💻 bioinformatics

Generative continuous time model reveals epistatic signatures in protein evolution

本文引入了一种由生成式 Potts 模型参数化的连续时间蛋白质进化模型来模拟上位效应，揭示了虽然上位效应会减缓整体进化过程并导致对进化距离的系统性低估，但由于上下文依赖的速率异质性，它并不会改变平均位点特异性速率。

原作者： Pagnani, A., Barrat-Charlaix, P.

发布于 2026-07-10

📖 1 分钟阅读☕ 轻松阅读

原作者： Pagnani, A., Barrat-Charlaix, P.

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

将蛋白质进化想象成一场由十亿人参与的、极其庞大且混乱的“传声筒”游戏，每当有人向下一个人传递一个变化时，整个群体的反应都取决于他们身边的邻居是谁。几十年来，科学家们一直试图预测这些蛋白质随时间变化的方式，但他们使用了一个非常简单的规则手册：他们假设蛋白质遗传密码中的每一个字母都是独立变化的，完全忽略了它们的邻居。这就像是假设一个句子中的单词无论周围有哪些词，其含义都会发生变化一样。

但这篇文章指出，这个规则手册缺失了拼图中的重要一块。作者构建了一个全新的、超级复杂的模拟器，它将蛋白质进化处理成一场连续的、实时的舞蹈，而不是一系列冻结的快照。他们使用了一个“波茨模型”（Potts model），这基本上是一个数学地图，描绘了每种氨基酸（蛋白质的构建模块）如何与每一种其他氨基酸相互作用。你可以把它想象成一个巨大的社交网络，其中每个蛋白质部分都有最好的朋友、对手，以及一些仅仅是勉强接受的人。如果你改变其中一部分，整个网络都会震动。

大惊喜：“慢动作”效应
当作者运行他们的模拟实验时，他们发现了一些奇怪的现象。尽管这个复杂且具有“社交性”的进化模型充满了这些相互作用（称为上位效应/epistasis），但蛋白质变化的平均速度看起来与旧的简单模型几乎完全一样。这就像是，无论是在独自行走还是在拥挤的人群中行走，蛋白质的平均步速似乎都保持一致。

然而，那次行走的体验却截然不同。在简单的模型中，每个人都以稳定、可预测的节奏行走。而在作者的复杂模拟中，节奏就像过山车一样。取决于蛋白质在特定时刻所处的“环境”（即它周围的伙伴），蛋白质的某些部分可能会完全冻结，而另一些部分则会全速冲刺。作者发现，这种“上下文依赖性”创造了两种类型的蛋白质位置：

“社交达人”： 这些位置的变化高度取决于它们的邻居是谁。在某种环境下，它们可能是静止不动的；而在另一种环境下，它们可能变化得非常迅速。
“孤狼”： 这些位置几乎不在乎周围是谁，它们以稳定且可预测的速率进行进化。

“时间旅行”的小故障
这里是对于试图推测历史的科学家们来说最棘手的地方。论文表明，如果你使用旧的简单模型来猜测两个蛋白质之间经过了多少时间，你几乎总是会出错。具体来说，你会低估时间。

想象一下，你正试图通过观察消耗了多少汽油来猜测一次汽车行程耗时多久。如果汽车是在拥堵的交通中行驶（复杂的、具有上位效应的世界），它消耗的汽油量可能与在开阔高速公路上行驶的汽车（简单的世界）一样多，但由于它被困在走走停停的交通中，实际花费的时间要长得多。作者的模拟显示，由于氨基酸之间的相互作用造成的这些“交通堵塞”，蛋白质积累相同数量的变化需要更长的时间。如果你忽略了交通状况，你会认为旅程很短，而实际上它很长。

我们有多确定？
作者并不仅仅是靠猜测，他们利用真实的蛋白质家族（如“响应调节因子”和“β-内酰胺酶”）运行了数千次计算机模拟。他们从1,000个真实的自然序列开始，观察它们在模拟的20个单位时间内如何进化。他们发现，虽然简单模型在“孤狼”位置的表现尚可，但在预测“社交达人”位置的行为时却完全失效。

论文明确排除了这样一种观点，即这些相互作用只是可以忽略的次要细节。他们认为，虽然平均速度看起来是一样的，但其背后的机制有着本质的区别。他们还指出，虽然他们的结果是基于使用特定算法（吉尔萨皮算法/Gillespie algorithm）的模拟，且他们模型的“能量”是功能约束与统计模式的结合，因此他们不能百分之百地断言他们看到的每一个相互作用都纯粹源于生物学功能，尽管这很可能起到了主要作用。

核心结论
主要发现是，上位效应（蛋白质的“社交”本质）起到了进化的刹车作用，以一种简单模型无法察觉的方式减缓了进化速度。这导致了一种系统性误差，即科学家会认为两个蛋白质在时间上的关系比实际情况更接近。作者建议，为了获取真实的生命史，我们不能再把蛋白质的部分视为独立的孤岛，而应该将其视为一个拥挤且相互关联的城市，在这里，邻居始终至关重要。

