How much information is there for inferring species trees?

Dit onderzoek toont aan dat, hoewel meer data over het algemeen leidt tot betere soortstamboom-inferentie, het selectief subsamplingen van de meest informatieve loci een betere oplossing kan zijn wanneer de dataset als geheel weinig informatief is.

De kern

Stel je voor dat je een enorme puzzel probeert op te lossen: de evolutiegeschiedenis van alle soorten op aarde. Wetenschappers noemen dit het "stamboom" of de "species tree". In het verleden hadden ze maar een paar stukjes van deze puzzel (een paar genen), maar tegenwoordig hebben ze duizenden stukjes (duizenden genen) door de revolutie in DNA-sequencing.

Je zou denken: "Hoe meer stukjes, hoe makkelijker en beter de puzzel!" Maar deze studie van Analisa Milkey en haar team zegt: "Niet altijd."

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het probleem: Te veel ruis, te weinig signaal

Stel je voor dat je probeert een gesprek te horen in een druk café.

• Goede loci (genen): Dit zijn mensen die duidelijk praten. Je hoort precies wat ze zeggen.
• Slechte loci: Dit zijn mensen die fluisteren, of die heel hard schreeuwen maar alleen onzin brabbelen (door "verzadiging" van mutaties), of die helemaal niets zeggen (te weinig variatie).

Als je duizenden mensen in dat café hebt, maar 900 van hen fluisteren of brabbelen, dan wordt het voor jou als luisteraar juist moeilijker om de echte boodschap te horen. De ruis verdrinkt het signaal.

2. De nieuwe meetlat: "Hoeveel weten we echt?"

Vroeger dachten wetenschappers: "Laten we gewoon zoveel mogelijk genen toevoegen." Maar deze auteurs hebben een nieuwe manier bedacht om te meten hoeveel echte informatie een gen bevat.

Ze noemen dit de "ruimte-reductie".

• Stel je voor: Je hebt een enorme, lege kamer (de "ruimte" van alle mogelijke stambomen die er zouden kunnen zijn).
• Vóór je data: Je weet niets, dus je moet aannemen dat de waarheid ergens in die hele grote kamer kan zitten.
• Na je data: Als je goede data hebt, wordt de kamer kleiner. Je weet nu: "De waarheid zit hier, in deze kleine hoek."
• De conclusie: Hoe kleiner die hoek wordt, hoe meer informatie je hebt. Als je data slecht is, wordt de kamer niet veel kleiner; je weet nog steeds niet veel meer dan voorheen.

3. Wat ontdekten ze? (De drie experimenten)

Experiment 1: Hoe lang is het stukje tekst?

• Vergelijking: Het is alsof je een zin probeert te lezen.
• Resultaat: Als je maar 10 letters hebt ("A C T..."), kun je de zin niet raden. Als je 1000 letters hebt, is de zin duidelijk.
• Conclusie: Meer letters (DNA-basen) per gen is altijd goed, zolang het gen maar niet "verkeerd" is.

Experiment 2: Hoeveel stukjes puzzel?

• Vergelijking: Je hebt een perfecte foto van de puzzelstukjes (de "ware" genen).
• Resultaat: Als je 10 stukjes hebt, is het al best goed. Als je 100 stukjes hebt, wordt het net iets beter, maar het verschil is miniem.
• Conclusie: Soms is "meer" niet "beter". Als je al een goed beeld hebt, kost het toevoegen van nog 50 extra stukjes alleen maar tijd en rekenkracht, zonder dat de puzzel er echt mooier uitziet.

Experiment 3: De snelheid van verandering (De belangrijkste ontdekking!)

• Vergelijking: Sommige genen veranderen heel langzaam (zoals een oude, stenen muur), andere veranderen razendsnel (zoals een snel veranderend modeshow).
• Het probleem:
  • Te traag: De muur verandert niet. Je ziet geen verschil tussen de soorten. Geen informatie.
  • Te snel: De modeshow is zo snel veranderd dat je niet meer weet wat de oorspronkelijke outfit was. Het is een wirwar van ruis.
• De verrassing: Als je alleen de snelste en duidelijkste genen neemt (die niet te traag en niet te snel zijn), krijg je een beter resultaat dan als je alle genen meeneemt.
• De les: Het is beter om 10 goede, duidelijke getuigen te hebben dan 100 getuigen waarvan 90 in de war zijn of niets weten.

