分子进化树的构建方法

1、分子进化树的构建方法分子进化树的构建方法2011-05-21 09:33:32| 分类： 实验探索 | 标签： |字号大 中小 订阅分子进化树的构建方法自夕岚一瞥的博客一、引言 开始动笔写这篇短文之前，我问自己，为什么要写这样的文 章？写这样的文章有实际的意义吗？我希望能够解决什么 样的问题？带着这样的疑惑，我随手在丁香园（ DXY ）上以 关键字“进化分析 求助”进行了搜索，居然有 289 篇相关 的帖子（2006年9月12日）。而以关键字“进化分析” 和“进 化”为关键字搜索，分别找到 2,733 和 7,724 篇相关的帖子。 考虑到有些帖子的内容与分子进化无关，这里我保守的估 计，大约

2、有 3,0004,000 篇帖子的内容，是关于分子进化的。 粗略地归纳一下，我大致将提出的问题分为下述的几类： 1涉及基本概念。例如， “分子进化与生物进化是不是一个概念”，“关于微卫星进化模型有没有什么新的进展” 以及“关 于 Kruglyak 的模型有没有改进的出现” ，等等。 2关于构建进化树的方法的选择。例如，“用 boostrap NJ得到 XX 图，请问该怎样理解？能否应用于文章？用 boostrap test 中的 ME 法得到的是 XXX 树，请问与上个树比， 哪个更” A/r A/r3关于软件的选择。例如， “想做一个进化树，不知道什么 软件能更好的使用且可以说明问题，并且有

3、没有说明如何 做”，“拿到了 16sr RNA 数据，打算做一个系统进化树分析， 可是原来没有做过这方面的工作啊，都要什么软件” ，“请问 各位高手用 clustalx 做出来的进化树与 phylip 做的有什么区 别”，“请问有做过进化树分析的朋友，能不能提供一下，做 树的时候参数的设置，以及代表的意思。还有各个分支等数 值的意思，说明的问题等” ，等等。 4蛋白家族的分类问题。例如， “搜集所有的关于一个特定 domain 的序列， 共 141 条，做的进化树不知具体怎么分析”5新基因功能的推断。例如， “根据一个新基因 A 氨基酸序 列构建的系统发生树， 这个进化树能否说明这个新基因 A

4、 和 B 同源，属于同一基因家族” ，等等。6计算基因分化的年代。例如， “想在基因组水平比较两个 或三个比较接近物种之间的进化年代的远近，具体推算出他们之间的分歧时间” ，“如何估计病毒进化中变异所需时间”7进化树的编辑。例如生成的进化树图片，如何进行后续 的编辑，比如希望在图片上标注某些特定的内容，等等。 由于相关的帖子太多，作者在这里对无法阅读全部的相关内 容而致以歉意。同时，作者归纳的这七个问题也并不完全代 表所有的提问。对于问题 1 所涉及到的基本的概念，作者推 荐读者可参考由 Masatoshi Nei 与 Sudhir Kumar 所撰写的分 子进化与系统发育 （ Molecul

5、ar Evolution and Phylogenetics ） 一书，以及相关的分子进化方面的最新文献。对于问题7，作者之一 lylover 一般使用 Powerpoint 进行编辑，而 Photoshop、 Illustrator 及 Windows 自带的画图工具等都可以 使用。这里，作者在这里对问题 2-6 进行简要地解释和讨论，并希 望能够初步地解答初学者的一些疑问。二、方法的选择 首先是方法的选择。基于距离的方法有 UPGMA 、 ME （Minimum Evolution ，最小进化法） 和 NJ（ Neighbor-Joining ， 邻接法） 等。其他的几种方法包括 MP（

