分子进化和系统发育资料.ppt

单击鼠标编辑大纲正文格式,第二个大纲级,第三个大纲级,第四个大纲级,第五个大纲级,第六个大纲级,第七个大纲级,第八个大纲级,第九个大纲级,单击鼠标编辑标题文的格式,*,单击鼠标编辑大纲正文格式,第二个大纲级,第三个大纲级,第四个大纲级,第五个大纲级,第六个大纲级,第七个大纲级,第八个大纲级,第九个大纲级,单击鼠标编辑标题文的格式,*,分子进化和系统发育,Darwin,Charles,(1809-1882),The Origin of Species,（,1859,）,共同祖先,化石证据,最理想的方法,经典的进化研究方法,然而,零散、不完整,形态学证据,确定大致的进化框架,经典的进化研究方法,分子进化研究,分子进化理论由莱纳斯,.,鲍林（,Linus Pauling,）于,1964,年提出。,该理论基本假设：核苷酸和氨基酸序列中含有生物进化历史的全部信息。,ACTCGACTT,ACTCG,G,CTT,ACT,T,G,G,CTT,G,CT,T,G,G,CTT,G,CT,T,G,T,CTT,GA,T,T,G,T,CT,C,CA,T,T,G,T,C,AC,CACTAT,C,AC,CACTATGAC,系统发育分析：,研究物种进化和系统分类的一种方法，常用一种类似树状分支的图形来概括,各物种,/,类群生物之间的亲缘关系，这种树状分支的图形称为,系统发育树。,系统发育,(phylogeny),相关概念,Tree of Life,：,重建所有生物的进化历史并以系统树的形式加以描述。,分子进化研究,系统进化树,16S rDNA,分子进化研究,物种分类,分子进化研究,人类起源,（,Out of Africa,）,线粒体基因组,(,16,587bp,),人类迁移的路线,当前人类,线粒体基因组,最大的差异存在于非洲和非非洲人之间。,分子钟理论,在各种不同的发育谱系及足够大的进化时间尺度中，许多序列的进化速率几乎是恒定不变的。,两个物种的同源基因之间的差异程度与它们的共同祖先的存在时间,(,即两者的分歧时间,),有一定的数量关系。,从一个分歧数据可以推测其他,序 列 分 歧 度,分歧时间,x,y分子钟理论,系统发育分析的基本步骤,序列有指定的来源并且正确无误。,序列是同源的，即所有的序列都起源于同一祖先序列,(ortholog),。,样本序列之间的差异包含了足以解决感兴趣的问题的信息位点。,样本序列随机进化。,序列中的每一个位点的进化都是独立的。,选择生物学数据时的注意事项,Ortholog(,直系同源基因,),：,两个基因通过物种形成的事件而产生，或源于不同物种的最近的共同祖先的两个基因，或者两个物种中的同一基因，一般具有相同的功能。,Paralog(,旁系同源基因,),：,两个基因在同一物种中，通过至少一次基因复制（重复）的事件而产生，常常具有不同的功能。,paralogs,orthologs,直系同源基因,vs.,旁系同源基因,祖,先节点,/,树根,内,部节点,/,分歧点，该,分,支可能的祖先结点,分,支,/,世系,末,端节点,A,B,C,D,E,代,表最终分类，可以是物种，群体，或者蛋白质、,DNA,、,RNA,分子等,系统发育树的基本特征,通,过外类群来确定树根,根,bacteria outgroup,eukaryote,eukaryote,eukaryote,eukaryote,archaea,archaea,archaea,有根树,外类群,无根树，有根树，外类群,通,过外类群来确定树根,有根树,外类群,通,过外类群来确定树根,有根树,外类群,通,过外类群来确定树根,有根树,eukaryote,eukaryote,eukaryote,eukaryote,archaea,archaea,archaea,无根树,树根确定,最常用的确定树根的方法是使用一个或多个无可争议的同源物种作为外群,(outgroup,），这个外群要足够近，以提供足够的信息，但又不能太近以至于和树中的种类相混。