Direct whole-plastome alignment systematically inflates long-branch artifacts in chloroplast phylogenomics: a 468-paper audit and three-method reanalysis

Planten dragen een kleine, zelfvoorzienende bibliotheek van genetische instructies in hun chloroplasten, de groene organellen die zonlicht omzetten in voedsel. Decennialang hebben wetenschappers deze bibliotheken gebruikt om de stamboom van het plantenrijk te traceren, waarbij ze ontdekken welke soorten nauw verwant zijn en welke verre neven zijn. De standaardmethode om dit te doen, houdt in dat men de genetische code uit specifieke, stabiele delen van de bibliotheek neemt, deze zij aan zij legt met dezelfde delen van andere planten, en op verschillen zoekt om hun geschiedenis in kaart te brengen. Deze methode werkt goed omdat het de genetische code behandelt als een reeks afzonderlijke hoofdstukken, wat ervoor zorgt dat de vergelijking eerlijk en nauwkeurig is. Echter, de volledige genetische bibliotheek heeft een complexe structuur, met secties die tussen verschillende soorten kunnen omdraaien, wisselen of van lengte kunnen veranderen. Wanneer onderzoekers proberen de volledige bibliotheek in één keer uit te lijnen, in plaats van alleen de stabiele hoofdstukken, riskeren ze het geforceerd bij elkaar brengen van niet-overeenkomstige secties, wat een vals beeld geeft van hoe de planten aan elkaar verwant zijn.

Een recente studie door Zhi-Jie Xu van de Donghua Universiteit onderzocht hoe vaak deze afkorting van het uitlijnen van volledige genetische bibliotheken voor fouten zorgt. De onderzoeker bestudeerde 468 wetenschappelijke artikelen die werden gepubliceerd tussen eind 2023 en eind 2026 en die chloroplastgenomen gebruikten om stambomen van planten op te stellen. Het doel was om te zien of de algemene praktijk van het uitlijnen van hele genomen systematisch misleidende resultaten veroorzaakte, specifiek door sommige takken van planten kunstmatig lang en afstandelijk van hun verwanten te laten lijken. Door de analyse van de meest verdachte gevallen opnieuw uit te voeren met drie verschillende, nauwkeurigere methoden, vond de studie dat de afkorting inderdaad voor problemen zorgde. In ongeveer 7,7 procent van de onderzochte artikelen verdwenen de lange, vreemde takken die in de oorspronkelijke gepubliceerde bomen verschenen, of werden ze veel korter wanneer de gegevens met striktere technieken werden geanalyseerd. Dit suggereert dat voor een aanzienlijk aantal recente studies de stamboom niet werd vervormd door de biologie van de planten, maar door de manier waarop de genetische gegevens werden uitgelijnd.

Het probleem komt voort uit de fysieke aard van het chloroplastgenoom. Het is georganiseerd in vier delen, met twee grote secties die elkaars spiegelbeeld zijn en een kleine sectie die van oriëntatie kan veranderen. Wanneer wetenschappers het genoom samenstellen uit korte DNA-fragmenten, kan de computer vaak niet bepalen in welke richting de kleine sectie wijst. Als een onderzoeker dan probeert het volledige genoom van één plant tegen dat van een andere uit te lijnen zonder deze oriëntatie te controleren, kan de computer de gedraaide sectie dwingen om overeen te komen met de niet-gedraaide sectie. Dit creëert een enorme hoeveelheid kunstmatige gaten en mismatches in de uitlijning. De computer interpreteert deze geforceerde mismatches als een enorme hoeveelheid evolutionaire verandering, wat op zijn beurt de tak die naar die plant leidt, veel langer doet lijken dan hij in werkelijkheid is. Dit fenomeen, bekend als 'long-branch attraction', kan de computer erin misleiden de plant op de verkeerde plek in de stamboom te plaatsen, door deze te groeperen met ongerelateerde soorten simpelweg omdat ze beide dezelfde uitlijningsfout delen.

