DGM Is Dead; Long Live DGM-Star! A Quantization-Theoretic Approach to Gamma Rate Discretization

Het leven laat een verslag van zijn geschiedenis achter in het DNA van elk levend wezen, een moleculair archief dat wetenschappers lezen om de stamboom van het leven te reconstrueren. Om dit archief betekenis te geven, moeten onderzoekers rekening houden met het feit dat mutaties niet met een constante snelheid over een genoom plaatsvinden; sommige plekken veranderen snel, terwijl andere standvastig statisch blijven. Decennialang was de standaardmanier om deze ongelijke snelheid in computermodellen te behandelen het opdelen van het bereik van mogelijke snelheden in een paar gelijke segmenten, waarbij aan elk segment een representatieve gemiddelde snelheid wordt toegewezen. Deze benadering, bekend als het discrete Gamma-model, is al dertig jaar het werkpaard van de evolutionaire biologie en stelt wetenschappers in staat om te schatten hoe lang geleden soorten uiteen zijn gegaan en hoe hun families verwant zijn. Echter, een nieuwe analyse suggereert dat deze langlopende methode een verborgen fout bevat die de tijdlijn van de evolutie systematisch vervormt, waardoor takken op de stamboom van het leven langer lijken dan ze in werkelijkheid zijn.

Een team van onderzoekers heeft nu een betere manier voorgesteld om deze snelheidscategorieën in te delen, een methode die zij DGM-Star noemen. Door een wiskundig kader toe te passen dat normaal gesproken gereserveerd is voor het comprimeren van digitale signalen, hebben zij een nieuwe regel gecreëerd voor het toewijzen van snelheden die de bias uit de oude methode verwijdert. In tests met gesimuleerde DNA-sequenties verminderde hun nieuwe aanpak de fout in de geschatte taklengtes met wel twintig keer vergeleken met de standaardmethode, met name bij het werken met grote bomen waar de evolutionaire stappen zeer kort zijn. Waar de oude methode de neiging heeft de tijdlijn uit te rekken, houdt de nieuwe methode deze accuraat, wat een 'drop-in' vervanging biedt die wetenschappers onmiddellijk kunnen gebruiken zonder hun bestaande software te wijzigen.

Het verhaal begint met het besef dat evolutie geen uniform proces is. Wanneer wetenschappers naar de genetische code kijken, zien ze dat sommige letters frequent veranderen terwijl andere zelden bewegen. Om dit te modelleren, gebruiken ze een statistische vorm genaamd een Gamma-verdeling, die beschrijft hoe deze snelheden variëren. Omdat computers niet gemakkelijk kunnen rekenen met een continue, vloeiende curve van oneindige mogelijkheden, is de standaardpraktijk geweest om deze curve in een reeks bakjes, of categorieën, te verdelen. De traditionele methode, gevestigd in de jaren 1990, verdeelt de curve zo dat elk bakje een gelijk aantal datapunten bevat, en wijst vervolgens een enkele gemiddelde snelheid toe om het hele bakje te vertegenwoordigen. Deze "gelijkwaardige kans"-benadering (equiprobable) is decennialang de standaardinstelling geweest, gebruikt in alles van het bestuderen van oude virussen tot het traceren van de oorsprong van moderne soorten.

Onlangs hebben een groep wetenschappers onder leiding van Ferretti en collega's echter aangetoond dat deze standaardmethode fundamenteel gebrekkig is. Zij toonden aan dat wanneer de ware evolutionaire snelheden een continue curve volgen, het traditionele compartimenteringssysteem consequent de lengte van de takken op de evolutionaire boom overschat. In simpelere termen: het model vertelt onderzoekers dat soorten gedurende langere perioden zijn geëvolueerd dan ze in werkelijkheid hebben gedaan. Deze fout is geen kleine glitch; het kan leiden tot onjuiste conclusies over wanneer soorten uiteen gingen en hoe ze verwant zijn. De onderzoekers ontdekten dat deze bias zo hardnekkig is dat het simpelweg toevoegen van meer bakjes aan het model de fout niet oplost; in sommige gevallen maakte het toevoegen van meer categorieën de fout zelfs erger.

In reactie op deze ontdekking zetten de auteurs van het nieuwe artikel zich in om een oplossing te vinden die de computationele snelheid van de oude methode behoudt terwijl de nauwkeurigheid wordt verbeterd. Ze wenden zich tot een vakgebied binnen de wiskunde genaamd kwantisatietheorie, dat gaat over hoe men een continu signaal het beste kan vertegenwoordigen met een beperkt aantal discrete waarden. In plaats van de bakjes in gelijke grootte te dwingen, ontwierpen zij een nieuw algoritme dat de specifieke grenzen en representatieve snelheden vindt die het beste overeenkomen met de onderliggende realiteit van de data. Zij testten deze nieuwe methode, die zij DGM-Star noemden, tegenover de oude standaard en een complexer alternatief bekend als FreeRate.

De resultaten waren opmerkelijk. In simulaties waarbij het ware antwoord bekend was, produceerde de nieuwe DGM-Star-methode taklengtes die bijna perfect accuraat waren, waarbij de bias met een factor twintig werd verminderd ten opzichte van de standaardmethode. De verbetering was het meest spectaculair in grote bomen met korte takken, een veelvoorkomend scenario in realistische studies naar snel evoluerende organismen zoals virussen. De onderzoekers testten hun methode ook op een enorme dataset van HIV-1-sequenties, een echte collectie genetische data van duizenden patiënten. Ook hier corrigeerde de nieuwe methode de neiging van het oude model om de evolutionaire afstanden uit te rekken, waardoor de schattingen dichter bij wat werd waargenomen bij het analyseren van kleinere subsets van de data kwamen te liggen.

Interessant genoeg bracht de studie ook een beperking aan het licht die alle huidige methoden treft. Wanneer de evolutionaire takken extreem lang zijn, wat betekent dat de soorten al zeer lange tijd van elkaar gescheiden zijn, begint zelfs de nieuwe DGM-Star-methode, samen met het complexe FreeRate-model, de lengte van de takken te onderschatten. Dit suggereert dat hoewel de nieuwe methode het probleem van overschatting in de meeste praktische scenario's oplost, de uitdaging van het modelleren van zeer diepe evolutionaire tijd een open vraag blijft. Desalniettemin stellen de auteurs dat hun nieuwe aanpak robuust genoeg is om de oude standaard onmiddellijk te vervangen. Het is al beschikbaar in de belangrijkste softwareprogramma's die door evolutionaire biologen worden gebruikt, waardoor onderzoekers kunnen overstappen op een nauwkeuriger model zonder nieuwe technieken te hoeven leren of te wachten op toekomstige updates.

De betekenis van dit werk ligt in het vermogen om een decennia oude fout te corrigeren zonder de snelheid op te offeren die grootschalige analyse mogelijk maakt. Door te verfijnen hoe we de continue stroom van evolutie vertalen naar de discrete stappen die een computer kan begrijpen, hebben de onderzoekers een instrument geleverd dat de stamboom van het leven scherper stelt. De nieuwe methode vereist geen volledige herziening van de bestaande praktijken; het biedt simpelweg een betere manier om de taart te snijden, waardoor wordt gewaarborgd dat de geschiedenis die in onze genen geschreven staat, met grotere getrouwheid wordt gelezen. Zoals de auteurs opmerken, suggereert deze verschuiving dat de oude methode moet worden gepensioneerd, niet omdat deze nutteloos was, maar omdat er nu een beter, nauwkeuriger alternatief klaarstaat om haar plaats in te nemen.