,外群（,outgroup,）,a,b,c,a,b,c,不同数目的分类群可能的有根树和无根树,考虑,3,个分类群时，共有,3,种可能的有根树，,1,种无根树,a,c,b,c,b,a,a,b,c,d,a,b,c,d,a,b,c,d,a,d,b,c,b,a,c,d,c,a,b,d,d,a,b,c,a,c,b,d,b,c,a,d,c,b,a,d,d,b,a,c,a,d,b,c,b,a,a,c,c,d,a,b,d,c,a,b,考虑,4,个分类群时，共有,15,种可能的有根树,a,b,c,d,a,c,b,d,a,d,b,c,考虑,4,个分类群时，共有,3,种可能的无根树,无根树和有根树：潜在的拓扑结构数目,无根树,有根树,分类群数,树,分枝,/,树,树,分枝,/,树,3,1,3,3,4,4,3,5,15,6,5,15,7,105,8,6,105,9,945,10,10,2,027,025,17,34,459,425,18,30,8.69,10,36,57,4.95,10,38,58,N,(2,N,-5)!,2,N,-3,(,N,-3)!,2,N-,3,(2,N,-3)!,2,N,-2,(,N,-2)!,2,N-,2,真实树（,true tree,）,物种分化事件的顺序在历史上是唯一的，所以在用给定物种建立的所有可能的树中只有一种能代表真实的进化历史，这样一种系统树称为真实树。,推测树（,inferred tree,）,用某一组数据和某种构树法得到的树称推测树，推测树可能与真实树等同也可能与真实树不同。,分类数目增大，计算量急剧增加，因此，目前算法都为优化算法，不能保证最优解,DNA序列的替换,模型,祖先基因,X,Y,t,2t,时间,X,Y,AAGACTT,TGGACTT,AAG,G,C,C,T,A,G,GGC,A,T,T,AG,C,CCT,A,G,C,ACTT,AAGGCCT,TGGACTT,TAGCCC,A,TAG,A,C,T,T,AGCAC,AA,AGGGCAT,AGGGCAT,TAGCCCT,AGCACTT,AAGACTT,TGGACTT,AAGGCCT,AGGGCAT,TAGCCCT,AGCACTT,AAGGCCT,TGGACTT,AGCGCTT,AGCACAA,TAGACTT,TAGCCCA,AGGGCAT,DNA,序列进化演变,3,2,1,当前,百万年,DNA,序列间的差异,DNA,序列间核苷酸的差异越少，分化时间越短；,同一祖先序列衍生的两条后裔序列间分化的简单测度就是两条后裔序列不同核苷酸位点的比例。,对于两条长度为,N,的序列，差异位点数为,n,，,则两条,DNA,序列的替换率,P,（也可以称两条序列之间的距离或差异）：,DNA,序列的替换率估计,P,=,n/N,14,个碱基长度，其中有,3,个位点发生了改变，那么这两条序列的替换率（距离）,P=3/14,DNA,序列的替换率估计,大多数替换估计会显著低估真正替换的数目。,如,在序列的同一个位点可能发生不止一次的变化。如在第,7,个位置观测到,G，,而在另一条序列为,A,有多种可能,G A,G C A,DNA,序列替换模式,必须准确和无偏见地估计替换率；,数学模型可以考虑回复和平行突变等情况，尤其是在,P,值较大时。,DNA,序列的替换模型,替换模型的必要性：,Jukes-Cantor,单参数模型,最简单的,DNA,序列进化模型：,假设每个核苷,酸,有同样的机会突变为任一其它,核苷酸,突变几率为,；那么,每一个核苷酸总的替换几率为,3,。,A,T,C,G,K=,真正的替换率,P=,观测到的替换率,可以概括出大部分突变的发生情况,Jukes-Cantor,单参数模型修正替换率为：,K,=(-)ln(1 *0.21)=0.25,3,4,4,3,如,观测到的替换率,7,/,14,=0.5,那么单参数模型修正后的,替换率,更为可信,:,K,=(-)ln(1 *0.5)=0.82,3,4,4,3,Jukes-Cantor,单参数模型,观测到的替换率,3/14=0.21,Kimura双参数模型,转换,:,嘌呤 嘌呤；嘧啶 嘧啶,颠换,:,嘌呤 嘧啶；嘧啶 嘌呤,两类核苷酸,:,嘌呤（,A,，,G,）；嘧啶：（,C,，,T,和,U,）,同类型核苷酸间相互替换和不同类型核苷间互替换的几率不同。