Direct estimation of genotype fitness from time series

想象一座繁忙的城市，数以百万计微小且隐形的公民正在不断地变换职业、搬迁居住地并竞争资源。在生物学世界中，我们将这种优势称为“适应度”（fitness）。当一群细菌、酵母或病毒进行进化时，这就像是在观察一场混乱且高速进行的比赛：跑得最快的选手正奋力冲刺，但比赛过程却极其杂乱——会有突发的交通拥堵、随机发生的事故，并且每秒钟都有新的选手加入赛道。科学家们长期以来一直想知道，仅仅通过观察看台上的比赛，就能准确判断出每个选手的真实速度。如果他们能弄清楚谁才是真正的速度冠军，他们就能预测病毒如何变得更强，或者癌症如何战胜药物。挑战在于，这场比赛充满了噪音、拥挤和意外，使得仅凭观察人群就难以测量出每一个选手的真实速度。

这正是 Vaibhav Mohanty 和 Eugene I. Shakhnovich 在他们的新论文中所解决的谜题。他们发现了一个令人惊讶的简单数学技巧——一个“闭合形式公式”（closed-form formula）——它就像是一个神奇的解码环，专门用于破解这些进化竞赛。这种方法不需要依赖复杂的、通过不断猜测和尝试来寻找答案的慢速计算机模拟，而是使用一套直观的矩阵运算（可以理解为一种特定的数字组织方式），能够仅通过观察人群的延时视频，瞬间计算出每个基因型（即每个选手的独特遗传“身份证”）的适应度。他们在四种不同类型的进化竞赛计算机模拟中测试了该方法，发现其准确度惊人，即使是那些在人群中几乎不可见的稀有选手也表现出色。随后，他们将此应用于来自酵母实验、小鼠病毒以及全球 SARS-CoV-2 传播的真实数据。结果显示，这个简单的公式重建适应度景观（fitness landscape）的可靠性与复杂得多的方法不相上下，这证明了理解进化的速度并不总是需要超级计算机；有时，你只需要一个正确的方程。

生命的竞赛与人群中的噪音

为了理解为什么这件大事如此重要，让我们看看进化通常是如何运作的。想象一下，将一群细菌视为一个巨大且嘈ul的体育场，里面挤满了人。每个人都持有一张略有不同的门票（基因型）。有些是“金票”，让持有者跑得更快、繁殖更多；而另一些则是“铜票”，让持有者跑得更慢。在一个完美、安静的世界里，金票持有者会迅速占领整个体育场，我们也能轻易看出谁在领先。这就像是两个选手之间的简单比赛，其中一人明显更快。

但在现实生活中，情况很少如此简单。现实世界的体育场是混乱的。不断有带着随机新门票（突变）的新人进入。有时，人群过于拥挤，导致快速的跑者互相碰撞从而减速（克隆干扰）。有时，一阵随机的阵风会让一个慢跑者仅仅因为运气好而冲到前面（遗传漂变）。而且，由于我们无法完美地统计每一个人的数量，我们观察体育场的视角往往是模糊的（抽样噪声）。

几十年来，科学家们一直试图通过观察人群随时间的变化来确定每张门票持有者的速度。问题在于，当你同时有成千上 Grundstück 个不同的跑者在竞争时，数学计算会变得极其复杂。大多数现有方法试图通过做出巨大的假设来解决这个问题，比如“让我们假定跑者只以两两配对的方式进行互动”或者“让我们假定噪音不会太严重”。另一些方法则使用强大的计算机运行数百万次猜测，试图找到最匹配的结果，但这既耗时又需要大量的技术知识。

神奇公式

Mohanty 和 Shakhnovich 提出了一个不同的问题：是否存在一种方法，可以在不做那些简化假设的情况下穿透噪音？他们从一个经典的群体遗传学方程（Kimura 方程）出发，该方程描述了频率如何受选择、突变和随机噪声的影响。通常，由于存在随机噪声项，这个方程是一个难以求解的噩梦。

