nový-1 ÚVOD DO FYLOGENETICKÉ ANALÝZY I. MODULARIZACE VÝUKY EVOLUČNÍ A EKOLOGICKÉ BIOLOGIE CZ.1.07/2.2.00/15.0204 PF_72_100_grey_tr ubz_cz_black_transparent Úvod zákl. pojmy, počet stromů, typy dat Práce se sekvencemi DNA a proteinů databáze (GenBank, ENTREZ, BLAST), seřazení sekvencí (Clustal) Rozdělení metod a kritéria jejich hodnocení Maximální úspornost (Maximum parsimony, MP) MP a konzistence Evoluční modely a distanční metody výběr modelu, UPGMA, neighbor-joining 1_2 Úvod • fylogenetický strom = fylogenie (phylogeny) s kořenem, bez kořene • větve (branches, edges) vnější, vnitřní, centrální • uzly (nodes, vertices) vnitřní, terminální (externí) • dichotomie, polytomie • OTU, HTU • topologie Definice základních pojmů 1_1 dráha linie 1_1 Kolik existuje stromů? více než elektronů ve viditelném vesmíru (Eddingtonovo číslo) Úvod Jaké typy dat můžeme použít? DATA Distance Diskrétní znaky •Imunologie •DNA-DNA hybridizace Binární Vícestavové • neseřazené ACGTTAGCT • seřazené A®B®C 11010010011 ABCDEF Úvod Typy dat 1. Nukleotidové a proteinové sekvence: H_sapiens MTPMRKINPLMKLINHSFIDLPTPSNISAWWNFGS P_troglod ATGACCCCGACACGCAAAATTAACCCACTAATAAA pozice (site) = znak báze = stav znaku 2. Restrikční data: * restriction-site data * restriction-fragment data (RFLP) Restrikční místo = znak přítomnost/absence = stav znaku fragment = znak přítomnost/absence = stav znaku absence nezávislosti! Úvod 3. Alozymy: alela = znak, přítomnost/absence = stav znaku lokus = znak, alela = stav znaku lokus = znak, alelová frekvence = stav znaku 4. Pořadí genů 5. Retroelementy: SINE (Alu, B1, B2), LINE 6. VNTR, STR, SNP Úvod Typy dat Grafika1 Vlastnosti znaků: * nezávislost (morfologie, alozymy, pořadí genů) * homologie Problém homologie sekvencí Úvod Práce se sekvencemi DNA databáze: • EMBL (European Molecular Biology Laboratory) – European Bioinformatics Institute, Hinxton, UK: http://www.ebi.ac.uk/embl/ • GenBank – NCBI (National Center for Biotechnology Information), Bethesda, Maryland, USA: http://www.ncbi.nlm.nih.gov/Genbank/ • DDBJ (DNA Data Bank of Japan) – National Institute of Genetics, Mishima, Japan: http://www.ddbj.nig.ac.jp/ Proteinové databáze: • SWISS-PROT – University of Geneve & Swis Institute of Bioinformatics: http://www.expasy.ch/sprot/ a http://www.ebi.ac.uk/swissprot/ • PIR (Protein Information Resource) – NBRF (National Biomedical Research Foundation, Washington, D.C., USA) & Tokyo University & JIPID (Japanese International Protein Information Database, Tokyo) & MIPS (Martinsried Institute for Protein Sequences, Martinsried, Germany): http://www-nbrf.georgetown.edu/ • PRF/SEQDB (Protein