生物信息學(xué)概論第五章基于特征的系統(tǒng)發(fā)生分析

1、第五章第五章: 基于特征的系統(tǒng)發(fā)生分析基于特征的系統(tǒng)發(fā)生分析生命科學(xué)與技術(shù)學(xué)院生命科學(xué)與技術(shù)學(xué)院閻閻 愛愛 俠俠 分子系統(tǒng)發(fā)生分析主要分成三個步驟： （1）分子序列或特征數(shù)據(jù)的分析； （2）系統(tǒng)發(fā)生樹的構(gòu)造； （3）結(jié)果的檢驗。 其中，第一步的作用是通過分析，產(chǎn)生距離或特征數(shù)據(jù)，為建立系統(tǒng)發(fā)生樹提供依據(jù)。 構(gòu)成系統(tǒng)發(fā)生樹的分子數(shù)據(jù)： 特征數(shù)據(jù)特征數(shù)據(jù) 基于特征的系統(tǒng)發(fā)生分析 距離數(shù)據(jù)距離數(shù)據(jù) 基于距離的系統(tǒng)發(fā)生分析 關(guān)于進化關(guān)系的結(jié)論的一致性可以看作是對一棵系統(tǒng)發(fā)生樹的正確性的積極認可。5.1 簡約法簡約法 在生物學(xué)中，描述按照進化途徑中突變事件最少的標(biāo)準(zhǔn)來優(yōu)先選擇一個進化途徑的過程。 兩個簡

2、單假設(shè)：（1）突變是罕見事件；（2）一個模型引發(fā)了越不合理的事件，這個模型就越不可能是正確的。 因此，因此，突變最少的進化關(guān)系突變最少的進化關(guān)系就越有可能是物種之間就越有可能是物種之間真實的真實的進化關(guān)系。進化關(guān)系。4個物種三種可能的無根樹個物種三種可能的無根樹1234132414235.1.1 信息位點和非信息位點信息位點和非信息位點根據(jù)信息內(nèi)容可以分為：信息位點信息位點 (informative): 含有信息的位點 信息位點信息位點就是指能由位點產(chǎn)生的突變數(shù)目把一棵樹與其 它樹區(qū)分開來的位點;非信息位點非信息位點 (uninformative): 不含有信息的位點 不變位點不變位點 (in

3、variant): 屬于非信息位點，比較的所有序列都有同樣的核苷酸。即每一棵描述所有序列間進化關(guān)系的樹都有相同的突變數(shù)目(0)。1 GG2 GGG 3G 4(1,2)(3,4)1 GG3 GGG 2G 4(1,3)(2,4)1 GG4 GGG 2G 3(1,4)(2,3)序列位點1位點2位點3位點4位點5位點61GGGGGG2GGGAGT3GGATAG4GATCAT 圖圖5.15.1 4 4條同源序列的比對（每條序列有條同源序列的比對（每條序列有6 6個核苷酸）個核苷酸）6 6個位點構(gòu)造個位點構(gòu)造4 4個物種之間進化關(guān)系的可能無根樹個物種之間進化關(guān)系的可能無根樹不變位點不變位點序列位點1位點2

4、位點3位點4位點5位點61GGGGGG2GGGAGT3GGATAG4GATCAT1 GG2 GGG 3A 4(1,2)(3,4)1 GG3 GGG 2A 4(1,3)(2,4)1 GG4 AGG 2G 3(1,4)(2,3)不變位點不變位點非信息位點非信息位點序列位點1位點2位點3位點4位點5位點61GGGGGG2GGGAGT3GGATAG4GATCAT不變位點不變位點非信息位點非信息位點非信息位點非信息位點1 GG2 GAA 3T 4(1,2)(3,4)1 GG3 AGG 2T 4(1,3)(2,4)(1,4)(2,3)1 GG4 TGG 2A 3序列位點1位點2位點3位點4位點5位點61G

5、GGGGG2GGGAGT3GGATAG4GATCAT不變位點不變位點非信息位點非信息位點非信息位點非信息位點非信息位點非信息位點1 GG2 ATT 3C 4(1,2)(3,4)1 GG3 TAA 2C 4(1,3)(2,4)1 GG4 CAA 2T 3(1,4)(2,3)序列位點1位點2位點3位點4位點5位點61GGGGGG2GGGAGT3GGATAG4GATCAT不變位點不變位點非信息位點非信息位點非信息位點非信息位點 非信息位點非信息位點信息位點信息位點1 GG2 GAA 3A 4(1,2)(3,4)1 GG3 AGG 2A 4(1,3)(2,4)1 GG4 AGG 2A 3(1,4)(2