4. De echte wereld test

Ze keken ook naar echte data van vissen. Ze zagen hetzelfde patroon:

• Als ze alle 16 genen gebruikten, was het resultaat goed.
• Als ze de 5 slechtste genen (die weinig informatie gaven) weggooiden, werd het resultaat beter.
• Maar als ze te ver gingen en alleen de allerbeste 1 gen overhielden, was het resultaat weer slecht (want één getuige is niet genoeg).

De Gouden Regel voor de Toekomst

De auteurs geven een simpel advies voor wetenschappers die stambomen maken:

"Kwaliteit boven kwantiteit."

In plaats van blindelings duizenden genen in de computer te gooien (wat veel rekenkracht kost), moeten we eerst kijken: "Welke genen vertellen ons echt iets?"

• Gooi de "fluisterende" (te traag) en de "brabbelende" (te snel/verkeerd) genen weg.
• Houd alleen degenen over die duidelijk en informatief zijn.

Samengevat:
Het is alsof je een team samenstelt voor een project. Je wilt niet 100 mensen die half slaperig zijn of die elkaar tegenwerken. Je wilt liever 20 mensen die scherp, alert en productief zijn. Door de "slechte" data weg te halen, wordt de stamboom niet alleen sneller te berekenen, maar vaak ook correcter.

Technische samenvatting

Probleemstelling

De huidige era van fylogenomica wordt gekenmerkt door een overvloed aan genomische data, maar ook door de realisatie dat verschillende delen van het genoom verschillende fylogenieën kunnen vertonen (incongruentie). Een veelvoorkomende oorzaak hiervan is Incomplete Lineage Sorting (ILS), waarbij diepe coalescenties in genbomen optreden. Hoewel het Multispecies Coalescent (MSC) model ILS kan accommoderen, zijn Bayesiaanse implementaties beperkt door de beschikbare rekenkracht bij het verwerken van zeer grote datasets.

Er bestaat een fundamentele vraag: leidt het toevoegen van meer data (meer loci of langere sequenties) altijd tot een betere schatting van de soortenboom? Bestaande studies suggereren dat meer loci de resolutie verbeteren, maar ze houden geen rekening met de informatiewaarde van de data. Soms kunnen loci met hoge variatie door saturatie (meerdere substituties per site) weinig informatie bevatten, terwijl loci met lage variatie (maar lange sequenties) juist zeer informatief kunnen zijn. Er is dus behoefte aan richtlijnen voor het selectief subsamplen van loci om de reken-efficiëntie te maximaliseren zonder de nauwkeurigheid van de soortenboom te verliezen.

Methodologie

De auteurs introduceren en toepassen een nieuwe maatstaf voor fylogenetische informatiewaarde (I) die specifiek is ontworpen voor soortenbomen, in plaats van alleen voor genbomen.

1. Definitie van Informatiewaarde:
   De methode schat de reductie in de "ruimte van bomen" (tree space) die wordt ingenomen door een steekproef uit de posterior (geschatte bomen) ten opzichte van een steekproef uit de prior (aannames vooraf).

   • De methode berekent het gemiddelde boom (mean tree) voor zowel de posterior- als de prior-steekproef.
   • Er wordt de geodesische afstand (in de BHV-ruimte, Billera-Holmes-Vogtmann) berekend tussen het gemiddelde boom en elke individuele boom in de steekproef.
   • De straal ($R$) van een hypersfeer die de dichtstbijzijnde 95% van de bomen om het gemiddelde boom omvat, wordt bepaald.
   • De informatiewaarde wordt berekend als:
     $$I = \left( \frac{R_{prior} - R_{post}}{R_{prior}} \right) \times 100$$
   • Een grote reductie in straal (kleine $R_{post}$) duidt op hoge informatiewaarde. De methode houdt rekening met zowel topologie als taklengtes.