Resource Foundation) – Ósaka, Japan: http://www.prf.or.jp/en/os.htm • PDB (Protein Data Bank) – University of New Jersey, San Diego & Super-computer Center, University of California & National Institute of Standards and Technology: http://www.rcsb.org/pdb/ Formáty souborů GenBank: ORIGIN 1 tgaaatgaag atattctctt ctcaagacat caagaagaag gaactactcc ccaccaccag 61 cacccaaagc tggcattcta attaaactac ttcttgtgta cataaattta catagtacaa 121 tagtacattt atgtatatcg tacattaaac tattttcccc aagcatataa gcaagtacat 181 ttaatcaatg atataggcca taaaacaatt atcaacataa actgatacaa accatgaata 241 ttatactaat acatcaaatt aatgctttaa agacatatct gtgttatctg acatacacca 301 tacagtcata aactcttctc ttccatatga ctatcccctt ccccatttgg tctattaatc 361 taccatcctc cgtgaaacca acaacccgcc caccaatgcc cctcttctcg ctccgggccc 421 attaaacttg ggggtagcta aactgaaact ttatcagaca tctggttctt acttcagggc 481 catcaaatgc gttatcgccc atacgttccc cttaaataag acatctcgat ggtatcgggt 541 ctaatcagcc catgaccaac ataactgtgg tgtcatgcat ttggtatttt tttattttgg 601 cctactttca tcaacatagc cgtcaaggca tgaaaggaca gcacacagtc tagacgcacc 661 tacggtgaag aatcattagt ccgcaaaacc caatcaccta aggctaatta ttcatgcttg 721 ttagacataa atgctactca ataccaaatt ttaactctcc aaacccccca accccctcct 781 cttaatgcca aaccccaaaa acactaagaa cttgaaagac atatattatt aactatcaaa 841 ccctatgtcc tgatcgattc tagtagttcc caaaatatga ctcatatttt agtacttgta 901 aaaattttac aaaatcatgc tccgtgaacc aaaactctaa tcacactcta ttacgcaata 961 aatattaaca agttaatgta gcttaataac aaagcaaagc actgaaaatg cttagatgga 1021 taattttatc cca // Práce se sekvencemi FASTA: >H_sapiens ATGACCCCAATACGCAAAATTAACCCCCTAATAAAATTAATTAACCACTCATTCATCGACCTCCCCACCC CATCCAACATCTCCGCATGATGAAACTTCGGCTCACTCCTTGGCGCCTGCCTGATCCTCCAAATCACCAC AGGACTATTCCTAGCCATACACTACTCACCAGACGCCTCAACCGCCTTTTCATCAATCGCCCACATCACT CGAGACGTAAATTATGGCTGAATCATCCGCTACCTTCACGCCAATGGCGCCTCAATATTCTTTATCTGCC TCTTCCTACACATCGGGCGAGGCCTATATTACGGATCATTTCTCTACTCAGAAACCTGAAACATCGGCAT ... >P_troglod ATGACCCCGACACGCAAAATTAACCCACTAATAAAATTAATTAATCACTCATTTATCGACCTCCCCACCC CATCCAACATTTCCGCATGATGGAACTTCGGCTCACTTCTCGGCGCCTGCCTAATCCTTCAAATTACCAC AGGATTATTCCTAGCTATACACTACTCACCAGACGCCTCAACCGCCTTCTCGTCGATCGCCCACATCACC CGAGACGTAAACTATGGTTGGATCATCCGCTACCTCCACGCTAACGGCGCCTCAATATTTTTTATCTGCC TCTTCCTACACATCGGCCGAGGTCTATATTACGGCTCATTTCTCTACCTAGAAACCTGAAACATTGGCAT ... >P_paniscus ATGACCCCAACACGCAAAATCAACCCACTAATAAAATTAATTAATCACTCATTTATCGACCTCCCCACCC CATCCAATATTTCCACATGATGAAACTTCGGCTCACTTCTCGGCGCCTGCCTAATCCTTCAAATCACCAC AGGACTATTCCTAGCTATACACTACTCACCAGACGCCTCAACCGCCTTCTCATCGATCGCCCACATTACC CGAGACGTAAACTATGGTTGAATCATCCGCTACCTTCACGCTAACGGCGCCTCAATACTTTTCATCTGCC TCTTCCTACACGTCGGTCGAGGCCTATATTACGGCTCATTTCTCTACCTAGAAACCTGAAACATTGGCAT ... Formáty souborů Práce se sekvencemi PHYLIP (“interleaved” format): 6 1120 H_sapiens ATGACCCCAA TACGCAAAAT TAACCCCCTA ATAAAATTAA TTAACCACTC P_troglod ATGACCCCGA CACGCAAAAT TAACCCACTA ATAAAATTAA TTAATCACTC P_paniscus ATGACCCCAA CACGCAAAAT CAACCCACTA ATAAAATTAA TTAATCACTC G_gorilla ATGACCCCTA TACGCAAAAC TAACCCACTA GCAAAACTAA TTAACCACTC P_pygmaeus ATGACCCCAA TACGCAAAAC CAACCCACTA ATAAAATTAA TTAACCACTC H_lar ATGACCCCCC TGCGCAAAAC TAACCCACTA ATAAAACTAA TCAACCACTC ATTCATCGAC CTCCCCACCC CATCCAACAT CTCCGCATGA TGAAACTTCG ATTTATCGAC CTCCCCACCC CATCCAACAT TTCCGCATGA TGGAACTTCG ATTTATCGAC CTCCCCACCC CATCCAATAT TTCCACATGA TGAAACTTCG ATTCATTGAC CTCCCTACCC CGTCCAACAT CTCCACATGA TGAAACTTCG ACTCATCGAC CTCCCCACCC CATCAAACAT CTCTGCATGA TGGAACTTCG ACTTATCGAC CTTCCAGCCC CATCCAACAT TTCTATATGA TGAAACTTTG Formáty souborů Práce se sekvencemi NEXUS (PAUP*, “interleaved”): #NEXUS begin data; dimensions ntax=6 nchar=1120; format datatype=DNA interleave datatype=DNA missing=? gap=-; matrix P_troglod ATGACCCCGACACGCAAAATTAACCCACTAATAAAATTAATTAATCACTC P_paniscus ATGACCCCAACACGCAAAATCAACCCACTAATAAAATTAATTAATCACTC H_sapiens ATGACCCCAATACGCAAAATTAACCCCCTAATAAAATTAATTAACCACTC G_gorilla ATGACCCCTATACGCAAAACTAACCCACTAGCAAAACTAATTAACCACTC P_pygmaeus ATGACCCCAATACGCAAAACCAACCCACTAATAAAATTAATTAACCACTC H_lar ATGACCCCCCTGCGCAAAACTAACCCACTAATAAAACTAATCAACCACTC P_troglod ATTTATCGACCTCCCCACCCCATCCAACATTTCCGCATGATGGAACTTCG P_paniscus ATTTATCGACCTCCCCACCCCATCCAATATTTCCACATGATGAAACTTCG H_sapiens ATTCATCGACCTCCCCACCCCATCCAACATCTCCGCATGATGAAACTTCG G_gorilla ATTCATTGACCTCCCTACCCCGTCCAACATCTCCACATGATGAAACTTCG P_pygmaeus ACTCATCGACCTCCCCACCCCATCAAACATCTCTGCATGATGGAACTTCG H_lar ACTTATCGACCTTCCAGCCCCATCCAACATTTCTATATGATGAAACTTTG end; Formáty souborů Práce se sekvencemi Clustal: P_troglod ATGACCCCGACACGCAAAATTAACCCACTAATAAAATTAATTAATCACTCATTTATCGAC P_paniscus ATGACCCCAACACGCAAAATCAACCCACTAATAAAATTAATTAATCACTCATTTATCGAC H_sapiens ATGACCCCAATACGCAAAATTAACCCCCTAATAAAATTAATTAACCACTCATTCATCGAC G_gorilla ATGACCCCTATACGCAAAACTAACCCACTAGCAAAACTAATTAACCACTCATTCATTGAC P_pygmaeus ATGACCCCAATACGCAAAACCAACCCACTAATAAAATTAATTAACCACTCACTCATCGAC H_lar ATGACCCCCCTGCGCAAAACTAACCCACTAATAAAACTAATCAACCACTCACTTATCGAC ******** ******* ***** *** **** **** ** ****** * ** *** P_troglod CTCCCCACCCCATCCAACATTTCCGCATGATGGAACTTCGGCTCACTTCTCGGCGCCTGC P_paniscus CTCCCCACCCCATCCAATATTTCCACATGATGAAACTTCGGCTCACTTCTCGGCGCCTGC H_sapiens CTCCCCACCCCATCCAACATCTCCGCATGATGAAACTTCGGCTCACTCCTTGGCGCCTGC G_gorilla CTCCCTACCCCGTCCAACATCTCCACATGATGAAACTTCGGCTCACTCCTTGGTGCCTGC P_pygmaeus CTCCCCACCCCATCAAACATCTCTGCATGATGGAACTTCGGCTCACTTCTAGGCGCCTGC H_lar