6、,3)序列位點1位點2位點3位點4位點5位點61GGGGGG2GGGAGT3GGATAG4GATCAT不變位點不變位點非信息位點非信息位點非信息位點非信息位點 非信息位點非信息位點信息位點信息位點信息位點信息位點1 GG2 TGG 3T 4(1,2)(3,4)1 GG4 TGT 2G 3(1,4)(2,3)1 GG3 GGT 2T 4(1,3)(2,4)T 信息位點的共同特征：信息位點的共同特征： 如果一個位點是信息位點信息位點，那么它(1)至少有兩種不同的核至少有兩種不同的核苷酸苷酸，并且(2)這些核苷酸至少出現(xiàn)兩次。這些核苷酸至少出現(xiàn)兩次。5.1.2 無權(quán)簡約法無權(quán)簡約法 最簡約樹最簡約樹

7、：考慮每個信息位點所有可能的樹，分別給每棵樹進行打分，統(tǒng)計每個位點的核苷酸最小替換數(shù)目。所有簡約信息位點簡約信息位點最小核苷酸替換數(shù)的總和最小的樹記為最簡最簡約樹約樹。 4條序列比對的例子可能是最簡單的例子： 在只包含4條序列的分析中，每個信息位點只能支持 3 棵可能的樹中的1棵，含有最多信息位點的樹就是最簡約樹最簡約樹。 5 5條或更多序列數(shù)據(jù)集的計算復(fù)雜得多。條或更多序列數(shù)據(jù)集的計算復(fù)雜得多。原因在于： 隨序列數(shù)增加，無根樹數(shù)目也增加； 每個信息位點可能有多棵樹，整個數(shù)據(jù)集的最大簡約樹不一定是含最多信息位點的樹； 每棵樹的核苷酸替換數(shù)目的計算更加困難。 n個物種可能得到無根系統(tǒng)發(fā)生樹 (N

8、u) 數(shù)目： Nu=(2n-5)!/2n-3(n-3)!下圖是描述5條不同序列之間關(guān)系的15棵可能無根樹中的3棵。這3棵無根樹有相同的簡約度，它們的最小替換數(shù)都是它們的最小替換數(shù)都是2 2。由簡約規(guī)則，推斷出的祖先的候選核苷酸分別列在每個內(nèi)部節(jié)點的旁邊。T512346789GGAAGA(GA)(GAT)(a)A123456789GGTAGA (GT) (GTA)(b)123456789GTGAAGGA(GA)( c )計算祖先核苷酸位置的算法：計算祖先核苷酸位置的算法：如果一個內(nèi)部節(jié)點的兩個直接后代節(jié)點上的核苷酸的交集非空，那么這個節(jié)點的最可能的候選核苷酸集就是這個交集； 否則為它的兩個后代節(jié)

9、點上的核苷酸集的并集。 上述方法只適用于信息位點，不適用于非信息位點。 非信息位點的最小替換數(shù)非信息位點的最小替換數(shù)：外部節(jié)點上不同核苷酸數(shù)目減去1 (與樹的拓撲結(jié)構(gòu)無關(guān)) 例如：例如： 5條序列的比對中，有一個位置上的核苷酸是 G、G、A、G和T，則最最小替換數(shù)小替換數(shù)就是 3-1=2 。 非信息位點對所有可能的樹的貢獻都是等價的，在簡約分析中往往被完全排除。 樹的長度樹的長度（length）：當(dāng)一棵樹在信息位點和非信息位點的替換數(shù)的總和是一個確定的數(shù)值時，這個數(shù)值就是指樹樹的長度的長度。5.1.3 加權(quán)簡約法加權(quán)簡約法 賦值的必要性： “突變是罕見事件” 將所有突變看成是等價的，但之前的學(xué)