然而，作者意识到，如果你观察种群随时间变化的“平均”行为，并且将数据视为一个巨大的数字网格（矩阵），你就可以剥离掉其中的复杂性。他们推导出了一个看起来像这样的简单公式：

$$\text{估计适应度} \propto \text{基因型相关性矩阵的伪逆} \times \text{频率变化}$$

用通俗的话说，他们的方法提取了每个时刻谁在哪里以及在何处的信息，将其组织成一张巨大的表格，然后使用一种被称为“伪逆”（类似于一种逆向工程计算器）的标准数学工具，来推算出每个基因型的适应度“必须”是多少，才能产生那种特定的运动模式。

这种方法的精妙之处在于，它并不关心相互作用有多复杂。它不假设突变仅以两两配对的形式发生，也不假设环境是安静的。它只是观察数据并得出结论：“如果种群这样移动，那么这些速度才是合理的。”

测试解码环

为了验证这个神奇公式是否真的有效，作者不仅是在做猜测，而是让它经受了严苛的考验。

1. 模拟实验室：
首先，他们在计算机中创建了四种不同类型的虚拟进化竞赛：

• Wright-Fisher 模型： 一个经典模型，其中下一代是当前一代的随机样本。
• Moran 模型： 一种个体通过一对一竞争来取代彼此的模型。
• ProSeD 模型： 模拟在实验室中被稀释并生长的细菌。
• Fit-Seq2.0 模型： 模拟在培养液中生长的带有条形码的细胞。

在所有这些模拟中，作者都知道“地面真相”（ground truth）——他们确切知道每个虚拟基因型预设的速度。然后，他们将这些模拟产生的带有噪声、杂乱的时间序列数据输入到公式中。结果如何？该公式以惊人的准确度重建了适应度景观。即使是那些极其罕见的基因型（在数百万个个体中仅出现几次），该公式仍能正确推测其速度。真实速度与估计速度之间的相关性通常高于 0.95，这在统计学领域是一个非常高的分数。

2. 现实世界测试：
接下来，他们将该方法应用于真实数据，而在这些数据中，真实的速率是未知的。他们研究了：

• 酵母： 两项关于带有不同条形码的酵母在不同液体中生长的实验。
• 小鼠诺如病毒 (MNV-1)： 在小鼠体内进化的病毒，包括存在和不存在试图阻止病毒的抗体的情况。
• SARS-CoV-2： 关于不同冠状病毒变异株在全球范围内随时间传播的全球数据。

在这些案例中，他们将自己的结果与其它科学家使用复杂得多的方法所做的最佳估计进行了对比。他们的简单公式几乎完美地匹配了这些复杂方法。对于酵母和病毒数据，相关性非常强，这表明该公式可以提取出同样关键的信息，而无需耗费数小时的计算机处理时间，也不需要对突变的相互作用做出限制性假设。

这为什么重要

这项发现最令人惊讶的部分在于，尽管该公式忽略了“遗传漂变”的噪音（即通常使进化难以预测的随机波动），但它依然有效。作者发现，通过观察不同基因型随时间变化的“相关性”，自然选择的信号会在噪音中脱颖而出，即使是在有限种群中也是如此。这就像是在一个混乱的人群中，你可能看不清每一个单独的跑者，但如果你观察整个群体的移动方式，你就可以通过数学推导出每个人的精确速度。

这种方法也非常实用。虽然其他方法需要复杂的软件、迭代优化（猜测与尝试）以及深厚的编程技能，但这种全新的公式可以在标准的电子表格（如 Microsoft Excel）中运行，或者只需几行 Python 代码即可完成。它将一个通常需要超级计算机才能解决的问题，变成了一个高中生用笔记本电脑就能解决的问题。

总结

Mohanty 和 Shakhnovich 不仅仅是找到了一种衡量适应度的新方法；他们还证明了进化的数学比我们想象的要简单得多。通过使用直接的闭合形式方程，他们可以从时间序列数据中推断出基因型的适应度，而无需了解突变的精确细节或种群规模，也不需要对复杂的相互作用做出猜测。

他们认为，这一工具可能会成为进化生物学家、微生物学家和公共卫生专家的游戏规则改变者。无论你是在实验室中追踪病毒，还是在全球范围内监测大流行病，这个公式都提供了一种快速、准确且简便的方法，让你理解谁正在赢得生命的竞赛，以及为何能赢得。它将进化的混乱噪音转化为清晰、可读的适应度地图，证明了有时最强大的工具往往是最简单的。