Biologia
computaziona le
A.A. 2010-2011 semestre II
UNIVERSITÀ
DEGLI STUDI DI MILANO
Docente: Giorgio Valentini Istruttore: Matteo Re
5 Evoluzione e filogenesi - 2
C.d.l. Biotecnologie Industriali e Ambientali
Metodi basati su:
• Distanza
• Massima parsimonia (minima evoluzione)
• Massima verosimiglianza
Abbiamo già discusso un medoto basato su distanze:
UPGMA
Abbiamo già discusso un medoto basato su distanze:
UPGMA
Classi di metodi disponibili
Bio CS
Abbiamo
bisogno di
altri metodi?
Cosa non va in UPGMA?
(rivediamo l’esempio…)
A B C D
A 0 6 6 7
B 0 4 5
C 0 3
D 0 A B C D
Quest’albero … implica che la distanza tra B e C ha lo stesso valore della distanza tra B e D?
Ma la matrice delle distanze non conteneva valori diversi?
?
problemi con UPGMA…
Bio CS
• UPGMA calcola la media delle due distanze e pone sia C che D alla medesima distanza (1.5) da B …
• Cosa succede se le velocità evolutive dopo la divergenza sono diverse?
A B C D
A B C D
A 0 7 6 7
B 0 4 5
C 0 3
D 0
4
.5
.5
1 2
2.5
NB: è un effetto dell’ipotesi dell’orologio molecolare!
TAXA MOLTO SIMILI
• Velocità evolutive differenti (non contemplate dall’ipotesi dell’orologio molecolare) possono causare problemi a UPGMA
• Specialmente nel caso di taxa molto simili (distanze molto piccole)!
A B C
A 0 4 3
B 0 3
C 0
A B C
1
2 1
1
Questo albero
Produce questa matrice
..che produce quest’albero
B C
A
… e i due alberi sono DIVERSI !
Cronogrammi
Bio CS
Alberi ultrametrici ( cronogrammi)
Le distanze (nei cronogrammi) devono obbedire a 4 regole:
Non-negatività: d(a,b) ≥ 0
Distinguibilità: d(a,b) = 0 if and only if a = b Simmetria: d(a,b) = d(b,a)
Disug. triangolare: d(a,c) ≤ d(a,b) + d(b,c) Inoltre devono anche soddisfare la:
Condizione dei tre punti: d(a,b) ≤ max( d(a,c), d(b,c) )
1 1 1 1 1 2 3
1
1 3
a b c
1 0.4 2
1
a c b
Alberi ultrametrici ( cronogrammi)
Le distanze (nei cronogrammi) devono obbedire a 4 regole:
Non-negatività: d(a,b) ≥ 0
Distinguibilità: d(a,b) = 0 if and only if a = b Simmetria: d(a,b) = d(b,a)
Disug. triangolare: d(a,c) ≤ d(a,b) + d(b,c) Inoltre devono anche soddisfare la:
Condizione dei tre punti: d(a,b) ≤ max( d(a,c), d(b,c) )
1 1 1 1 1 2 3
1
1 3
a b c
1 0.4 2
1
a c b
Motivi dei problemi di UPGMA
Bio CS
• UPGMA è molto sensibile alla presenza di velocità evolutive differenti (assume che esse siano uguali su tutti i rami).
• Il clustering funziona SOLO SE i dati sono ultrametrici
• Le distanze sono ultrametriche SE soddisfano la ‘condizione dei tre punti'.
A B C
Per ogni combinazione di tre taxa, le due distanze maggiori devono essere uguali.
Condizione dei tre punti:
A B C
A B C D E B 5
C 4 7
D 7 10 7
E 6 9 6 5
F 8 11 8 9 8
Velocità evolutive non costanti
TOPOLOGIA ERRATA
Esempio di errore di UPGMA
Bio CS
A B C D E B 5
C 4 7
D 7 10 7
E 6 9 6 5
F 8 11 8 9 8
Velocità evolutive non costanti
TOPOLOGIA ERRATA
Esiste un metodo chiamato Neighbor Joining che avrebbe ricostruito la topologia dell’albero in modo
corretto.
A B
C D a
b
x c
d
A e B sono neighbors (“vicini”) poichè sono connessi da un singolo nodo interno.
Anche C e D sono vicini, ma A e D non lo sono.