10、習(xí)已經(jīng)告訴我們插入和刪除比替換可能性小；長插入和長刪除比短插入和短刪除少見；轉(zhuǎn)換概率大于顛換；功能相關(guān)的突變比無關(guān)的突變發(fā)生的概率小 因此，我們給各種突變賦予相對概率值，在簡約算法中可將這些值轉(zhuǎn)化為權(quán)值權(quán)值。我們無法得到一組適用于所有數(shù)據(jù)集的權(quán)值，原因有三：（1）一些序列比其他序列更容易插入和刪除；（2）即使是同源基因，對功能的重要性也因不同的基因、 不同的物種而有所差別；（3）不同的基因和物種有不同的替換偏好。因此，最佳的權(quán)值最佳的權(quán)值通常來自對實驗數(shù)據(jù)集的分析，可獲得的最佳實驗數(shù)據(jù)集是實際分析過的數(shù)據(jù)集。例如：例如：假如轉(zhuǎn)換出現(xiàn)頻率為顛換的3倍，那么對同一序列集的簡約分析簡約分析就可以給所

11、有的轉(zhuǎn)換替換賦權(quán)值權(quán)值 1，給所有的顛換替換賦權(quán)值權(quán)值 0.33。5.2 推斷出的祖先序列推斷出的祖先序列 簡約法簡約法最值得注意的副產(chǎn)品是分析過程中產(chǎn)生的推斷出的推斷出的祖先序列祖先序列，即使這些祖先可能在數(shù)億年前就已經(jīng)滅絕。 推斷出的樹中的內(nèi)部分支的信息位點稱作共源性狀共源性狀 （synapomorphies,幾個物種共有的遺傳狀態(tài)）。 其他信息位點稱作同形性狀同形性狀（homoplasies,），它是通過趨同進化、平行進化和逆轉(zhuǎn)進化，由物種獨立發(fā)展出來的特征，而不是從共同祖先遺傳得到的。哺乳動物嚙齒動物 例如同形性狀同形性狀共源性狀共源性狀 應(yīng)用 進化論對創(chuàng)世論的反駁 利用簡約分析推斷出

12、祖先，不僅填補了分子進化研究中空白，還能從現(xiàn)存后代序列中推斷出中間狀態(tài)；5.3 快速搜索策略快速搜索策略 即使信息位點的數(shù)目較少，用未改進的簡約法對較多序列的比對進行手工計算也是不現(xiàn)實。分析10條序列需要考慮200萬棵樹。 由于數(shù)據(jù)集十分龐大，計算困難，因此研究出一些改進的算法，不用考慮所有可能的樹就能夠方便可靠地確定最簡最簡約樹約樹。 分支約束法分支約束法 啟發(fā)式搜索啟發(fā)式搜索5.3.1 分支約束法分支約束法分支約束法分支約束法（Branch and Bound Method） 是在一個復(fù)雜的空間中進行搜索的通用技術(shù)，搜索空間以從一個分層樹的根節(jié)點至葉節(jié)點的一系列路徑表示。步驟：步驟： 為最

13、簡約樹的長度長度確定一個上限 L。 L的值可以是隨機選擇的任何一棵描述被研究物種之間關(guān)系的樹的長度。但是如果用近似最簡約的樹（例如UPGMA產(chǎn)生的樹）來建立上限更有效。 樹的生長過程，即在描述部分序列之間關(guān)系的樹中每次增加一個分支。這個方法的原理原理是：由數(shù)據(jù)子集得到的任何一棵樹，如果它的替換數(shù)替換數(shù)大于L，那么當(dāng)剩下的序列加入后，總的分支長度必定變得更大，那么原先的長度為L的樹為最簡約樹最簡約樹。如果在分析過程中，如果發(fā)現(xiàn)比初始建立的上限為L的樹替換數(shù)更少的樹，那么L的值將隨之修正，這樣余下的數(shù)據(jù)集的分析將更為有效。分支約束法搜索最簡約樹的過程分支約束法搜索最簡約樹的過程 表示 3個物種 (

