UNIVERSITA’ DI MILANO-BICOCCAUNIVERSITA’ DI MILANO-BICOCCALAUREA MAGISTRALE IN LAUREA MAGISTRALE IN

BIOINFORMATICABIOINFORMATICA

Corso di

BIOINFORMATICA: TECNICHE DI BASE

Prof. Giancarlo Mauri

Lezione 10

Evoluzione Molecolare e Analisi Filogenetica

2

Introduzione

Problema: studio della storia evolutiva di un insieme di specie

Struttura usata per rappresentare l’evoluzione: albero evolutivo o filogenesi

Struttura ad albero in cui le foglie sono etichettate dalle specie esistenti, i nodi interni dalle specie progenitrici

Problema: dato un insieme di specie costruire un albero evolutivo

In genere struttura dell’albero e specie progenitrici sono incognite

3

Albero evolutivo

AAATGTACC

AAATGTGCC TAATGTGCC

AAAGGTACC

AAATGTACC

G T mutation

A G mutation

AAATGTGCCA T mutation

4

I passi

1. Allineamento

2. Modello di sostituzione

3. Costruzione dell’albero

4. Valutazione dell’albero

5

Allineamento

Scelta delle procedure di allineamento Dipendenza dal computer nulla, parziale o completa

Richiamo della filogenia assente, a priori o ricorsivo

Stima dei parametri di allineamento a priori, dinamica o ricorsiva

Possibile allineamento rispetto a strutture superiori

Ottimizzazione matematica statistica o non statistica

Estrazione di un insieme di dati filogenetici dall’allineamento trattamento degli indels

6

Modello di sostituzione

Matrici di sostituzione tra basi Simmetriche (reversibilità nel tempo) o no

Stazionarie o no

Tassi di sostituzione tra siti eterogenei Esempio: terzo codone più variabile dei primi due

7

Costruzione dell’albero filogenetico

Metodi basati sulla distanza L’istanza del problema è un insieme di specie e delle distanze evolutive tra esse (Matrice delle distanze)

L’obiettivo è costruire un albero che rispetti le distanze date

8

ACTGAACGTAACGC

AATGGACGTAACGC TCTGGACGTAACGC

C->T->A

A->T->A

Distanza genetica tra sequenze omologhe

Numero di sostituzioni per sito Sono sottostimate (sostituzioni convergenti, retromutazioni)

9

Unweighted Pair Group Method with Arithmetic mean (Sokal e Michener 1958)

Funziona per velocità circa costanti nelle diverse linee evolutive: relazione lineare tra distanza e tempo di divergenza

Usa un algorimo di clusterizzazione sequenziale iterativo Collega le sequenze più vicine a un antenato comune

Sostituisce le due sequenze col padre

Itera la procedura fino ad avere un solo elemento (radice)

10

UPGMA (Sokal, Michener, 1958)

Initialize

Ci = {si}, for all i.

Repeat until one cluster left:

Find two clusters Ci, Cj with

mini=1,..,n;j=1,…,n dij=(dpq)/|Ci||Cj|, pCi,

qCj

Define node k with i,j as

children, edge weight dij

Form cluster k, remove i,j clusters.

0.1 0.10.1

0.4 0.4

Problemof UPGMA

11

UPGMA - Esempio

A B C

B dAB

C dAC dBC

D dAD dBD dCD

Sia dAB il valore più piccolo; A e B vengono raggruppate e il punto di biforcazione posizionato alla distanza dAB/2

12

UPGMA - Esempio

AB C

C d(AB)C

D d(AB)D dCD

ove d(AB)C = (dAC+dBC) /2 e d(AB)D = (dAD+dBD) /2.

Sia ora d(AB)C il valore più piccolo; C è raggruppata con AB con punto di biforcazione a distanza d(AB)C/2.

Infine si raggruppa con D e la radice è posta a distanza d(ABC)D = [(dAD+dBD+dCD)/3] /2

13

UPGMA - Esempio

A

B

C

D

dAB/2

d(AB)C/2

d(ABC)D /2

14

Neighbor Joining (Saitou, Nei, 1987)

Ricostruisce l’albero senza radice che minimizza la somma delle lunghezze dei rami

Neighbors: coppia di sequenze, singole o composite, connesse attraverso un singolo nodo interno

A

B

C

D

E

15

Neighbor Joining (Saitou-Nei, 1987)

Initialize:

T={sequences}, L=T

Choose i,jL such that dij-ri-rj minimized. Rest similar to UPGMA with similar modification on edge weights to k. Here, ri, rj are the average distances from i,j to other nodes in L – to compensate long edges.