6、Maximum parsimony ， 最大简约法） 、 ML （ Maximum likelihood ，最大似然法）以 及贝叶斯（Bayesian）推断等方法。其中 UPGMA法已经较 少使用。一般来讲，如果模型合适， ML 的效果较好。对近缘序列， 有人喜欢 MP ，因为用的假设最少。 MP 一般不用在远缘序列 上，这时一般用 NJ或ML。对相似度很低的序列，NJ往往出现 Long-branch attraction （LBA ，长枝吸引现象） ，有时严 重干扰进化树的构建。贝叶斯的方法则太慢。对于各种方法 构建分子进化树的准确性，一篇综述（Hall BG. Mol Biol Evol2

7、005, 22（3）:792-802）认为贝叶斯的方法最好，其次是ML，然后是 MP 。其实如果序列的相似性较高，各种方法都会得 到不错的结果，模型间的差别也不大。对于 NJ 和 ML ，是需要选择模型的。 对于各种模型之间的理 论上的区别，这里不作深入的探讨，可以参看 Nei 的书。对 于蛋白质序列以及 DNA 序列，两者模型的选择是不同的。 以作者的经验来说，对于蛋白质的序列，一般选择 Poisson Correction （泊松修正）这一模型。而对于核酸序列，一般选 择 Kimura 2-parameter （ Kimura-2 参数）模型。如果对各种 模型的理解并不深入，作者并不推荐初

8、学者使用其他复杂的 模型。Bootstrap 几乎是一个必须的选项。一般 Bootstrap 的值 >70，则认为构建的进化树较为可靠。如果Bootstrap的值太低，则有可能进化树的拓扑结构有错误，进化树是不可靠 的。对于进化树的构建，如果对理论的了解并不深入，作者推荐 使用缺省的参数。 需要选择模型的时候 （例如用 NJ 或者 ML建树），对于蛋白序列使用 Poisson Correction 模型，对于核 酸序列使用 Kimura-2 参数模型。 另外需要做 Bootstrap 检验， 当 Bootstrap 值过低时， 所构建的进化树其拓扑结构可能存在 问题。并且，一般推荐用两种

9、不同的方法构建进化树，如果 所得到的进化树类似，则结果较为可靠。三、软件的选择表 1 中列出了一些与构建分子进化树相关的软件。构建 NJ 树，可以用 PHYLIP （写得有点问题，例如比较慢， 并且 Bootstrap 检验不方便）或者 MEGA 。 MEGA 是 Nei 开 发的方法并设计的图形化的软件，使用非常方便。作者推荐 MEGA 软件为初学者的首选。虽然多雪列比对工具 ClustalW/X 自带了一个 NJ 的建树程序，但是该程序只有 p-distance 模型， 而且构建的树不够准确， 一般不用来构建进 化树。构建MP树，最好的工具是 PAUP，但该程序属于商业软件， 并不对学术免

10、费。因此，作者并不建议使用 PAUPo而MEGA 和 PHYLIP 也可以用来构建进化树。这里，作者推荐使用 MEGA来构建MP树。理由是，MEGA是图形化的软件，使 用方便，而PHYLIP则是命令行格式的软件， 使用较为繁琐。 对于近缘序列的进化树构建，MP方法几乎是最好的。构建ML树可以使用PHYML，速度最快。或者使用Tree-puzzle,速度也较快，并且该程序做蛋白质序列的进化 树效果比较好。而 PAML 则并不适合构建进化树。 ML 的模 型选择是看构出的树的 likelihood 值，从参数少，简单的模 型试起， 到 likelihood 值最大为止。 ML 也可以使用 PAUP

11、 或 者PHYLIP来构建。这里作者推荐的工具是 BioEdit。BioEdit 集成了一些 PHYLIP 的程序，用来构建进化树。 Tree-puzzle 是另外一个不错的选择，不过该程序是命令行格式的，需要 学习 DOS 命令。 PHYML 的不足之处是没有 win32 的版本， 只有适用于 64 位的版本，因此不推荐使用。值得注意的是， 构建 ML 树， 不需要事先的多序列比对， 而直接使用 FASTA 格式的序列即可。贝叶斯的算法以 MrBayes 为代表，不过速度较慢。一般的进 化树分析中较少应用。由于该方法需要很多背景的知识，这 里不作介绍。表 1 构建分子进化树相关的软件软件网址