14、A, B, C) 之間關(guān)系的無根樹只有1棵 (A1); 用這棵樹作為起始點，將第4個物種 (D) 插入到樹A1中，得到四個物種的 3 種無根樹 (B1, B2,B3); 如果插入后得到的樹的長度大于原來的樹，例如 B3，舍棄該樹。 繼續(xù)插入第5個物種，重復(fù)上述步驟，直到所有待分析物種都被插入到樹中。 下圖是用分支約束法搜索簡約樹的過程BACA1STOPABCDB3ABCDB2ABCDB1ABCDEABCDEABCDEABCD EABCDEABCDEABCDEABCDEABCDEABCDEC2.1C2.2C2.3C2.4C2.5STOPSTOPSTOPSTOPSTOPC1.1C1.2C1.3C1

15、.4C1.5圖圖5.4 用分支約束法搜索最簡約樹的過程用分支約束法搜索最簡約樹的過程分支約束法快速搜索策略的優(yōu)缺點分支約束法快速搜索策略的優(yōu)缺點優(yōu)點優(yōu)點： 分支約束法分支約束法保證在分析完成時沒有遺漏更簡約的樹，具有比窮舉法搜索快幾個數(shù)量級的優(yōu)點；能分析多達20條序列。缺點：缺點： 對于多于11021可能的無根樹的分析，計算量還是太大。5.3.2 啟發(fā)式搜索啟發(fā)式搜索 對大于20條序列的多序列進行比對必須采用近似的更為有效的算法。 啟發(fā)式方法的假設(shè)啟發(fā)式方法的假設(shè)：各個可能的樹并不總是相互獨立的。 最簡約數(shù)和次簡約數(shù)拓撲結(jié)構(gòu)相似，因此首先構(gòu)建一棵初始樹，從它開始尋找更短的樹。 因此啟發(fā)式搜索啟

16、發(fā)式搜索通過子樹分支交換，把它們嫁接到該步分析中找到的最好的那棵樹的其他位置上，從而產(chǎn)生一棵拓撲結(jié)構(gòu)和初始樹相似的樹。 同分支約束法一樣，如果初始樹很接近于最簡約樹（例如UPGMA產(chǎn)生的樹），啟發(fā)式搜索會更有效。圖圖5.5 分支交換分支交換再接再接12345 67剪除剪除1245673 第一輪分析中，由初始樹產(chǎn)生出上百棵新樹，其中所有比初始樹短的新樹都在第二輪分析中被剪枝剪枝和嫁接嫁接。不斷重復(fù)這個過程，直到某一輪通過剪枝剪枝和嫁接嫁接無法產(chǎn)生與前一輪等長或更短的樹。 大量序列比對的可能的無根樹的數(shù)目是一個天文數(shù)字，這種比對深度對計算造成了很大困難，把多個序列比對分成幾個較少序列的比對可以較好

17、的解決這一問題。例如：同源哺乳動物序列靈長類序列嚙齒類序列部分偶蹄、兔類、靈長、嚙齒探知樹中靈長類所在樹干的末段之間的關(guān)系確定樹中嚙齒類所在樹干的末段之間的關(guān)系檢驗更早的分支、更具體的靈長類樹干和嚙齒類樹干的最后位置5.4 一致樹一致樹 簡約法簡約法產(chǎn)生多棵等價的簡約數(shù)是很常見的。 此時最簡單的方法是用一個一致樹一致樹 (consensus tree)作為代表來概括所有等價的簡約樹。方法如下： （1）在所有樹中都一致的分支點在一致樹一致樹中表示成二叉分支點。 （2）不一致的分支點蛻變成連接三個或更多后代分支的內(nèi)部節(jié)點。嚴(yán)格一致樹嚴(yán)格一致樹 (strict consensus tree)：只要有

18、一棵簡約樹與其他不同，對所有不一致的分支點都進行相同的處理。過半截定一致過半截定一致 (50% majority-rule consensus) ：只要有至少一半的樹符合條件，這個內(nèi)部節(jié)點在一致樹中就可以表示成二叉節(jié)點，而少于一半的樹符合條件的內(nèi)部節(jié)點表示為多叉節(jié)點。不一致性閾值不一致性閾值是一個參數(shù)，可以取0 100%的任意值。由一個數(shù)據(jù)集推斷出的由一個數(shù)據(jù)集推斷出的3 3棵樹棵樹7712345612345612345671234567過半截定一致原則過半截定一致原則1234567嚴(yán)格一致原則嚴(yán)格一致原則5.5 樹的置信度樹的置信度 所有的系統(tǒng)發(fā)生樹所有的系統(tǒng)發(fā)生樹都是關(guān)于組成數(shù)據(jù)集的序列的