Neighbor Joining e costruzione di alberi additivi
(filogrammi, lunghezza rami proporzionale a distanze
genetiche)
Alberi additivi
Bio CS
Condizione dei 4 punti A
B
C D
d
AC+ d
BD= d
AD+ d
BC= a + b + c + d + 2x = d
AB+ d
CD+ 2x a
b
x c
d
d
AB+ d
CD< d
AC+ d
BDd
AB+ d
CD< d
AD+ d
BCSe l’albero è additivo, allora deve essere rispettata la:
vicini non-vicini
Fondamentalmente dice che la distanza tra i vicini è minore di quella tra i non-vicini.
Condizione dei 4 punti
A
B
C
D
Partiamo da una struttura a stella (nessuna struttura gerarchica)
Lunghezza dell’albero Distanze pair-wise
Numero di taxa
NJ: costruzione dell’albero più corto
Neighbor Joining (NJ)
Bio CS
(Saitou and Nei, 1987)
N i
N j i
ij N
i iY
X X
N D D
D L
L
3 3
12 2
1
1 )
3 (
1
Possiamo utilizzare queste formule per calcolare la lunghezza del nuovo albero:
N i
iY X
X N
k
k k
XY
D D N L L L
L N
3 2
1 3
2
1
) ( 2 )( ) 2
) ( 2 (
2
1
(Saitou and Nei, 1987)
Ad ogni passo tutte le coppie di vicini vengono esaminate e viene scelta quella che produce l’albero più corto (criterio di minima evoluzione).
Neighbor Joining (NJ)
Bio CS
(Saitou and Nei, 1987)
Come nel caso di UPGMA ad ogni ciclo viene aggiunto un ramo interno … ma adesso è sempre il ramo più corto possibile !
(Saitou and Nei, 1987)
Come nel caso di UPGMA ad ogni ciclo viene aggiunto un ramo interno … ma adesso è sempre il ramo più corto possibile !
Albero non radicato
Massima parsimonia
Bio CS
Massima parsimonia
• Definizione:
parsimònia s. f. [dal lat. parsimonia, der. di parcĕre «risparmiare» (supino parsum)]. – La qualità di chi è parco; moderazione, giusta misura nell’uso del denaro o di altri beni, per un senso di doverosa economia o per abituale frugalità di vita: avere, usare p.; …
Principio, o legge, della p.: uno dei modi con cui viene denominato il principio (altrimenti detto legge di economia, o principio del minimo sforzo, o del minimo mezzo, o del minimo lavoro) così enunciato da G. Galilei nel «Dialogo sopra i due massimi sistemi» (Giornata seconda): la natura ... non opera con l’intervento di molte cose quel che si può fare col mez(z)o di poche, volendo significare che ogni fenomeno naturale si realizza sempre con il minimo dispendio sia di materia sia di energia.
http://www.treccani.it/vocabolario/parsimonia/
E’ possibile applicare il concetto di parsimonia alla costruzione di alberi filogenetici?
In fondo gli alberi filogenetici sono IPOTESI evolutive (come gli allineamenti utilizzati per definire le distanze tra i membri di un set di sequenze…). Quindi tra tutte le possibili ipotesi (alberi) vorremmo scegliere quella che spiega le sequenze con il minor numero di eventi evolutivi (da qui il termine parsimonia).
Tra tutte le possibili ipotesi in grado di spiegare i dati
(sequenze) vogliamo scegliere la più SEMPLICE
RASOIO DI
OCCAM
Massima parsimonia
Bio CS
Massima parsimonia:
• Osserviamo ogni colonna di un allineamento multiplo e costruiamo un albero che la “descriva”
• Costruiamo un albero consenso
atgccgca-actgccgcaggagatcaggactttcatgaatatcatcatgcgtggga-ttcag acctccatacgtgccccaggagatctggactttcacc---tggatcatgcgaccgtacctac t-atgg-t-cgtgccgcaggagatcaggactttca-gt--g-aatcatctgg-cgc--c-aa t--tcgt-ac-tgccccaggagatctggactttcaaa---ca-atcatgcgcc-g-tc-tat aattccgtacgtgccgcaggagatcaggactttcag-t--a-tatcatctgtc-ggc--tag
Massima parsimonia:
• Cosa intendiamo quando ci riferiamo ad un albero in grado di “descrivere” (spiegare) una colonna del multiallineamento?
Ipotesi di lavoro: Costruiamo tutti i possibili alberi per una colonna del multiallineamento e poi scegliamo il migliore PROBLEMI:
• Come costruiamo tutti i possibili alberi per una data colonna?
• Come riconosciamo l’albero migliore?
