Estimating Bayesian phylogenetic information content using geodesic distances

Dit artikel introduceert een nieuwe Bayesiaanse maatstaf voor de fylogenetische informatiewaarde, gebaseerd op geodetische afstanden in boomruimte en de relatieve variantie tussen prior- en postverdelingen, die toepasbaar is op zowel gesimuleerde als empirische data om ook informatieconflict tussen datasets te kwantificeren.

De kern

Hoeveel "waarheid" zit er in je DNA? Een nieuwe manier om evolutionaire informatie te meten

Stel je voor dat je een enorme, ingewikkelde puzzel probeert op te lossen: de stamboom van het leven. Je hebt duizenden stukjes DNA (de puzzelstukjes) en je wilt weten welke boomstructuur het meest waarschijnlijk is. Maar hoe weet je of je puzzelstukjes wel goed genoeg zijn om de oplossing te vinden? Of zit er misschien meer ruis dan waarheid in?

De auteurs van dit artikel, Analisa Milkey en Paul Lewis, hebben een nieuwe, slimme manier bedacht om dit te meten. Ze noemen het een "informatiemeter" voor evolutionaire bomen. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De "Gok" versus de "Werkelijkheid"

Stel je voor dat je een nieuwe vriend ontmoet.

• De Prior (Het voorspel): Voordat je hem ontmoet, gok je op zijn karakter. Omdat je niets over hem weet, denk je dat hij elk mogelijk karakter kan hebben. Hij kan een stille boekworm zijn, een wilde danser, of een kookfanaticus. Alle opties zijn even waarschijnlijk. In de wetenschap noemen ze dit de prior: een verzameling van alle mogelijke evolutionaire bomen, willekeurig gemengd.
• De Posterior (De les): Nu heb je de puzzelstukjes (het DNA) gezien. Je realiseert je: "Ah, deze persoon is duidelijk een stille boekworm!" Alle andere opties vallen weg. Je wereldbeeld is nu veel smaller en specifieker. Dit is de posterior: de verzameling bomen die het DNA ondersteunt.

De kernvraag: Hoeveel heeft het DNA je eigenlijk geleerd?

• Als het DNA je niets heeft geleerd, is je wereldbeeld na het kijken naar de puzzelstukjes nog steeds net zo wazig als ervoor.
• Als het DNA je alles heeft geleerd, is je wereldbeeld nu scherp en duidelijk.

2. De Nieuwe Meter: "De Afstand in het Bos"

Vroeger probeerden wetenschappers te meten hoeveel informatie er was door te tellen hoeveel verschillende bomen er in de verzameling zaten. Maar dat werkt niet goed als je duizenden soorten hebt; dan zijn er simpelweg te veel mogelijke bomen om te tellen.

De auteurs gebruiken nu een andere methode, gebaseerd op afstanden.
Stel je voor dat alle mogelijke evolutionaire bomen in een groot, vreemd landschap liggen (het "boom-landschap").

• De Prior: Omdat je niets weet, zijn de bomen verspreid over het hele landschap. Ze liggen ver uit elkaar. De "gemiddelde boom" is een wazige, onopgeloste vlek.
• De Posterior: Omdat het DNA je informatie geeft, klitten de waarschijnlijke bomen samen in één klein hoekje van het landschap. Ze liggen dicht bij elkaar.

De meting: Ze meten de afstand tussen de bomen in de "wazige" verzameling (voor) en de "dichte" verzameling (na).

• Grote afstand tussen de bomen (hoge variantie): De data zeggen niets. Je bent nog steeds in het donker.
• Kleine afstand tussen de bomen (lage variantie): De data zeggen veel! Je hebt een duidelijk beeld gekregen.

Ze gebruiken een slimme meetlat genaamd een "geodesische afstand" (de kortste weg over het oppervlak van dat vreemde landschap) om precies te meten hoe dicht de bomen bij elkaar liggen.

3. Het "Lengte"-Probleem

Er is een kleine valkuil. Soms zeggen de data: "De boom is heel kort!" (de takken zijn kort). Soms zeggen ze: "De boom is heel lang!" (de takken zijn lang).
Als je alleen naar de lengte kijkt, kan het lijken alsof je veel informatie hebt, terwijl je eigenlijk alleen maar weet dat de takken kort zijn, maar niet hoe de takken aan elkaar hangen (de vorm).

De auteurs lossen dit op door alle bomen op te rekken of in te krimpen zodat ze allemaal even lang zijn. Dan kijken ze alleen naar de vorm (de topologie). Zo meten ze puur de informatie over de familiebanden, niet over hoe snel de evolutie ging.

