基于最大似然法的无比对系统发育估计新突破

为解决序列比对难题，研究人员开发无比对系统发育估计方法 Peafowl，结果表明其具竞争力，有重要意义。

　　在生物学的神秘领域中，物种的进化历程就像一幅错综复杂的拼图，系统发育树（phylogenetic tree）则是拼凑这幅拼图的关键工具，它能直观展现物种间的进化关系。以往，构建系统发育树的主流方法是基于序列比对，然而这种方法就像一个 “麻烦精”。在处理长序列和基因组重排等复杂事件时，它不仅耗时费力，还特别占内存，就像让蜗牛去参加马拉松，速度慢且效率低。而且，寻找最优的多序列比对（Multiple Sequence Alignment，MSA）是个计算难题，随着序列长度增加，可能的比对数量呈指数级增长，这无疑给研究人员增加了巨大的挑战。更糟糕的是，当基因组序列存在重排事件时，基于比对的方法会受到很大干扰，难以构建出准确的系统发育树。

为了突破这些困境，来自孟加拉国工程技术大学计算机科学与工程系的研究人员 Tasfia Zahin、Md. Hasin Abrar 等人开展了一项极具创新性的研究。他们提出了一种基于最大似然法的无比对系统发育树构建技术，并将其应用于软件 Peafowl（Phylogeny Estimation through Alignment Free Optimization With Likelihood）中。相关研究成果发表在《BMC Bioinformatics》上。

在研究方法上，研究人员主要采用了以下关键技术：首先，利用 Jellyfish 工具生成输入序列中的 k-mer（长度为 k 的连续子序列）列表，且支持正反向互补计数模式，让用户自主选择如何处理反向互补序列。然后，根据 k-mer 在序列中的存在与否构建二进制矩阵，通过哈希表来高效记录 k-mer 与物种的对应关系。接着，为了挑选出最适合构建系统发育树的 k-mer 长度，研究人员利用熵（entropy）的概念，计算不同 k-mer 长度对应的二进制矩阵的累积熵，选择熵值最大时对应的 k-mer 长度（记为kentropy?）。最后，将对应kentropy?的二进制矩阵输入到广泛使用的最大似然系统发育估计工具 RAxML 中，利用已有的二进制性状替代模型 BINGAMMA 来构建系统发育树。

在研究结果方面：

• 数据集与基准测试：研究人员使用了 7 个真实数据集来评估 Peafowl 的性能，包括 7 个灵长类数据集、果蝇数据集以及 AFproject 中的 5 个数据集。主要的性能评估指标是罗宾逊 - 福尔兹（Robinson Foulds，RF）距离及其归一化值（nRF），nRF 值越小，说明估计树与参考树越一致。
• k-mer 长度的选择：研究发现，在 7 个灵长类数据集和果蝇数据集中，nRF 距离最低值往往出现在熵值最高的kentropy?处。例如在 7 个灵长类数据集中，当 k 等于 9 时，nRF 距离达到最小值 0，同时熵值最大。
• 灵长类和果蝇数据集的结果：在 7 个灵长类数据集中，Peafowl 与 andi、Multi-SpaM、FFP 等方法正确重建了参考树，而 Mash、Skmer、co-phylog 等方法在重建灵长类进化关系时出现错误。在果蝇数据集中，Peafowl、Skmer 和 phylonium 获得了最低的 nRF 距离，Peafowl 和 Skmer 生成的树与参考树仅在一个分支上存在差异。
• 基于基因组的系统发育分析：在 AFproject 的基于基因组的系统发育数据集中，Peafowl 在 25 个鱼类数据集上表现出色，与 Mash 和 FSWM 一起获得了最低的 nRF 距离 0.05。但在 29 个大肠杆菌 / 志贺氏菌和 14 个植物数据集上，Peafowl 的表现不如其他方法。
• 水平基因转移（Horizontal Gene Transfer，HGT）分析：在包含大量基因组重排和水平基因转移的耶尔森菌数据集上，Peafowl 在规范计数模式下 nRF 值为 1，表现不佳。然而，当采用非规范计数模式时，Peafowl 重建的树与参考树完全相同。在 27 个大肠杆菌 / 志贺氏菌数据集上，Peafowl 的 nRF 距离为 0.17，而 co-phylog、andi 和 phylonium 等方法表现更优。
• 运行时间和内存使用：研究人员在 AMD Ryzen 9 7950X 16 核处理器、64GB 内存的机器上运行所有数据集，总结了不同数据集的运行时间和峰值内存使用情况。

研究结论和讨论部分表明，Peafowl 作为一种无比对的系统发育估计方法，成功避开了多序列比对的复杂性，结合了最大似然估计在系统发育树构建中的优点。它在部分数据集上表现出色，生成的树与参考树的 nRF 距离最低。而且在特定模式下，Peafowl 能够准确重建受到基因组重排影响的数据集的系统发育树。不过，Peafowl 也存在一些局限性，比如在物种差异较大或序列存在大量缺失区域时表现不佳，目前只能处理已组装的序列或基因组，估计的分支长度不够准确，运行速度也比基于距离的无比对方法慢。但这些不足也为未来的研究指明了方向，有望进一步改进和完善该方法。这项研究为系统发育分析领域提供了新的思路和方法，推动了无比对系统发育估计技术的发展，对深入理解物种进化关系具有重要意义。