16

Neighbor joining - Esempio

Situazione iniziale:

17

Neighbor joining - Esempio

Tra le n(n-1)/2 diverse coppie si cerca quella che minimizza la somma delle lunghezze dei rami nell’albero seguente:

18

Neighbor joining - Esempio

Si itera la procedura sulla nuova stella con n-1 foglie ottenuta sostituendo ai due neighbors trovati la loro combinazione

19

Costruzione dell’albero filogenetico

Metodi basati sulle sequenze Istanza del problema : insieme di sequenze biologiche appartenenti a diverse specie

Output: albero evolutivo (con i nodi interni etichettati dalle sequenze progenitrici) di costo minimo

Punteggio di un arco := punteggio dell’allineamento ottimale delle sequenze associate ai nodi dell’arco

Punteggio dell’albero := somma dei punteggi degli archi

Caso particolare: la struttura dell’albero viene data. Ricerca sequenze progenitrici. Anche questo caso è difficile.

20

Maximum parsimony (MP - Eck, Dayhoff 66)

Rasoio di Occam: La miglior spiegazione dei dati è la più semplice

Si trova l’albero che spiega le differenze osservate col minor numero di sostituzioni

Metodo qualitativo; determina la topologia dell’albero, non la lunghezza dei rami

Molto lento. Usa branch and bound

21

MP

Siti informativi: favoriscono alcuni alberi rispetto ad altri

In generale, contengono almeno due nucleotidi ciascuno dei quali è presente in almeno due sequenze

MP è molto usato per la sua semplicità; è inadeguato per sequenze nucleotidiche, attendibile come analisi preliminare per le proteine

Genera molti alberi equivalenti

22

Maximum Likelihood (ML, Felsenstein 81)

Cerca il modello evolutivo, albero compreso, che ha la massima verosimiglianza rispetto alla produzione delle sequenze osservate

23

Maximum Likelihood

Modello di Jukes-Cantor (1969) : uguale probabilità di sostituzione (1 parametro )

Modello di Kimura (1980) (2 parametri): diversi tassi di sostituzione ( e ) da purina (A,G) a purina o da pirimidina (C,T,U) a pirimidina

Processo molto lento, per la necessità di eseguire una ricerca esaustiva su tutti gli alberi

Risultati migliori di MP nelle simulazioni

24

ML - Esempio

1 a

2 b

3 c

4 d

0

6

5

t1

t2

t3

t4

t5

t6

L = P(t5) P(t6) Pa(t1) Pb(t2) Pc(t3) Pd(t4)

25

ML - Esempio

Problema della determinazione di Pij(t)

Necessità di considerare diverse topologie e diverse lunghezze dei rami.

26

Metodo dei quartetti

Per ogni quattro sequenze si costruisce un albero di 4 nodi (quartetto), ad esempio usando ML

Si costruisce poi un grande albero formato dalla (maggior parte di) questi piccoli alberi. Questo passo è NP-difficile

Un nuovo approccio: correzione dei dati

27

Quartetti e Correzione

a b

cd

e

a

b

c

d

a

e

a

e

b

e

a

e

b

c

d

b

c

d

d

c

a

ec

dcorrezione

errore

Albero originale

28

Il Software HyperCleaning

Per meno di 30 taxa, HyperCleaning è confrontabile con fastDNAml (che usa il punteggio di maximum likehood), e si comporta meglio di NJ.

Per più di 30 taxa, i metodi ML e MP puri richiedono giorni e producono risultati scadenti. HyperCleaning si comporta bene, con punteggi migliori.

29

30

Valutazione degli alberi: bootstrap (Efron 79)

Data la matrice di allineamento A di N sequenze lunghe L si generano n (es, n=100) allineamenti simulati : Per j da 1 a L, si estrae un numero casuale r tra 1 e L e si pone la j-esima colonna di Ak uguale alla r-esima di A

si costruiscono gli alberi filogenetici

Si attribuisce a ogni nodo un coefficiente di significatività pari alla percentuale di simulazioni che lo supportano

31

Confronto tra filogenesi

Tutti i metodi visti sono NP-hard

E’ possibile costuire alberi approssimanti e confrontarli per ottenere un albero migliore

32

Problemi di confronto

L’istanza dei problemi di confronto è un insieme di alberi evolutivi.

Esistono vari problemi di confronto

MAST

MIT

33

MIT

Maximum Isomorphic Subtree

L’obiettivo è individuare un sottoalbero S’ tali che gli alberi ristretti a S’ siano tutti isomorfi.

Due alberi sono isomorfi se qualunque coppia di foglie ha uguale distanza in entrambi gli alberi.

Nel caso gli alberi siano pesati si ha un nuovo problema: MWT (Maximum Weighted Subtree)

34

MAST

Maximum agreement subtree

L’obiettivo del problema è individuare il massimo sottoinsieme di specie S’ per cui gli alberi ristretti all’insieme S’ sono omomorfi.

Due alberi sono omomorfi se risultano isomorfi a meno di nodi di grado 1.

35

Complessità dei problemi di confronto

I problemi di confronto sono NP-hard già su tre alberi

Inoltre non sono facilmente trattabili per l’approssimazione

36

Software filogenetico

PHYLIP

PROTDIST

PROTPARS

DNADIST

DNAML

fastDNAml

PAUP