CTTCCAGCCCCATCCAACATTTCTATATGATGAAACTTTGGTTCACTCCTAGGCGCCTGC ** ** **** ** ** ** ** ****** ***** ** ***** ** ** ****** Formáty souborů Práce se sekvencemi Seřazení sekvencí (alignment) Sekvence 1 TTGTACGACGG Sekvence 2 TTGTACGACG TTGTACGACGG TTGT---ACGACGG ½½½½½½½½½½ ½½½½ ½½½ TTGTACGACG TTGTACGACG Sekvence 1 ACTTGTGCTTC Sekvence 2 ACGTGCTGCTC ACTTG-TGCTTC Path 1 ½½ ½½ ½½½½ ACGTGCTGCTC ACTTGTGCTTC Path 2 ½½ ½½½½½ ½ AC--GTGCTGCTC gap penalty GP = g + hl g - gap penalty h – gap extension penalty l – gap length Práce se sekvencemi Progresivní seřazení - ClustalX 1.Seřazení dvojic sekvencí ® párové distance 2.Konstrukce „guide tree“ (NJ) 3.Seřazení všech sekvencí podle stromu I. I. II. III. 3 fáze: Práce se sekvencemi Problém progresivního seřazení gorila AGGTT kůň AG-TT panda AG-TT 6 druhů: tučňák A-GTT kuře A-GTT pštros AGGTT gorila AGGTT kůň AG-TT panda AG-TT tučňák A-GTT kuře A-GTT pštros AGGTT Práce se sekvencemi AGGTT AG-TT AG-TT AG-TT AG-TT AGGTT AGGTT A-GTT A-GTT A-GTT A-GTT AGGTT • UPGMA • neighbor- joining • Fitch- Margoliash • minimum evolution • maximum parsimony • maximum likelihood • Bayesian a. distance znaky Typy dat Rozdělení metod Rozdělení metod • výkonnost (efficiency): jak rychlá je metoda? • síla (power): kolik znaků je třeba? • konzistence (consistency): vede zvyšující se počet znaků ke správnému stromu? • robustnost (robustness): jak metoda funguje při neplatnosti předpokladů? • falzifikovatelnost (falsifiability): umožňuje testování platnosti předpokladů? Jak hodnotit jednotlivé metody? Rozdělení metod Maximální úspornost (maximum parsimony, MP) I II III A 1 0 1 B 0 0 1 C 1 0 0 D 0 1 0 E 1 0 1 2 kroky 1 krok 2 kroky William of Occam (c. 1285 - c. 1349): Occamova břitva minimální počet kroků = 3 skutečný počet kroků = 5 Þ 2 extra kroky ® homoplasie Parsimonie MP1 Odhad počtu kroků Fitchův (1971) algoritmus 1. arbitrární kořen 2. top ® bottom: w = C nebo T x = T y = A nebo T z = T 3. bottom ® top: z = T nebo A DELTRAN (DELayed TRANsformation) ACCTRAN (ACCelerated TRANsformation) celková délka = 3 Parsimonie • parsimony-informative and non-informative characters (sites) - invariant sites (symplesiomorphies) - singletons (autapomorphies) • • • index konzistence (consistency i., CI) • retenční index (retention i., RI) • upravený CI (rescaled CI, RC) • index homoplasie (homoplasy i., HI) RC = CI ´ RI HI = 1 - CI Problém homoplasie: m = min. no. of possible steps s = min. no. needed for explaining the tree g = max. no. of steps for any tree Parsimonie Metody parsimonie • Fitch parsimony: X ® Y and Y ® X unordered characters (A ® T or A ® G etc.) • Wagner parsimony: X ® Y and Y ® X ordered