12、说明ClustalX http:/bips.u-strasbg.fr/fr/Documentation/ClustalX/图形化的多序列比对工具ClustalWhttp:/www.cf.ac.uk/biosi/research/biosoft/Downloads/clustalw.html 命令行格式的多序列比对工具GeneDoc/biomed/genedoc/ 多序列比对结果的美化工具BioEditML/BioEdit/bioedit.html序列分析的综合工具MEGAhttp:/ 图形化、集成的进化分析工具，不

13、包括PAUP/商业软件，集成的进化分析工具PHYLIP/phylip.html免费的、集成的进化分析工具PHYMLhttp:/atgc.lirmm.fr/phyml/最快的 ML 建树工具PAMLhttp:/abacus.gene.ucl.ac.uk/software/paml.htmlML 建树工具Tree-puzzle http:/www.tree-puzzle.de/较快的 ML 建树工具MrBayes/基于贝叶斯

14、方法的建树工具MAC5http:/ http:/taxonomy.zoology.gla.ac.uk/rod/treeview.html进化树显示工具 需要注意的几个问题是，其一，如果对核酸序列进行分析， 并且是 CDS 编码区的核酸序列， 一般需要将核酸序列分别先 翻译成氨基酸序列，进行比对，然后再对应到核酸序列上。 这一流程可以通过 MEGA 3.0 以后的版本实现。 MEGA3 现 在允许两条核苷酸，先翻成蛋白序列比对之后再倒回去，做 后续计算。其二，无论是核酸序列还是蛋白序列，一般应当 先做成 FASTA 格式。 FASTA 格式的序列，第一行由符号 “> ”开头，后面跟着序列的

15、名称， 可以自定义，例如 user1， protein1 等等。 将所有的 FASTA 格式的序列存放在同一个文 件中。文件的编辑可用 Windows 自带的记事本工具，或者 EditPlus （ google 搜索可得）来操作。文件格式如图 1 所示： 图 1 FASTA 格式的序列另外，构建 NJ 或者 MP 树需要先将 序列做多序列比对的处理。作者推荐使用 ClustalX 进行多序 列比对的分析。多序列比对的结果有时需要后续处理并应用 于文章中， 这里作者推荐使用 GeneDoc 工具。而构建 ML 树 则不需要预先的多序列比对。 因此，作者推荐的软件组合为： MEGA 3.1 + C

16、lustalX + GeneDoc + BioEdit 。 四、数据分析及结果推断 一般碰到的几类问题是， （ 1）推断基因 /蛋白的功能；（2）基因/蛋白家族分类；(3)计算基因分化的年代。关于这方面的 文献非常多，这里作者仅做简要的介绍。推断基因 /蛋白的功能，一般先用 BLAST 工具搜索同一物种 中与不同物种的同源序列， 这包括直向同源物 (ortholog )和 旁系同源物(paralog )。如何界定这两种同源物，网上有很 多详细的介绍， 这里不作讨论。 然后得到这些同源物的序列， 做成 FASTA 格式的文件。一般通过 NJ 构建进化树，并且进 行 Bootstrap 分析所得到

17、的结果已足够。 如果序列近缘， 可以 再使用 MP 构建进化树，进行比较。如果序列较远源，则可 以做 ML 树比较。使用两种方法得到的树，如果差别不大， 并且 Bootstrap 总体较高，则得到的进化树较为可靠。基因 /蛋白家族分类。 这方面可以细分为两个问题。 一是对一 个大的家族进行分类，另一个就是将特定的一个或多个基因 /蛋白定位到已知的大的家族上， 看看属于哪个亚家族。 例如， 对驱动蛋白( kinesin )超家族进行分类，属于第一个问题。 而假如得到一个新的驱动蛋白的序列，想分析该序列究竟属 于驱动蛋白超家族的 14 个亚家族中的哪一个，则属于后一 个问题。这里，一般不推荐使用 MP 的方法。大多数的基因 / 蛋白家族起源较早， 序列分化程