,这促使了,Kiumra,两参数模型的产生。,转换发生的几率是颠换的三倍。,Kimura双参数模型,A,T,C,G,转换发生的几率是,颠换发生的几率是,K=,真正的替换率,P=,观测到的转换率,Q=,观测到的颠换率,Kimura,双参数模型修正替换率为：,K,=ln()+1,2,1,0,1-2*0.07-0.14,观测到的替换率,3/14=0.21,观测到的转换率,1/14=0.07,观测到的颠换率,2/14=0.12,Kimura双参数模型,1,4,1,0,1-2*0.14,ln(),=,0.164+0.082,=0.246,K,=(-)ln(1 *0.21)=0.246,3,4,4,3,单参数模型修正：,单参数和双参数模型的比较,序列分化（序列差异）较小时,两个模型的结果基本相同；,序列分化（序列差异）较大时，双参数模型更为准确,特别是转换率明显高于颠换率。,氨基酸序列的替换模型,氨基酸序列的进化演变,氨基酸序列较核苷酸序列更为保守，对年代跨度大的进化分析大多采用氨基酸序列数据；,对于编码蛋白质的基因序列对齐排列时可能需要借助氨基酸序列的校正；,氨基酸置换模型比核苷酸置换模型简单。,为什么研究氨基酸？,氨基酸序列替换率估计,两条氨基酸序列的替换率,(P,距离,),为：两条序列间差异氨基酸的数目（,n,）占氨基酸序列长度（,N,）的比例：,P,距离,P,=,n/N,进化时间越长，,P,值越大,氨基酸序列替换率估计,不同物种间血红蛋白,链氨基酸差异数及比例,不同物种血红蛋白,链氨基酸序列的对齐,(,140,个,aa,的前,60,个,),进化时间,氨基酸序列替换率,期望值,(,实际值,),观测值,P,不是很严格地与时间成比例,进化时间较短时，回复突变较少，两者大致成线性关系；当进化时间较大时，回复突变增多，二者成非线性关系。,泊松校正（,Poisson Correction,）,泊松校正,d=-ln(1-p),，即泊松距离。,TIYAPPPWS,TIYTPPPWS,TIYGPPPWS,TIYAPPPWS,例如,该位点的丙氨酸虽然发生了,3,次变化，但我们并没有观察到这些变化,由于氨基酸存在回复突变，大多数替换估计会显著低估真正替换率。,泊松校正,0.129 0.129 0.206 0.573 0.666,0.129 0.232 0.637 0.652,0.197 0.598 0.624,0.573 0.707,0.753,泊松校正距离,P,距离,P-,距离与泊松距离比较,进化时间,氨基酸序列替换率,期望值,(,实际值,),P,距离（观测值）,泊松距离,1.,最大简约法,(maximum parsimony,MP),适用序列有很高相似性,2.,距离法,(distance),适用序列有较高相似性,3.,最大似然法,(maximum likelihood,ML),可用于任何相关序列集合,计算速度：,距离法,最大简约法,最大似然法,系统发育树重建基本方法,1.,最大简约法,根据信息位点提供的各序列间的替换情况，在所有可能的树中筛选含最小替换数树的方法。,理论基础为奥卡姆剃刀,(Ockham),原则：计算所需替换数最小的那个拓扑结构，作为最优树。,在分析的序列位点上没有回复突变或平行突变，且被检验的序列位点数很大的时候，最大简约法能够推导获得一个很好的进化树。,优点：不需要在处理核苷酸或者氨基酸替代的时候引入假设,(,替代模型,),缺点：分析序列上存在较多的回复突变或平行突变，而被检验的序列位点数又比较少的时候，可能会给出一个不合理的或者错误的进化树。,最大简约法,(Maximum Parsimony Method),以下,3,个序列,:,1.,A,C,G,2.,A,C,A,3.,GGA,它们如何从一个共同祖先（,GGG,）进化而来,?,A,C,G,A,C,A,GGA,GGG,A,CG,A,C,G,A,C,A,GGA,GGG,GGG,A,C,G,A,C,A,GGA,GGG,GGA,1,2,1,3,1,2,2,1,2,最大简约法基本原则：计算一个有最小化突变事件的进化路径，作为最优树。