2. Experimenten:
   De auteurs voeren drie simulatie-experimenten uit en één toepassing op een empirische dataset:

   • Experiment 1 (Aantal sites per locus): Simulatie van datasets met variërende lengtes (10, 100, 1000 sites en oneindig) onder verschillende omstandigheden van ILS (diepte van coalescentie).
   • Experiment 2 (Aantal loci): Analyse met een variërend aantal loci (10 tot 100), waarbij gebruik wordt gemaakt van ware genbomen om schattingsfouten uit te sluiten.
   • Experiment 3 (Variatie in evolutiesnelheid tussen loci): Simulatie van 100 loci met verschillende relatieve evolutiesnelheden. De auteurs filteren loci op basis van een drempelwaarde voor informatiewaarde (cutoff) om te zien of het verwijderen van minder informatieve loci de soortenboom verbetert.
   • Empirische toepassing: Analyse van een dataset van teleost vissen (22 soorten, 16 loci) waarbij loci worden gefilterd op basis van hun berekende informatiewaarde.

3. Software:
   Gebruik werd gemaakt van SMC (Sequential Monte Carlo) voor het bemonsteren van soortenbomen onder het MSC-model en RevBayes voor genboom-schattingen.

Belangrijkste Resultaten

• Experiment 1 (Datahoeveelheid): Wanneer data informatief is, leiden meer sites per locus tot een betere soortenboom. De grootste winst werd geboekt bij het verhogen van 10 naar 100 sites. Echter, zelfs met oneindig veel sites per locus, is met slechts 10 loci geen perfecte nauwkeurigheid haalbaar bij hoge niveaus van ILS.
• Experiment 2 (Aantal loci): Meer loci leiden over het algemeen tot hogere informatiewaarde en nauwkeurigheid. Er is echter sprake van afnemende meeropbrengst: de verbetering tussen 30 en 100 loci is marginaal vergeleken met de verbetering tussen 10 en 30 loci. Dit suggereert dat na een bepaald punt extra data weinig praktische meerwaarde heeft voor de nauwkeurigheid, maar wel rekenkracht kost.
• Experiment 3 (Filteren op informatiewaarde):
  • Loci met zeer lage evolutiesnelheden hebben weinig informatie door een gebrek aan variabele sites.
  • Loci met zeer hoge snelheden kunnen door saturatie ook minder informatief worden.
  • Cruciaal resultaat: Het verwijderen van de minst informatieve loci (bijvoorbeeld door een cutoff van 70% informatiewaarde) leidde tot de hoogste nauwkeurigheid van de soortenboom, ondanks dat er minder loci overbleven. Het gebruik van alle loci (inclusief de zeer oninformatieve) resulteerde in een lagere nauwkeurigheid.
• Empirische dataset: Het verwijderen van de minst informatieve loci (tot een cutoff van 30-40%) verhoogde de informatiewaarde van de soortenboom. Het verwijderen van te veel loci (alleen de top 1 of 6 loci) leidde echter tot een daling in informatiewaarde, wat aantoont dat er een balans nodig is; te weinig data is ook schadelijk.

Bijdragen en Significantie

1. Nieuwe Meting: De paper introduceert een robuuste, Bayesiaanse maatstaf voor informatiewaarde die zowel topologie als taklengtes omvat en specifiek is voor soortenbomen, in tegenstelling tot eerdere methoden die zich richtten op genbomen of alleen topologie.
2. Paradigmaverschuiving: De resultaten weerleggen het idee dat "meer data altijd beter is". De auteurs tonen aan dat het toevoegen van oninformatieve loci (bijvoorbeeld langzaam evoluerende of zeer korte sequenties) de nauwkeurigheid van de soortenboom kan verminderen.
3. Praktische Richtlijnen:
   • Voor methoden die genbomen schatten (zoals StarBEAST3, ASTRAL, en de gebruikte SMC), wordt aanbevolen om eerst de informatiewaarde van loci te beoordelen en loci met zeer lage informatie te verwijderen.
   • Dit optimaliseert de reken-efficiëntie zonder in te boeten aan nauwkeurigheid, en kan zelfs de nauwkeurigheid verbeteren.
   • Voor zeer korte of oninformatieve loci wordt overwogen om site-gebaseerde methoden (zoals SVDQuartets) te gebruiken die geen individuele genbomen hoeven te schatten.
4. Conclusie: De kwaliteit van de data (informatiewaarde) is belangrijker dan de kwantiteit. Een gefilterde dataset van hoog-informatieve loci levert vaak een betere soortenboom op dan een volledige, ongefilterde dataset.

De studie biedt een wetenschappelijke onderbouwing voor het strategisch subsamplen van fylogenomische datasets, wat essentieel is voor schaalbare en nauwkeurige Bayesiaanse fylogenetische analyses in de moderne genomica.