomische epidemiologie de abundantie van sequenties in de dataset een proxy is voor de biologische abundantie van de stam, en dat dit gebruikt moet worden om fylogenetische onzekerheid op te lossen.
2. Nieuwe algoritmen: De ontwikkeling van HnZ1 en HnZ2 als efficiënte manieren om dit principe toe te passen binnen ML-inferentie zonder de volledige computatielast van Bayesiaanse MCMC-methoden.
3. Implementatie: Integratie in MAPLE, een schaalbare tool voor pandemische fylogenetica, waardoor deze methoden toepasbaar zijn op datasets met miljoenen genomen.

4. Resultaten

Simulatie-studies (SARS-CoV-2)

• Accuracy: Zowel HnZ1 als HnZ2 verbeteren de nauwkeurigheid van de fylogenetische reconstructie aanzienlijk vergeleken met standaard ML. HnZ1 presteert iets beter dan HnZ2 en voorkomt ongeveer 40% van de topologische inferentiefouten.
• Computatie: De methoden verdubbelen ongeveer de rekentijd (vanwege de noodzaak om knooppuntgroottes bij te houden en langere SPR-zoekopdrachten), maar hebben slechts een minimale impact op het geheugengebruik.

Real-world toepassing (SARS-CoV-2, >2 miljoen genomen)

• Verlaging van onzekerheid: Het toepassen van HnZ1 verlaagt de fylogenetische onzekerheid met ongeveer één orde van grootte.
  • Het percentage takken met ondersteuning < 50% daalt van ~6,9% naar ~1,04%.
  • Voor terminale takken met lengte 0 (identieke genomen) daalt de onzekerheid van ~8,0% naar ~0,05%.
• Verbeterde evolutiegeschiedenis:
  • Voorbeeld AY.4 (Delta): Zonder HnZ werd een complex patroon van reversies (terugmutaties) en her-reversies geïnfereerd (bijv. bij mutatie T17040C). Met HnZ1 wordt een veel eenvoudigere en biologisch plausiblere geschiedenis geïnfereerd met veel minder reversies.
  • Voorbeeld BA.1.1 (Omicron): Vergelijkbare verbeteringen werden gezien bij mutatie C21595T, waarbij het aantal geïnfereerde reversies drastisch daalde.
• Interpretatie: De methoden voorkomen dat ML-algoritmen "overfitting" vertonen op zeldzame gebeurtenissen of reversies, en kiezen in plaats daarvan voor de meest waarschijnlijke evolutiepaden binnen veelvoorkomende genomische achtergronden.

5. Betekenis en Conclusie

Dit artikel toont aan dat het negeren van steekproef-afkomst (lineage abundance) in fylogenetische analyses van pandemische data leidt tot onnodige onzekerheid en fouten. Door het "paard-niet-zebra"-principe te formaliseren in HnZ1 en HnZ2, kan men:

• De nauwkeurigheid van fylogenetische reconstructies bij hoge steekproefdichtheid aanzienlijk verbeteren.
• Foutieve inferenties van reversies en complexe mutatiepatronen verminderen.
• Een schaalbare, ML-gebaseerde oplossing bieden die bijna net zo snel is als standaard ML, maar met de voordelen van Bayesiaanse prior-informatie.

De methoden zijn van toepassing op elk scenario met dichte steekproeven, zoals metagenomica, single-cell genomics en kanker-genomics, en vormen een belangrijke stap vooruit in de analyse van grote epidemiologische datasets.