,简约信息位点,：,位点上至少有两种不同的核苷酸或氨基酸，且每种至少出现两次。,不变位点,：在所有分类群中相同核苷酸或氨基酸的位点。,不变位点不提供任何信息。,信息位点,(informative site),哪一个树是正确的,?,信息位点,Tree 1,突变位点,4,Tree 2,突变位点,5,Tree 3,突变位点,6,用最大简约法构树,选择最小变化的拓扑树,Tree 1,突变位点,4,MP tree,最优结果为,Tree 1,Tree 2,突变位点,5,Tree 3,突变位点,6,根据最大简约法构建的最优树,2.,距离法,又称距离矩阵法，首先通过各个物种之间的比较，根据一定的假设（进化距离模型）推导得出分类群之间的进化距离，构建一个进化距离矩阵。再依据进化距离，分别依次将序列合并聚类，构建进化树。,一种简单的距离矩阵,距离数据,(distance data),：,涉及成对基因、个体、群体或物种信息，常用距离矩阵描述，表示两个数据集之间的关系。,构树方法,:UPGMA,非加权分组平均法,(,UPGMA,Unweighted Pair Group Method with Arithmetic mean,）,最近分类群,分类群聚类,计算平均距离,构树方法,:UPGMA,新的距离矩阵计算：,如分类单元,i,和,j,，所形成的新的聚类群（,ij,），新聚类群到其他分类单元,k,的距离计算如下：,其中,n,i,，,n,j,，（,n,i,+n,j,）分别为分类单元,i,、,j,和（,ij,）类的元素个数。,A,B,C,D,E,B,2,C,4,4,D,6,6,6,E,6,6,6,4,F,8,8,8,8,8,1,）通过两两比较，获得一个距离矩阵,构树方法,:UPGMA,A,B,E,C,D,F,2),找到距离矩阵中最小的距离，在这个例子中最小距离是,A,和,B,A,B,C,D,E,B,2,C,4,4,D,6,6,6,E,6,6,6,4,F,8,8,8,8,8,构树方法,:UPGMA,将,A,与,B,相连并给每一个分支赋予一半的距离。,构树方法,:UPGMA,A,B,E,C,D,F,A,B,C,D,E,B,2,C,4,4,D,6,6,6,E,6,6,6,4,F,8,8,8,8,8,2),将,(AB),作为一个单元考虑，根据聚类结果来重新计算距离,d(AB),C=d(AC)/2+d(BC)/2=4,d(AB),D=(dAD)/2+d(BD)/2=6,d(AB),E=(dAE)/2+d(BE)/2=6,d(AB),F=(dAF)/2+d(BF)/2=8,构树方法,:UPGMA,A,B,E,C,D,F,A,B,C,D,EB,2,C,4,4,D,6,6,6,E,6,6,6,4,F,8,8,8,8,8,2)(AB),作为一个新的聚类单元，依次计算所有影响到的距离,构树方法,:UPGMA,AB,C,D,E,C,4,D,6,6,E,6,6,4,F,8,8,8,8,AB,C,D,E,C,4,D,6,6,E,6,6,4,F,8,8,8,8,3),找到下一个最小的距离,(D,与,E),构树方法,:UPGMA,将,D,与,E,相连并给每一个分支赋予一半的距离。,构树方法,:UPGMA,AB,E,C,D,F,AB,C,D,E,C,4,D,6,6,E,6,6,4,F,8,8,8,8,3),将,(DE),作为一个单元考虑，根据聚类结果来重新计算距离,例如，,(DE),与,(AB),的距离,等同于,(dAD+dAE+dBD+dBE)/4=(6+6+6+6)/4=6,构树方法,:UPGMA,E,C,D,F,AB,AB,C,D,E,C,4,D,6,6,E,6,6,4,F,8,8,8,8,3),依次计算所有影响到的距离,构树方法,:UPGMA,AB,C,DE,C,4,DE,6,6,F,8,8,8,AB,C,DE,C,4,DE,6,6,F,8,8,8,4),继续找到下一个最小的距离（,C,与,(AB),）,构树方法,:UPGMA,将,C,与,(AB),相连并给每一个分支赋予一半的距离。