Massima parsimonia
Bio CS
Massima parsimonia:
• Come costruiamo tutti i possibili alberi per una data colonna?
• Come riconosciamo l’albero migliore?
Ad ogni nodo interno dell’albero possiamo mettere A oppure G. Alle foglie, invece, dobbiamo rispettare le proporzioni osservate (3A, 1G).
AGCT AACT AACT AACT
Topologie possibili : 1
A A A G
? (A or G)
? (A or G)
? (A or G)
Al posto dei TAXA abbiamo i nucleotidi (osservati)
Massima parsimonia:
• Come costruiamo tutti i possibili alberi per una data colonna?
• Come riconosciamo l’albero migliore?
Consideriamo il nucleotide più frequente (A) come ancestor …
AGCT AACT AACT AACT
Alberi possibili : 1
A A A G
A or G 0 0
A
A or G 0 if A
1 if G 0 if A
0 if A 1 if A
Al posto dei TAXA abbiamo nt
scelta: A
Massima parsimonia
Bio CS
Massima parsimonia:
• Come costruiamo tutti i possibili alberi per una data colonna?
• Come riconosciamo l’albero migliore?
Scegliamo i nucleotidi ai nodi interni in modo da spiegare i taxa (nt osservati) minimizzando il numero totale di sostituzioni!
AGCT AACT AACT AACT
Alberi possibili : 1
A A A G
A
A
A
1 if A Totale
sostituzioni : 1 (non male…)
Come determinare tutti i possibili alberi?
• Quando gli organismi sono 2 esiste un unico albero possibile:
A B
Massima parsimonia
Bio CS
Come determinare tutti i possibili alberi?
• Se gli organismi fossero 3
• Il terzo potrebbe posizionarsi …
A B
Come determinare tutti i possibili alberi?
E se gli organismi fossero 4 ?
Per ognuno dei tre possibli alberi precedenti potremmo aggiungere il quarto organismo ad ognuno dei loro 4 rami (o potremmo usarlo come una nuova radice)
Il numero di possibili alberi con 4 organismi è quindi:
3*5=15
A B
Se partissimo da quest’albero con 3 organismi
Massima parsimonia
Bio CS
Numero dei possibili alberi:
Ni : n. di alberi dati i taxa
Bi : n. di rami in un albero dati i taxa
Bi=Bi-1+2, e anche i * 2-2
Ni=Ni-1*(Bi-1+1)
+ 1 a causa della potenziale nuova radice
N2= 1
B2=2
Taxa Rami Alberi
2 2 1
3 4 3
4 6 15
5 8 105
6 10 945
7 12 10,395
8 14 135,135
9 16 2,027,025
10 18 34,459,425
11 20 654,729,075
Numero dei possibili alberi:
Ni : n. di alberi dati i taxa
Bi : n. di rami in un albero dati i taxa
Bi=Bi-1+2, e anche i x 2-2
Ni=Ni-1*(Bi-1+1)
+ 1 a causa della potenziale nuova radice
N2= 1
B2=2
Taxa Rami Alberi
2 2 1
3 4 3
4 6 15
5 8 105
6 10 945
7 12 10,395
8 14 135,135
9 16 2,027,025
10 18 34,459,425
11 20 654,729,075
A cosa assomiglia questo tasso di
crescita?
A cosa assomiglia questo tasso di
crescita?
Massima parsimonia
Bio CS
Numero dei possibili alberi:
Ni : n. di alberi dati i taxa
Bi : n. di rami in un albero dati i taxa
Bi=Bi-1+2, e anche i x 2-2
Ni=Ni-1*(Bi-1+1)
+ 1 a causa della potenziale nuova radice
N2= 1
B2=2
Taxa Rami Alberi
2 2 1
3 4 3
4 6 15
5 8 105
6 10 945
7 12 10,395
8 14 135,135
9 16 2,027,025
10 18 34,459,425
11 20 654,729,075
E’ definito da una relazione di ricorrenza, quindi …
Giusto… come al solito, esponenziale
E’ definito da una relazione di ricorrenza, quindi …
Giusto… come al solito,
esponenziale
Possiamo “risparmiare” qualche albero rinunciando alla radice:
• Alberi radicati e non radicati
• Ovunque sia la radice “appiattitela”
Massima parsimonia
Bio CS
Regole per alberi non radicati:
• Sono anch’essi biforcati
• Non è possibile che 3 rami partano da uno stesso nodo
A
B C
D
Possibili alberi non radicati per 4 taxa:
• Tre alberi possibili
A
B C
D
A
D C
B A
C B
D
Esistono altre
combinazioni?