19、進化歷史的假設(shè)。 系統(tǒng)發(fā)生樹的可靠性? 問題：問題： （1 1）整棵樹和它的組成部分（分支）的置信度置信度是多少？ （2 2）這樣得到正確的樹正確的樹的可能性比隨機選出一棵是正確的樹的可能性大多少？ 解決方法：解決方法：自舉檢驗解決問題（1 1）參數(shù)檢驗解決問題（2 2）5.5.1 自舉檢驗自舉檢驗 (bootstrap test) 自舉檢驗自舉檢驗是一種重采樣技術(shù)，能粗略地量化這些置信度水平。 自舉檢驗的基本方法基本方法是：（1）從原數(shù)據(jù)集中抽?。ㄍ瑫r替換）部分?jǐn)?shù)據(jù)組成新的數(shù)據(jù)集。（2）用這個新的數(shù)據(jù)集 推斷 系統(tǒng)發(fā)生樹。 重復(fù)上述過程，產(chǎn)生成百上千的重采樣數(shù)據(jù)集，并同時生成對應(yīng)的自舉樹，進

20、而檢驗自舉樹對最終系統(tǒng)發(fā)生樹各個分支的支持率。在各個自舉樹中都有出現(xiàn)或大量出現(xiàn)的那些部分將具有較高的在各個自舉樹中都有出現(xiàn)或大量出現(xiàn)的那些部分將具有較高的置信度。置信度。產(chǎn)生相同分組的自舉樹的數(shù)目數(shù)目常常標(biāo)注在系統(tǒng)發(fā)生樹相應(yīng)節(jié)點的旁邊，表示樹中每個部分的相對置信度相對置信度。 系統(tǒng)發(fā)生樹的自舉檢驗系統(tǒng)發(fā)生樹的自舉檢驗序列位置推斷樹自舉樹1自舉樹2自舉樹3(a)(b)自舉樹(c) 為為3個重采樣數(shù)據(jù)集的一致樹個重采樣數(shù)據(jù)集的一致樹7567G G G G G G G A A AG G G A G G G A A AG G G T A A A A A TG A A C A A A G G TG T

21、T C A A A A A T12245557710G G G G G G A T T TG G G A T T A T T TA A A T G G A C C CT T T C T T G T T TT T T C T T A T T T3334667888G G G G G G G C C CG G G G G G T C C CG G A A A A G A A AG G T A A A T A A AG G T A A A T C C C1135556999GG G G G G A T C AGG G A G T A T C AGG A T A G A C A TGA T C A T

22、 G T A TGT T C A T A T C T123456789105.5.2 參數(shù)檢驗參數(shù)檢驗 是否一棵有 10,000 個替換的樹比另一棵有10,001個替換的樹更有可能描述序列間真實進化關(guān)系？ 比起先前提出的另一棵描述物種間進化關(guān)系的樹，最簡約最簡約樹樹是真實樹真實樹的概率會大多少? H. Kishino 和 M. Hasegawa 假設(shè)假設(shè)比對中的各個信息位點彼此獨立而且等價，并用兩棵樹的最小替換數(shù)之差 D作為檢驗統(tǒng)計量檢驗統(tǒng)計量。分別考慮每一個信息位點，按下式計算反映 D 變化程度的 V 值： 其中 n 是信息位點的數(shù)目，Di 為兩棵樹中各個信息位點替換數(shù)的差值。n1個自由度的

23、 t 檢驗檢驗可以用來檢驗空假設(shè)，即兩棵樹的替換數(shù)相等的情況：5.6 各種系統(tǒng)發(fā)生分析方法的比較各種系統(tǒng)發(fā)生分析方法的比較 無論是基于距離的系統(tǒng)發(fā)生樹重建方法，還是基于特征的系統(tǒng)發(fā)生樹重建方法，都不能保證一定能夠得到一棵描述比對序列進化歷史的真實的樹真實的樹。 一般的，對于某個數(shù)據(jù)集，如果用一種方法能推斷出正確的系統(tǒng)發(fā)生關(guān)系，那么用其他流行的方法也能得到好的結(jié)果。但是，如果模擬數(shù)據(jù)集中序列變化很大，或不同的分支變化速率不同，則沒有一種方法十分可靠。 總規(guī)則：總規(guī)則：如果用截然不同的距離矩陣法和簡約法分析一個數(shù)據(jù)集能夠產(chǎn)生相似的系統(tǒng)發(fā)生樹相似的系統(tǒng)發(fā)生樹，則這棵樹相當(dāng)可靠。5.7 分子系統(tǒng)發(fā)生分

