Phylogentische Analysen - Grundlagen von Bäumen

Ein phylogenetischer Baum (Baum) repräsentiert Verwandtschaftsverhältnisse zwischen biologischen Einheiten basierend auf messbaren Eigenschaften. Anfänglich wurden in der numerischen Taxomonie morphologische Daten verwendet. Später folgten Sequenz-Informationen von Proteinen und DNA sowie Informationen aus DNA Fingerprint Analysen.

Die einfachste und gleichzeitig schnellste Methode, um einen Baum zu erstellen, ist mit Hilfe einer Distanz Matrix. Hierfür werden die einzelnen Sequenzen paarweise verglichen und jeweils ein Wert, der die Distanz beschreibt, festgehalten. In MEGA stehen Neighbor-Joining (NJ) und Unweighted Pair Group Method with Arithmetic Mean (UPGMA) als Distanz basierte Methoden zur Generierung eines phylogentischen Baumes zur Verfügung. Bei der Berechnung der entsprechenden Distanzen gibt es einfache Methoden und komplexere Modelle die man verwenden kann.

Zu den einfachen Methoden gehört, die Distanz als die Anzahl der Unterschiede (No. of differences) oder als proportionale Distanz (p-distance) zu bewerten. Die komplexeren Modelle (z.B. das Kimura 2-parameter Model) beziehen bei der Berechnung der Distanz verschiedene andere Faktoren mit ein. Zum Beispiel werden die DNA Veränderungen Transition und Transversion separat Betrachtet und können mit unterschiedlichen Raten belegt werden, was im Umkehrschluss dazu führt, dass die Distanz abhängig davon ist, wie viele Transversionen und Trasitionen im Vergleich vorkommen.
Neben der Wahl des Models bzw. der Methode, spielt auch der Umgang mit fehlenden Daten und Deletionen (gaps) eine nicht unwesentliche Rolle bei der Erstellung der Distanz Matrix. Zur Wahl steht, alle Positionen mit fehlenden Daten und Deletionen vor dem paarweise Vergleich aus dem Datensatz zu löschen (complete deletion), die entsprechenden Positionen nur beim Vergleich zweier Sequenzen zu ignorieren (pairwise deletion) oder Positionen deren Datengehalt unter einem bestimmten Maß liegt vor dem paarweise Vergleich aus dem Datensatz zu löschen (partial deletion).

Für unsere Zwecke - die DNA Diagnostik - spielen in erster Linie nur die tatsächlichen Unterschiede eine Rolle, weswegen wir auf die Verwendung eines komplexen Modells verzichten und die p-distance als Methode zur Erstellung der Distanz Matrix wählen. Beim Umgang mit fehlenden Date und Deletionen richten wir uns in der Regel nach der Art des Markers. Bei kodierenden Regionen (z.B. rbcL, matK), wo wir in der Regel keine Deletionen finden, verwenden wir complete deletion und bei Spacern (z.B. psbA-trnH) und Introns nutzen wir pairwise deletion um die entsprechende Information (InDels) nicht zu verlieren.

Voraussetzung für ein gutes Ergebnis ist allerdings ein gutes Alignment!

Wenn wir pairwise deletion verwenden, sollten das Alignment möglichst komplett sein (keine Positionen mit fehlenden Daten enthalten).

Simulationsdaten:

Ein kompletter Datensatz...

S1: ACTACTACTACTACT
S2: ACTACTACTACTATT
S3: ACTACTACTACTATT
S4: ACTACTACTACTAAT
S5: ACTACTACTACTAAT

NJ Baum auf S1 gewurzelt, pairwise deletion, kompletter Datensatz

Der selbe Datensatz mit fehlenden Daten...

S1: ACTACTACTACTACT
S2: ACTACTACTACTATT
S3: ACTACTACTACTATT
S4: --------TACTAAT
S5: ACTACTACTACTAAT

NJ Baum auf S1 gewurzelt, pairwise deletion, Datensatz mit fehlenden Informationen

Man sieht hier wie sich die Distanzen im Baum durch unvollständige Daten verändern und die "wahre" Situation verzerrt wird.

Bei complete deletion ist es besonders wichtig, dass keine sehr kurzen oder sehr schlechten Sequenzen (viele N's) enthalten sind, da sich das Löschen an der schlechstesten und kürzesten Sequenz orientiert und die Gefahr relevante Daten zu verlieren hoch ist.

So weit zu den wichtigsten Punkten...

Thomas