Massima parsimonia
Bio CS
Possibili alberi non radicati per 5 taxa:
• Per ognuno dei tre alberi (da 4 taxa) possiamo
aggiungere un ramo ad ognuno dei 5 rami disponibili
• 3*5=15 alberi
A
B C
D
“Radicare” un albero:
• Outgroup
• Includere un organismo che sappiamo a priori essere più distante evolutivamente da ogni taxa rispetto ad ogni
distanza tra i taxa appartenenti all’albero da radicare
A
B C
D se outgroup si posiziona qui …
outgroup A B C D
Massima parsimonia
Bio CS
Numero di alberi non radicati:
Ni : num. alberi dati i taxa
Bi : num. rami in un albero dati i taxa
Bi=Bi-1+2, e anche i * 2-3
Ni=Ni-1*(Bi-1)
non serve il +1 per l’eventuale nuova radice … qui non ci sono radici
N2= 1
B2=2
Taxa Rami Alberi
3 3 1
4 5 3
5 7 15
6 9 105
7 11 945
8 13 10,395
9 15 135,135
10 17 2,027,025
11 19 34,459,425
12 21 654,729,075
Comparazione (alberi non radicati vs radicati):
• Riduzione
consistente del numero di alberi
• … e nonstante questo abbiamo
guadagnato un solo taxa (in termini di
relazione tra num.
alberi e num. taxa)
Taxa Alb. non radicati Alb. radicati
3 1 3
4 3 15
5 15 105
6 105 945
7 945 10,395
8 10,395 135,135
9 135,135 2,027,025
10 2,027,025 34,459,425
11 34,459,425 654,729,075 12 654,729,075 13,749,310,575
Massima parsimonia
Bio CS
Come possiamo ridurre la complessità del problema?
Non possiamo utilizzare la programmazione dinamica …
Il problema non è composto da sottoproblemi ripetitivi
Ogni sottoproblema è un albero … e ogni albero è unico …
La complessità è ancora
esponenziale…
La complessità è ancora
esponenziale…
EURISTICHE
tutti gli alberi
• Ignorare larghi subset di possibili soluzioni
• Utilizzare euristiche o metodi di predizione
Ignorare questa combinazione di rami
Costruzione di alberi filogenetici:
euristica Branch and Bound
Bio CS
Poniamo un limite
superiore ragionevole alla lunghezza
complessiva dell’albero utilizzando un algoritmo veloce (ad es. UPGMA) Poi esploriamo le
possibili soluzioni
purchè non superino la lunghezza stimata inizialmente
B & B dipende molto dalla qualità dei dati … e non garantisce di trovare la soluzione ottimale
euristica Branch and Bound
Branch and Bound ci fa “perdere” taxa nella soluzione finale? NO
Ci fa perdere alcune “topologie” tra le possibili
soluzioni? SI (è proprio questo il suo obiettivo … ma tra di esse potrebbe esserci la soluzione ottimale)
A
B C
X D X X
Non preoccupiamoci di questi possibili modi di ramificare … vanno oltre la soglia di
lunghezza
Torniamo all’algoritmo di Massima parsimonia
Bio CS
In alcune colonne i simboli sono tutti uguali
Non forniscono nessuna informazione
Tutti gli alberi hanno costo minimo
In alcune colonne i simboli sono tutti diversi
Anche queste sono inutili
Colonne informative devono contenere
almeno due simboli diversi ed almeno uno di essi deve essere ripetuto almeno due volte
AGCT AACT AACT ACCT
A A A A
A 0 0
A 0 A
0
0 0
l’albero consenso
• Ogni colonna genera un albero
• Se le topologie coincidono l’algoritmo finisce qui
• Se esistono topologie differenti
utilizziamo un criterio di “maggioranza”
• Se il campione (numero di sequenze) è troppo piccolo eseguiamo un
bootstrapping :
• Estraiamo casualmente sequenze dal multiallineamento
• Generiamo più alberi
• Etichettiamo i rami con la percentuale di occorrenze in cui compaiono in un albero
• Queste informazioni vengono utilizzate come misura di “ripetibilità” (più un ramo è frequente e più lo consideriamo
supportato dai dati)
Metodi per costruire alberi filogenetici
Bio CS
Metodi basati su:
• Distanza
• Massima parsimonia
• Massima verosimiglianza
Questi li abbiamo visti…
Il seguito nella prossima puntata …