,构树方法,:UPGMA,DE,C,F,AB,AB,C,DE,C,4,DE,6,6,F,8,8,8,4),将,(AB)C),作为一个单元考虑，根据聚类结果来重新计算距离,例如，,(AB)C),和,(DE),的距离,等同于（,dAD+dAE+dBD+dBE+dCD+dCE)/6=6,构树方法,:UPGMA,DE,C,F,AB,AB,C,DE,C,4,DE,6,6,F,8,8,8,4)(AB)C),作为一个新的聚类单元，依次计算所有影响到的距离,构树方法,:UPGMA,ABC,DE,DE,6,F,8,8,ABC,DE,DE,6,F,8,8,5),继续找到下一个最小的距离,在这个例子中 是,(DE),和,(AB)C),之间的距离,构树方法,UPGMA,构树方法,:UPGMA,DE,F,ABC,将,(DE),与,(AB)C),相连并给每一个分支赋予一半的距离。,ABC,DE,DE,6,F,8,8,5)(AB)C)(DE),作为一个新的聚类单元，根据聚类结果来重新计算距离,构树方法,:UPGMA,DE,F,ABC,ABCDE,F,8,6),最后一步，生成,UPGMA,树,构树方法,:UPGMA,如进化速率在不同分类群间近似恒定，以至进化距离与分化时间之间存在近似线性关系，则可用该方法来构建系统树。,UPGMA,构树方法特点,UPGMA,是一种构树的简单方法，,应用范围：,如变化速率在各分类群间不同，则,UPGMA,法可能会给出错误的拓扑结构。,UPGMA,构树方法特点,真实树的拓扑结构,UPGMA,构建的错误拓扑结构,邻位相连法（,Neighbor Joining,）,邻位相连法：根据距离矩阵，在所有可能的拓扑结构中，选择分支长度和最小作为最优树。通过对整个树的长度进行最小化，从而对树的拓扑结构进行了限制。,C,D,X,Y,U,V,A,B,E,F,(h),(i),(d),(g),(c),(f),(b),(e),(a),S,：所有分支长度总和,S=a+b+g+c+h+d+i+e+f,最小！,邻位相连法,本质上是一种寻找最优拓扑结构的谱系聚类算法。同时给出系统发育树的拓扑结构以及分支的长度。,优点：,1,、可以较快地构建系统树；,2,、适用于分析较大的数据集；,3,、能够较方便地进行自展（,Bootstrap,）检验。,3.,最大似然法,最大似然法,(maximum likelihood,ML):,最早应用于对基因频率数据的分析上；,选取一个特定的替代模型来分析给定的一组序列数据，使得获得的每一个拓扑结构的似然率都为最大值，然后再挑出其中似然率最大的拓扑结构作为最优树；,在最大似然法的分析中，所考虑的参数并不是拓扑结构而是每个拓扑结构的枝长，并对似然率求最大值来估计枝长；,缺点：费时，每个步骤都要考虑内部节点的所有可能性,改进：启发式算法，,分枝交换搜索等,1.,可靠的待分析数据,2.,准确的多序列比对,3.,选择合适的建树方法：,A.,序列相似程度高，,MP,首先,B.,序列相似程度较低，,ML,首先,C.,序列相似程度太低，无意义,4.,一般采用两种及以上方法构建进化树，无显著区别可接受,构建进化树的一般原则,进化树的可靠性分析,单纯由预先获得的多序列比对结果数据所推导出的进化树有时并不一定可靠。,改进办法：引进一些统计分析来寻找更优的进化树，检验结果的可靠性。,bootstrap,评估。,从排列的多序列中随机放回的抽取某一列，构成相同长度的新的排列序列；,重复上面的过程，得到多组新的序列；,对这些新的序列进行建树，再观察这些树与原始树是否有差异，以此评价建树的可靠性。,一般,Bootstrap,的值,70,，则认为构建的进化树较为可靠；,Bootstrap,的值,95,，认为有统计学意义。,自展法,-,进化树的可靠性分析,Bootstrap Method,Thank you!,