Om te testen hoe wijdverspreid dit probleem was, onderzocht de onderzoeker artikelen uit een tijdschrift dat een hoog volume aan plantengenoomstudies publiceert. Van de 468 artikelen werden er 53 gemarkeerd omdat ze verdacht lange takken of vreemde boomstructuren vertoonden. Elk van deze kandidaten werd vervolgens opnieuw geanalyseerd met drie onafhankelijke strategieën. De eerste strategie volgde de gebruikelijke workflow die in de oorspronkelijke artikelen werd gebruikt: het direct uitlijnen van het hele genoom. De tweede strategie brak het genoom op in kleine, lokaal overeenkomende blokken die de natuurlijke structuur van het DNA respecteerden, waarbij de gereorganiseerde delen werden genegeerd. De derde strategie concentreerde zich uitsluitend op single-copy genen die in alle onderzochte planten aanwezig zijn, om de rommelige, variabele regio's volledig te vermijden. De resultaten waren duidelijk: in 36 van de 53 gevallen werden de oorspronkelijke lange takken gereproduceerd door de eerste methode, maar verdwenen of verkortten ze aanzienlijk wanneer de tweede en derde methode werden gebruikt. Dit bevestigde dat de oorspronkelijke bomen waarschijnlijk artefacten waren van het uitlijningsproces en geen echte biologische signalen.

De studie zocht ook dieper naar de fysieke oorzaak van deze fouten. Door de DNA-sequenties van de problematische planten met die van normale planten te vergelijken, vond de onderzoeker dat de overgrote meerderheid van de fouten gekoppeld was aan specifieke structurele problemen. In 17 gevallen was de kleine sectie van het genoom in de verkeerde richting omgedraaid, een fout die de uitlijningssoftware niet kon verwerken. In nog eens 16 gevallen had het genoom complexere herschikkingen ondergaan die de volgorde van de genen door elkaar haalden. Slechts twee gevallen waren te wijten aan de expansie van de spiegelbeeldsecties. Deze structurele diagnose bevestigde dat de fouten niet willekeurig waren; ze waren direct verbonden met hoe het DNA is georganiseerd en hoe de onderzoekers ervoor hebben gekozen het uit te lijnen. De studie merkte op dat in het jaar 2023 het percentage van deze fouten opvallend hoger was, rond de 20 procent, maar in de daaropvolgende jaren daalde naar ongeveer 6,7 procent, wat suggereert dat de gemeenschap zich langzaam bewuster wordt van het probleem, hoewel het een hardnekkig probleem blijft.

Een cruciaal aspect van de audit was het gebrek aan transparantie in de verslaglegging van deze studies. Ho hers de 36 artikelen met bevestigde fouten allemaal bijbehorende aanvullende bestanden hadden, bevatte geen van hen de werkelijke computerleesbare gegevensbestanden, zoals de uitlijningsmatrix of de specifieke regels die werden gebruikt om de boom op te bouwen. Zonder deze bestanden kunnen andere wetenschappers het werk niet controleren of de analyse herhalen om de resultaten te verifiëren. De onderzoeker betoogde dat dit een grote barrière vormt voor de wetenschappelijke vooruitgang. De technologie om deze bestanden te delen bestaat al, en het zou niet moeilijk zijn om dit te verplichten. Door de ruwe gegevens en de uitlijningsregels beschikbaar te maken, kunnen tijdschriften ervoor zorgen dat de gepubliceerde stambomen robuust en reproduceerbaar zijn. De studie concludeerde dat hoewel directe uitlijning van het hele genoom een verleidelijke afkorting is, het geen neutrale afkorting is; het blaast de schijn van evolutionaire afstand systematisch op en kan leiden tot onjuiste conclusies over de verwantschap tussen planten. Om deze valkuilen te vermijden, worden onderzoekers aangemoedigd om specifieke genen te extraheren of gebruik te maken van structureel bewuste instrumenten die de unieke architectuur van het chloroplastgenoom respecteren, en altijd te controleren op structurele omdraaiingen voordat er een boom wordt gebouwd.