characters (1 ® 2 ® 3) Dollo • Dollo parsimony: X ® Y and Y ® X, then no X ® Y … restriction-site and restriction-fragment data • Camin-Sokal p.: X ® Y, no Y ® X … SINE, LINE • weighed (transversion) p. • generalized parsimony: cost matrix (step matrix) “relaxed Dollo criterion” Parsimonie BaB1 Hledání optimálního stromu a měření spolehlivosti 1.Exaktní metody: a) vyčerpávající hledání (exhaustive search) b) branch-and-bound 2.Heuristický přístup: stepwise addition star decomposition branch swapping Bayes1 Hledání optimálního stromu 2.Heuristický přístup: a) stepwise addition b) star decomposition c) branch swapping * nearest-neighbor interchanges (NNI) * subtree prunning and regrafting (SPR) * tree bisection and reconnection (TBR) Hledání optimálního stromu Swap Parsimonie a konzistence ((A,B),(C,D)) p>>q “správný” ((A,C),(B,D)) “chybný” Konzistence_obr Felsensteinova zóna Parsimonie Parsimonie a konzistence Simulation Parsimonie LBA dlouhé větve Konzistence_tab2 „přitažlivost dlouhých větví“ (long-branch attraction, LBA) Parsimonie Parsimonie a konzistence Jukes-Cantor (JC): stejné frekvence bází stejné frekvence substitucí Evoluční modely a distanční metody Báze po substituci A C G T A -¾ ¼ ¼ ¼ Původní báze C ¼ -¾ ¼ ¼ G ¼ ¼ -¾ ¼ T ¼ ¼ ¼ -¾ - a a a a - a a a a - a a a a - Q = Kimura 2-parameter (K2P): transice ≠ transverze TsTv Evoluční modely - b a b b - b a a b - b b a b - Q = Jestliže a = b, K2P = JC Evoluční modely - pCb pGa pTb pAb - pGb pTa pAa pCb - pTb pAb pCa pGb - Q = Jestliže pA = pC = pG = pT, F81 = JC Felsenstein (F81): různé frekvence bází - pC pG pT pA - pG pT pA pC - pT pA pC pG - Q = Hasegawa-Kishino-Yano (HKY): různé frekvence bází transice ≠ transverze General time-reversible (GTR, REV): různé frequence bází různé frekvence všech substitucí Jukes-Cantor (JC) pA=pC=pG=pT a=b Felsenstein (F81) pA¹pC¹pG¹pT a=b Kimura‘s two-parameter (K2P) pA=pC=pG=pT a¹b Hasegawa-Kishino-Yano (HKY) pA¹pC¹pG¹pT a¹b Felsenstein (F84) pA¹pC¹pG¹pT a=c=d=f=1, b=(1+K/pR), e=(1+K/pY), kde pR=pA+pG pY=pC+pT Kimura’s three-substitution-type (K3ST) pA=pC=pG=pT a¹b Tamura-Nei (TrN) pA¹pC¹pG¹pT a¹b General-time reversible (GTR) pA¹pC¹pG¹pT a, b, c, d, e, f nestejné frekvence bází více než 1 typ substituce Evoluční modely 2 typy transicí Heterogenita substitučních rychlostí v různých částech sekvence Gama Gama (Γ) rozdělení: • parametr tvaru α • diskrétní gama model • invariantní pozice ® GTR+ Γ+I Evoluční modely Porovnání modelů Comparison Který model vybrat? • Likelihood ratio test (LRT): nested models LR = 2(lnL2 – lnL1) Chi-square, p2 – p1 d.f. • Akaike information criterion (AIC): nonnested