技术摘要：生成式连续时间模型揭示蛋白质进化中的上位效应特征

问题陈述
蛋白质进化从根本上受上位效应（epistasis）的影响，即突变的适应度效应取决于序列上下文。标准的系统发育方法通常假设位点是独立进化的，这种简化忽略了普遍存在的相互作用。虽然现代生成模型（如 Potts 模型）能够成功捕捉上位效应并生成功能性序列，但这些模型在历史上一直依赖于离散时间的蒙特卡洛采样。这种离散方法为与基于连续时间马尔可夫链（CTMC）且利用预期每个位点替换数作为分支长度的传统进化生物学框架进行集成制造了障碍。因此，目前缺乏能够模拟真实的、由上位效应驱动的蛋白质进化，同时又能与传统系统发育模型直接对比的工具。

方法论
作者引入了一种由生成式 Potts 模型参数化的连续时间序列进化模型。其核心方法包括：

模型定义： 平衡分布 $P_{eq}(a)$ 由通过 bmDCA 算法从多序列比对中推断出的场（ $h$ ）和耦合（ $J$ ）构成的 Potts 模型定义。该分布捕捉了单位点频率和成对相关性（上位效应）。
连续时间动力学： 为了弥合与系统发育学的差距，作者将进化公式化为 CTMC。他们采用 Gillespie 算法来模拟轨迹。通过构建满足关于 $P_{eq}$ 细致平衡（detailed balance）的转移速率矩阵 $Q$ （使用了 Glauber 动力学，尽管也测试了 Metropolis 或突变-选择等其他动力学，发现其定性结果相似）。
速率缩放： 应用一个缩放因子 $\Omega$ 到时间参数 $t$ ，使得每个位置的平均替换速率为 1。这确保了时间单位直接对应于系统发育推断中使用的分支长度。
比较框架： 该模型应用于特定的蛋白质家族（例如 PF00072，响应调节器），并与两个基准进行比较：剖面模型（profile model，保留了位点特异性频率但假设独立性）和标准替换模型（如 LG+G4）。

主要贡献与结果
研究提供了关于上位效应如何改变进化动力学的定量见解：

生成准确性： 在连续时间 Potts 模型下模拟的轨迹所产生的序列，在单位点频率、成对相关性和主成分投影方面，与天然序列在统计上是无法区分的。相比之下，剖面模型和标准替换模型在长期的进化时间内无法维持这些高阶统计特性，往往会生成具有高统计能量（表明可能缺乏功能性）的序列。
上位效应减缓进化： 上位效应的存在显著减缓了分化速率。虽然每个位点的平均替换速率在 Potts 模型和剖面模型之间是相似的，但 Potts 模型需要更长的进化时间才能达到与祖先序列特定的汉明距离（Hamming distance）。这归因于可及突变的集合更加受限，以及在上位效应景观中反向突变的频率更高。
上下文相关的速率异质性： 一个核心发现是，虽然平均位点特定进化速率 $\langle R_i \rangle$ 在上位效应模型和非上位效应模型之间几乎相同，但上下文相关速率 $R_i^C(a_{\setminus i})$ 却存在巨大差异。
- 某些位置在特定上下文中是“冻结”的（速率接近零），但在其他上下文中则具有高度的可进化性。
- 其他位置的进化则独立于上下文。
- 作者开发了一种排名方法，根据其上下文相关速率的方差来识别位点。他们发现，高度上下文相关的位点通常在结构上聚集（例如，在结合界面处），而上下文无关的位点则表现出无结构聚集特征。
进化距离推断中的系统性偏差： 当使用标准位点独立模型（如剖面模型）在由上位效应 Potts 模型生成的数据上推断进化距离时，存在对真实进化时间的系统性低估。
- 这种偏差并非均匀分布；对于起始于“缓慢”上下文（低能量、高约束序列）的序列，偏差显著更强。
- 这种偏差主要是由高度上下文相关的位点子集驱动的。当推断仅限于上下文无关位点时，这种偏差基本消失。
- 在四分类树实验中，这导致了分支长度和树直径的低估，特别是对于根植于慢进化上下文的树。

意义
本文声称弥合了现代蛋白质生成模型与经典系统发育学之间的鸿沟。通过将上位效应进化公式化为连续时间过程，作者提供了一个可以模拟与标准系统发育单位兼容的真实进化轨迹的工具。这项工作证明，忽视上位效应不仅影响进化速率的方差，还会引入系统性的时间推断偏差。具体而言，它揭示了标准方法在处理存在上位效应的序列时，会低估序列发生分化的所需时间，尤其是在受到强功能约束的序列中。这表明，当前的系统发育重建可能在系统性地压缩分支长度，并扭曲对进化辐射时机的感知，特别是在受到强功能约束的演化支中。作者将这项工作定位为迈向更真实的分子进化模型的重要一步，也是修正系统发育推断偏差的基础。

类似论文