生命科学学院张蔚课题组开发无需外类群的深度学习基因渐渗检测新方法

　　

基因树与物种树之间的拓扑不一致广泛存在，主要源于祖先多态性导致的不完全谱系分选（incomplete lineage sorting）及基因渐渗（introgression）等过程。由于渐渗是适应性演化的重要来源，准确检测与定量历史基因流事件，并鉴定受渐渗影响的基因组区域，是演化基因组学研究中的重要问题。

基于等位基因频率或系统发育关系的方法通常依赖外类群以确定祖先等位基因状态或根节点位置。然而，在实际研究中，选择合适的外类群往往具有挑战性。理想的外类群应与内群之间不存在基因流，同时具有适当的序列分化水平。当外类群与内群之间存在基因流时，基于系统发育的推断可能产生偏差，进而导致基因流事件的错误识别。因此，开发不依赖外类群的新方法，将有助于克服这一局限，提高基因流事件检测的准确与可靠性。

2026年8月27日，北京大学生命科学学院、基因功能研究与操控全国重点实验室、北大-清华生命科学联合中心张蔚教授研究组在《生物信息学简报》（Briefings in Bioinformatics）上发表了题为“ERICA-trio: an outgroup-free deep learning method for topology inference and introgression detection”的研究论文。该研究提出了一种基于深度学习、无需依赖外群的方法——ERICA-trio，用于系统发育关系推断与基因渐渗检测。该方法的表现与现有基于外群的方法相当，同时有效避免了外群选择可能引入的偏差，能够在模拟数据和真实基因组数据中准确识别适应性渐渗。研究结果也提示，深度学习框架为群体遗传学推断提供了一种灵活稳健的技术途径。

课题组前期开发了基于深度学习的ERICA算法，其可直接从序列数据推断系统发育关系。在此基础上，本研究进一步开发了无需外群信息的ERICA-trio方法，其针对包含三个内群的应用场景，对应三种可能的有根树拓扑结构。卷积神经网络以三个类群的序列比对数据为输入，以三种拓扑结构的相对比例作为标签进行训练与预测，从而推断局部基因组区域的演化关系及潜在的渐渗信号（图1）。

图1. ERICA-trio算法框架

研究利用模拟数据对ERICA-trio进行训练和评估。数据覆盖广泛的群体遗传学参数范围，以增强模型的泛化能力。结果显示，ERICA-trio与包含外类群的四类群ERICA模型具有相近的误差，且显著低于基于窗口树和祖先重组图（ARG）的相关方法，表明通过在模型训练过程中引入有根树拓扑信息，ERICA-trio方法能够有效推断类群之间的拓扑关系并确定根节点位置，而无需依赖外群序列（图2）。为模拟更接近真实基因组数据的情况，研究依次引入了缺失数据和不同的序列采样数量，并分别针对相应数据集重新训练模型。在这些复杂数据条件下，ERICA-trio均能准确推断拓扑关系（图2）。研究进一步评估了不恰当外类群的影响。结果显示即使存在内群向外类群的基因流，ERICA-trio仍能准确解析内群之间的演化关系，而依赖外类群的方法则可能产生错误的拓扑推断。

图2. ERICA-trio模型训练与评估

在基因渐渗检测方面，ERICA-trio的性能与四类群ERICA模型相近，具有与基于等位基因频率的方法相当的真阳性率，同时保持较低的假阳性率。对受到选择的渐渗信号，ERICA-trio表现出较高的检测准确率，表明其能够有效识别适应性渐渗信号（图3）。

图3. ERICA-trio方法在渐渗检测中的效果评估

最后，研究将ERICA-trio应用于袖蝶属（Heliconius）真实基因组数据，聚焦于两个诗神袖蝶（H. melpomene）亚种及其同域拟态类群（ H. timareta thelxinoe）。结果表明，物种树对应拓扑占比最高，同时支持拟态对聚类的拓扑比例显著升高，支持两类群之间广泛存在基因流。此外，包括optix、cortex/ivory和vvl等多个翅图案模式相关基因均检测到了渐渗信号，提供了适应性基因渐渗的实例（图4）。

图4. 袖蝶基因组数据分析结果

张蔚为论文通讯作者。生命科学学院博士后张宇博为论文第一作者，生命科学学院博士研究生吕韪帆也参与了该项研究。研究得到了国家自然科学基金、本源公益基金“青年PI助研金”、生物医学峰基金、北大-清华生命科学联合中心以及基因功能研究与操控全国重点实验室等的资助。