models AIC = -2lnL + 2p, where p = number of free parameters better model ® smaller AIC • Bayesian information criterion (BIC): nonested models BIC = -2lnL + plnN, where N = sample size Evoluční modely Evoluční modely Porovnání modelů hierarchický LRT – ModelTest (Crandall and Posada) Evoluční modely Porovnání modelů dynamický LRT LRT Comparison Evoluční modely • Více parametrů Þ více realismu, ale … • • … také více neurčitosti, protože jsou odhadovány ze stejného množství dat Porovnání modelů Distance Distance • počítány pro každý pár taxonů, z matice distancí (nebo podobností) konstruován strom • distanční metody založeny na předpokladu, že pokud bychom znali skutečné distance mezi všemi studovanými taxony, mohli bychom velmi jednoduše rekonstruovat správnou fylogenii • • výhoda: velmi rychlé a jednoduché (lze i na kalkulačce) Distance 1 10 20 30 sekvence 1: ACCCGTTAAGCTTAACGTACTTGGATCGAT sekvence 2: ACCCGTTAGGCTTAATGTACGTGGATCGAT p-distance: p = k/n = 3/30 = 0.10 Diff problém saturace: Distance Distance pro některé modely: Distance Dist2 Distance Distance pro některé modely: Shluková analýza - UPGMA Š B Č G O 1.Najdi min d(ij) 2.Vypočítej novou matici d(ŠB-k) = [d(B-k)+d(Š-k)]/2 3.Opakuj 1 a 2. • UPGMA: d[(BŠČ)G] = {d(BG)+d(ŠG)+d(ČG)}/3 • WPGMA: d[(BŠČ)G] = {d[(BŠ)G] + d(ČG)}/2 • single-linkage • complete-linkage Distance šimp. bonobo gorila člověk orang. šimpanz (Š) -- bonobo (B) 0,0118 -- gorila (G) 0,0427 0,0416 -- člověk (Č) 0,0382 0,0327 0,0371 -- orangutan (O) 0,0953 0,0916 0,0965 0,0928 -- ŠB gorila člověk orang. ŠB -- gorila (G) 0,0422 -- člověk (Č) 0,0355 0,0371 -- orangutan (O) 0,0935 0,0965 0,0928 -- UPGMA a konzistence Distance aditivní distance: dAB + dCD £ max (dAC + dBD, dAD + dBC) • tj. vzdálenost mezi 2 taxony je rovna součtu větví, které je spojují ultrametrické distance: dAC £ max (dAB, dBC) A B C D A B C aditivní strom ultrametrický strom UPGMA a konzistence Distance Simulation •Algoritmická metoda •Princip minimální evoluce ® minimalizuje součet délek větví S •Každý pár uzlů adjustován na základě divergence od ostatních •Konstrukce jediného aditivního stromu NJ2 Distance Spojení sousedů (neighbor-joining, NJ) hvězdicový strom nalezení nejbližších sousedů přepočítání distancí opakování postupu … S = 32,4 S = 29,5 S = 28,0 Nevýhody distančních dat: 1.ztráta části informace během transformace 2.jakmile data transformována na distance, nelze se vrátit zpět (odlišné sekvence mohou dát stejné distance) 3. 3.nelze sledovat evoluci na různých částech sekvence 4. 4.obtížná biologická interpretace délek větví 5. 5.nelze kombinovat různé distanční matice Distance