24、析分子系統(tǒng)發(fā)生分析5.7.1 生命之樹生命之樹 序列分析序列分析提供了關(guān)于進化關(guān)系的新信息，其中最具影響力的是我們對于生命分化本質(zhì)的理解。 過去30年中涌現(xiàn)了無數(shù)用序列分析解開進化關(guān)系之謎的有趣而重要的例子。這樣的研究往往對醫(yī)學(xué)、農(nóng)業(yè)和自然保護有重要的意義。 例如：對一種傳染病治療有效的藥物可能對其他相關(guān)生物體引起的傳染病也有效；抗病因子通常容易在近緣關(guān)系的物種之間進行傳遞；一個生物體種群是否足以成為一個獨立的物種而值得特別保護。5.7.1 生命之樹生命之樹 很多年前，生物學(xué)家將所有生命分成植物和動物這兩個主要的類。 隨著越來越多生物體的發(fā)現(xiàn)，后來在細胞結(jié)構(gòu)的基礎(chǔ)上，人們把生物體分成了原核生物

25、和真核生物。 再后來，人們又提出了一些生命的基本分類，例如Whittaker的五界學(xué)說（原核生物、原生生物、植物、真菌和動物）。 20世紀(jì)70年代后期開始，DNA和RNA序列被用來解開物種之間進化歷史的主線。5.7.1 生命之樹生命之樹真核生物真核生物真細菌真細菌古細菌古細菌廣域古生界嗜泉古生界內(nèi)阿米巴蟲粘液菌動物真菌植物纖毛蟲鞭毛蟲毛滴蟲雙滴蟲小孢子蟲綠色無硫細菌革蘭氏陽性細菌嗜熱菌黃質(zhì)菌藍細菌紫色細菌圖圖5.8 無根無根“生命之樹生命之樹”用簡約法簡約法和距離矩陣法距離矩陣法處理 16SrRNA 基因序列數(shù)據(jù)，得到了無根無根“生生命之樹命之樹”。3個主要分支分別是：真核生物、真細菌和古細菌

26、。5.7.1 生命之樹生命之樹 古細菌和細菌，雖然由于它們都沒有內(nèi)膜而都被認為是原核生物，但是它們在遺傳上的差異程度就像細菌和真核一樣。 它們在表型方面的進化并不明顯，化石記錄也毫無幫助。只有把它們的核苷酸序列進行比較，才可以看出明顯差別。 其他基因的序列，包括5S核糖體RNA、大核糖體RNA和編碼一些很重要的蛋白質(zhì)的基因，都強烈支持該觀點這三個主要的進化類的劃分法是最好的。5.7 分子系統(tǒng)發(fā)生分析分子系統(tǒng)發(fā)生分析5.6.2 人類起源人類起源 用DNA序列來研究進化關(guān)系的另一個領(lǐng)域是人類進化人類進化。 與人類在大小、身體形狀、面部特征、皮膚顏色等方面的的顯著差異性相比，基因上的差異相對較小。線粒體DNA序列的分析表明兩種人群之間序列的平均差異約為0.33%，而其他的靈長類動物則表現(xiàn)出更大的差異性。例如，猩猩的兩個亞種之間的差異為5%。這表明所有的人種之間的親緣關(guān)系很近。盡管如此，不同的人群之間確實存在一些基因上的差異。5.7 分子系統(tǒng)發(fā)生分析分子系統(tǒng)發(fā)生分析 “現(xiàn)代人走出非洲理論現(xiàn)代人走出非洲理論” 在非洲的人群之間的差異比居住在不同大陸的人群之間的差異還要大，因此很多專家認為人類起源于非洲，并在非洲進行了早期的進化分歧。當(dāng)不同基因的人群在非洲進化后，一小部分人可能遷移出非洲并且發(fā)展成為其他的人群。 來自線粒體DNA 和 Y染色體 (雄性染色體)