4. Wanneer praten twee datasets tegen elkaar? (Dissonantie)

Soms heb je twee verschillende sets DNA (bijvoorbeeld van twee verschillende genen).

• Scenario A: Gen A zegt: "De kat en de hond zijn familie." Gen B zegt: "De kat en de hond zijn familie." -> Geen dissonantie. Ze zijn het eens.
• Scenario B: Gen A zegt: "De kat is familie van de hond." Gen B zegt: "De kat is familie van de vis." -> Hoge dissonantie. Ze praten tegen elkaar.

De auteurs hebben een meter voor deze "ruis" of "conflict" bedacht. Als de twee groepen bomen ver uit elkaar liggen in het boom-landschap, is er een groot conflict. Dit helpt wetenschappers te zien of er iets vreemds aan de hand is, zoals horizontale gen-overdracht (waarbij een plant een gen van een heel andere soort "leent").

5. Waarom is dit belangrijk?

• Het is schaalbaar: De oude methoden crashten als je duizenden soorten had. Deze methode werkt ook met enorme datasets.
• Het is eerlijk: Het vertelt je niet alleen of je data "vol" is, maar ook of de informatie betrouwbaar is.
• Toepassing: In de moderne biologie hebben we vaak duizenden genen. We willen niet al die genen gebruiken als sommige niets zeggen of elkaar tegenwerken. Deze meter helpt om alleen de "goede" puzzelstukjes te kiezen voor het bouwen van de stamboom.

Kortom:
Deze paper introduceert een nieuwe manier om te zeggen: "Hoeveel heb ik eigenlijk geleerd van dit DNA?" door te kijken hoe dicht de mogelijke antwoorden bij elkaar staan. Als ze dicht bij elkaar staan, heb je veel informatie. Als ze ver uit elkaar liggen, is het DNA misschien nutteloos of verwarrend. Het is alsof je van een wazige foto naar een scherp beeld gaat; deze methode meet precies hoe scherp dat beeld is.

Technische samenvatting

Probleemstelling

In de fylogenetica is het van cruciaal belang om te kunnen kwantificeren hoeveel informatie de verzamelde data (bijvoorbeeld DNA-sequenties) bevat over de evolutionaire geschiedenis (de boomtopologie en taklengtes). Bestaande methoden, zoals die voorgesteld door Lewis et al. (2016) op basis van entropieverschillen tussen prior- en posterior-verdelingen, hebben een significant nadeel: schaalbaarheid.

• Het aantal mogelijke boomtopologieën groeit exponentieel met het aantal taxa. Bij datasets met honderden of duizenden taxa is het onmogelijk om de posterior-verdeling van topologieën adequaat te bemonsteren om betrouwbare entropie-schattingen te maken.
• Bestaande methoden kunnen leiden tot een overschatting van de informatie-inhoud omdat ze moeite hebben om de posterior-verdeling nauwkeurig te benaderen in een zo groot ruimte.
• Er is behoefte aan een methode die schaalbaar is, rekening houdt met zowel topologie als taklengtes, en in staat is om "dissonantie" (conflict) tussen verschillende datasets te meten.

Methodologie

De auteurs introduceren een nieuwe Bayesiaanse maatstaf voor fylogenetische informatie-inhoud die gebaseerd is op geodesische afstanden in de "treespace" (de ruimte van alle mogelijke fylogenetische bomen), zoals gedefinieerd door Billera et al. (2001) en Owen & Provan (2010).

Kernprincipes:

1. Variance als maatstaf: In plaats van entropie, gebruiken ze de variantie van een steekproef van bomen. De logica is dat data de prior-verdeling (vaak uniform/chaotisch) transformeert naar een posterior-verdeling (meer geconcentreerd).
   • Een hoge variantie in de posterior (vergelijkbaar met de prior) betekent weinig informatie.
   • Een lage variantie in de posterior (dicht bij de mean tree) betekent veel informatie.
2. Log Concentration Ratio (LCR): De informatie-inhoud wordt berekend als:
   $$LCR = \log\left(\frac{V_0}{V}\right)$$
   Waarbij $V_0$ de "volume" (dispersie) van de prior-steekproef is en $V$ die van de posterior-steekproef.
   • Om de interpretatie te vergemakkelijken, wordt dit omgezet naar een percentage informatie ($I$): $I = 100 \times (1 - e^{-LCR})$.
3. Definitie van Volume: Omdat de treespace niet volledig Euclidisch is, is het moeilijk om het exacte volume te berekenen. De auteurs gebruiken daarom de 95% straal (RAD-methode): de straal van de kleinste hypersfeer die 95% van de bomen in de steekproef omvat, gemeten vanaf de Fréchet-middentree.
4. Schaalbaarheid: Om te voorkomen dat informatie over taklengtes de topologische informatie domineert, worden bomen geschaald zodat de gemiddelde boomlengte in zowel prior- als posterior-steekproeven gelijk is (bijv. 1.0).
5. Dissonantie-maatstaf: Om conflict tussen datasets te meten, gebruiken ze een aangepaste effectgrootte (vergelijkbaar met Cohen's d), gebaseerd op de geodesische afstand tussen de gemiddelde bomen van twee datasets, genormaliseerd door hun gepoolde stralen.

