基于信息论度量的分子系统发育树评估

《Journal of Molecular Evolution》:Evaluation of Molecular Phylogenetic Trees by an Information-Theoretic Metric

【字体: 大 中 小 】 时间:2026年07月28日 来源:Journal of Molecular Evolution 2.0

编辑推荐:

  理解物种间的系统发育关系是许多生物学研究的基础。基于分子数据构建系统发育树不仅对于考虑生物体的进化和分类至关重要,而且对于理解基因如何保留和传递信息(这构成了生命科学的基础)也至关重要。然而,目前难以确定哪种系统发育分析方法(包括进化模型)最适合目标序列,以及

  
理解物种间的系统发育关系是许多生物学研究的基础。基于分子数据构建系统发育树不仅对于考虑生物体的进化和分类至关重要,而且对于理解基因如何保留和传递信息(这构成了生命科学的基础)也至关重要。然而,目前难以确定哪种系统发育分析方法(包括进化模型)最适合目标序列,以及哪种生成的系统发育树最能代表潜在的进化关系。在此,研究人员提出了一种推断共同祖先序列的方法,并引入了一种信息论度量(information-theoretic metric),以提供一个统一的框架,用于基于分子序列之间的信息传递来定量比较系统发育树。研究人员的度量可以通过确定和比较不同方法生成的系统发育树中沿进化过程分子序列间信息传递的信息量(amount of information),从信息论角度评估哪个系统发育树是最优的。研究人员引入的度量将有助于理解不仅是生物体的进化和分类,还有与信息传递密切相关的生命现象。
**论文解读:基于信息论度量的分子系统发育树评估**

**研究背景与目的**

系统发育关系(phylogenetic relationships)是生物学研究的核心基础,基于分子数据构建系统发育树(phylogenetic tree)不仅有助于理解物种的进化与分类,还能揭示基因如何存储和传递信息,这是生命科学的基本问题。然而,当前存在一个关键挑战:对于给定的分子序列数据集,难以确定哪种系统发育分析方法(包括进化模型)最为合适,以及哪种方法生成的系统发育树最能准确反映真实的进化关系。常用的方法包括邻接法(neighbor-joining,NJ)、最大似然法(maximum likelihood,ML)和贝叶斯推断法(Bayesian inference,BI),它们均依赖于核苷酸或氨基酸的进化模型,但现有模型选择准则(如Akaike信息准则(Akaike information criterion,AIC)、贝叶斯信息准则(Bayesian information criterion,BIC)等)通常只在单一推断框架内有效,缺乏一个统一的度量来直接比较不同方法间的树可靠性。为了弥补这一不足,研究人员提出了一种基于信息论的度量(information-theoretic metric),旨在通过量化分子序列间信息传递的效率,为评估不同方法构建的系统发育树提供统一框架。该研究发表在《Journal of Molecular Evolution》。

**主要关键技术方法**

研究人员开发了一种基于加权汉明距离(weighted Hamming distance)的祖先序列(ancestral sequence)推断方法,用于计算系统发育树中每个内部节点(internal node)的序列,并通过计算亲本-子节点对之间的互信息(mutual information,MI)与熵(entropy)的比值,定义树中的信息量(amount of information)。研究使用了三个真实数据集:来自34种家养动物(Zhang et al., 2020)的细胞色素b(cytochrome b,CYTB)基因核苷酸序列、编码氨基酸序列以及16S rRNA基因核苷酸序列;以及来自121株人类冠状病毒(HCoV-OC43, 36株;HCoV-229E, 37株;HCoV-NL63, 48株;Tang et al., 2023)的刺突(spike,S)基因核苷酸序列和编码氨基酸序列。系统发育树分别通过NJ(使用P*R*O*P)、ML(使用RAxML-NG)和BI(使用MrBayes)方法构建,并采用简单和复杂两种进化模型。此外,进行了系统发育模拟(phylogenetic simulation),通过Yule过程生成随机树,并使用AliSim模拟序列,然后通过子树剪枝重接(subtree pruning and regrafting,SPR)操作生成扰动树,以评估度量区分真实树的能力。

**研究结果**

**1. Comparison of Phylogenetic Trees by the Information-Theoretic Metric in Real Data(基于信息论度量对真实数据中系统发育树的比较)**

研究人员通过计算不同方法构建的系统发育树的信息量,发现对于CYTB基因,BI树(GTR+G模型)的信息量最高(0.83352);对于16S rRNA基因,ML树(GTR+G模型)的信息量最高(0.84548);对于S基因,BI树(HKY模型)的信息量最高(0.96945),而ML树(GTR+G模型)的信息量明显较低(0.87192),尽管AIC和BIC推荐了复杂模型。对于CYTB蛋白,NJ树(JC模型)的信息量最高(0.95228);对于S糖蛋白,NJ树(JC+Gap模型)的信息量最高(0.98078),而ML树(JTT+G模型)的信息量较低(0.90807),同样与模型选择结果相悖。在所有数据集中,各方法构建的系统发育树的信息量均高于100个随机树的最大信息量。补充分析使用最大似然祖先序列重建(ML-ASR)时,信息量差异较小,但加权汉明距离方法显示了更大的变异性,更能凸显不同树之间的信息量差异。

**2. Performance of the Information-Theoretic Metric in Simulations(信息论度量在模拟中的性能)**

通过系统发育模拟,研究人员评估了度量区分真实拓扑的能力。对于每个模拟的真实树,与通过1、3或5次SPR操作生成的9个扰动树进行比较。结果显示,随着SPR操作次数增加,度量识别真实树为第一(Top-1)的准确率常达到1.0(100%),且这一趋势稳健,不受序列类型(核苷酸或氨基酸)、分类群数量(N=20或100)、平均分支长度(0.02或0.05)或序列长度(300/1000 nt或100/300 aa)的影响。窄的95%置信区间进一步证实了度量的统计可靠性。

**结论与讨论**

研究人员提出了一种基于信息论度量的方法,用于统一评估不同系统发育分析方法构建的树。该方法通过推断祖先序列并计算亲本-子节点之间的互信息与熵的比值,量化树中的信息量,从而判断哪个树在信息传递方面最优。研究结果表明,在真实数据中,信息量最高的树并不总是与模型选择准则(如AIC、BIC)推荐的模型一致,例如在S基因和S糖蛋白数据集中,复杂模型下的ML树因过长的内部分支导致信息量降低,这可能是由于重组或过拟合导致的伪影。模拟分析验证了该度量能有效识别真实拓扑。研究人员指出,该度量具有线性时间复杂度O(nk),适用于大规模基因组数据,为跨方法比较系统发育树提供了统一框架,有助于推动进化生物学和信息传输相关生命现象的理解。研究结论部分翻译如下:研究人员提出的方法能够推断祖先序列,并引入信息论度量,以统一方式评估哪种系统发育分析方法能构建最大化信息传递的系统发育树。该度量通过确定和比较不同方法生成的系统发育树中沿进化过程分子序列间信息传递的信息量,从信息论角度评估哪个树是最优的。该度量不仅有助于理解生物体的进化和分类,还能深入了解与信息传递密切相关的生命现象。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号