Belangrijkste Bijdragen

• Scalable Information Measure: Een methode die schaalbaar is met het aantal taxa, zolang er maar een geldige steekproef uit de prior en posterior kan worden verkregen (wat standaard is in Bayesiaanse MCMC-analyses).
• Integratie van Topologie en Lengte: De methode houdt rekening met zowel de vorm van de boom als de taklengtes, in tegenstelling tot puur topologische methoden.
• Dissonantie Detectie: Een nieuwe, intuïtieve maatstaf voor het kwantificeren van conflict tussen verschillende datasets (bijv. verschillende genen of loci).
• Validatie: De methode wordt getest op zowel gesimuleerde data als empirische datasets, waarbij de resultaten consistent zijn met verwachte biologische patronen.

Resultaten

Simulatie-experimenten:

• Informatie-inhoud: De LCR-waarde was het hoogst bij ideale substitutiesnelheden en nam af bij verzadiging (te veel substituties) of te weinig substituties.
• Invloed van parameters: Informatie-inhoud nam af bij toenemend percentage ontbrekende data en bij hoge variatie in substitutiesnelheden tussen sites (ASRV).
• Dissonantie: Er was een sterke, positieve correlatie tussen de geodesische afstand tussen modelbomen en de gemeten dissonantie. Wanneer twee datasets gegenereerd werden vanuit dezelfde boom, was de dissonantie laag (maar niet nul door stochastische variatie); bij verschillende bomen nam de dissonantie toe.

Empirische analyses:

1. Saturatie-test (psaB locus): Bij groenalgae werd geanalyseerd of 3e codonposities verzadigd waren. De methode toonde aan dat 3e posities meer informatie bevatten dan 2e posities (LCR = 2.73 vs 1.75) en dat de resulterende bomen beter opgelost waren. Dit weerlegt de aanname dat 3e posities altijd verzadigd en onbetrouwbaar zijn.
2. Horizontale Genoverdracht (rps11 locus): Bij de plant Sanguinaria werd een groot conflict (dissonantie) gevonden tussen het 5'-gedeelte (verticaal overgedragen) en het 3'-gedeelte (horizontaal overgedragen).
   • De dissonantie tussen de 5' en 3' subsets was zeer hoog (>8).
   • De dissonantie tussen onafhankelijke steekproeven van dezelfde subset was verwaarloosbaar (<0.2).
   • Dit bevestigt dat de methode in staat is om biologisch betekenisvol conflict te detecteren.

Significantie en Toepassing

De paper biedt een krachtig nieuw instrument voor fylogenomic studies:

• Dataset-filtering: Bij analyses met duizenden loci (phylogenomics) kunnen loci met weinig informatie-inhoud worden gefilterd voordat ze worden gebruikt voor species tree-inferentie, wat de rekenkracht bespaart en de nauwkeurigheid verbetert.
• Betere Input voor Species Trees: In plaats van de "best fit" boom (MAP of ML) te gebruiken als input voor methoden zoals ASTRAL, kan de Fréchet-middentree worden gebruikt. Deze middentree weerspiegelt de ondersteuning in de data zonder kunstmatige knopen te forceren, wat leidt tot minder foutieve informatie in de species tree.
• Modelafhankelijkheid: In tegenstelling tot snelle saturatietests (zoals PhyloMAd) die op gesimuleerde kritieke waarden vertrouwen, gebruikt deze methode het exacte Bayesiaanse model dat voor de inferentie wordt gebruikt, waardoor het gevoeliger is voor complexe modellen.

Kortom, de auteurs introduceren een robuuste, schaalbare en intuïtieve methode om de kwaliteit en het conflict in fylogenetische data te kwantificeren, wat essentieel is voor het interpreteren van grote genomische datasets.