分子系统发育学是利用分子证据,尤其是脱氧核糖核酸、RNA和蛋白质序列,研究演化关系的学科。它是系统发育学的重要组成部分,旨在重建和解释演化历史。通过比较不同生物、种群或单个基因中可遗传的分子性状,分子系统发育学推断它们的共同祖先关系,以及各谱系沿演化历程积累的变化量;结合其他信息,还可以估计演化事件发生的时间。
这门学科的核心前提是,分子序列保留着历史信息。后代从祖先那里继承序列,而突变、重组、基因重复等过程则使序列发生改变。因此,序列的相似性包含共同祖先关系的证据,却并非这种关系的直接记录:同一种变化可能独立出现,早先的变化可能被后续变化覆盖,基因组的不同部分也可能有不同的历史。因此,分子系统发育学将生物学知识与明确的模型及统计推断相结合,而不是将序列相似性直接等同于演化树。
这门学科深刻改变了生物分类、生命起源与多样化研究,以及对病原体、古代种群和基因家族的分析。其研究结果取决于所选的生物和分子标记、对可比序列位点的识别、演化模型的适用程度,以及能否区分基因的历史与携带该基因的生物的历史。
历史基础与分子树的含义
分子系统发育学的思想基础是“伴随变异的传承”,这一理念由查尔斯·达尔文于1859年阐述。在分子序列数据出现之前,演化关系主要依据解剖结构、个体发育和化石来重建。分子比较引入了大量可供分析的性状,使研究者能够比较形态差异极大的生物。早期对细胞色素c、血红蛋白等蛋白质序列的比较表明,生化差异不仅可以从功能角度理解,也可以从演化历史的角度加以解释。
20世纪60年代初,埃米尔·祖克坎德尔和莱纳斯·鲍林提出,序列差异可以提供有关演化时间的信息。伊曼纽尔·马戈利亚什于1963年开展的细胞色素c序列比较,有力地展示了分子证据如何揭示生物之间的亲缘关系,产生了重要影响。沃尔特·菲奇与马戈利亚什于1967年提出了一种基于距离的建树方法。此后的进展包括木村资生于1968年提出的分子演化中性理论、约瑟夫·费尔森斯坦于1981年建立的适用于序列系统发育分析的实用最大似然框架,以及1985年将自助法评估引入系统发育分析。这些发展将分子比较与对演化变化及统计不确定性的明确描述联系起来。
系统发育树代表一种有关祖先关系的假说。树的末端通常表示所采样的生物、序列或种群;内部节点则表示推断出的祖先分化事件。分支的排列方式称为拓扑结构。一个演化支由某个祖先及其全部后代组成。若两个末端共享同一个直接祖先节点,它们便互为姐妹群,但这并不意味着其中一方是另一方的祖先。现生生物的系统发育树并不是将这些生物从原始到进步排列成一架阶梯:自共同祖先以来,所有现生末端都一直在演化。
枝长在不同类型的树图中含义不同。在演化量树中,枝长通常表示每个序列位点的预期替换次数;在时间树中,枝长表示经过的时间;分支图则着重展示分支顺序,不赋予枝长定量含义。这些表示方式不能混为一谈。较长的分子树枝可能反映较快的变化速率、较长的时间跨度,或二者兼有,而不意味着更高的复杂程度或更“进化”的状态。
定根确定了从祖先到后代的方向。许多分子方法最初估计的是无根树,它展示亲缘关系,却不指明最早的分化。可以利用外群、分子钟假设或包含方向性信息的模型来推断树根。外群定根依赖于将外群正确地置于研究类群之外;若外群与研究类群差异过大,定根结果可能失真。采样树的根也只是该样本所对应的共同祖先,并不一定代表更大范围生物类群的起源。
分子证据与标记选择
分子系统发育证据的范围很广,从单个基因的一小段序列,到分布于整个基因组的数千个位点,不一而足。常用数据包括核苷酸序列、翻译得到的氨基酸序列、基因的有无,以及基因组重排。每类数据都记录了演化变化的不同侧面。因此,标记的选择取决于分化发生的年代、所研究的生物以及要回答的生物学问题。适合区分近缘种群的序列,可能演化得过快,不适合解析数亿年前的演化关系。
核糖体RNA尤为重要,因为它存在于所有细胞生物中,并且兼有保守区和可变区。核糖体小亚基RNA的比较帮助确立了古菌的独特地位,也重塑了人们对细胞生物主要谱系间关系的认识。在细菌中,16S核糖体RNA基因仍广泛用于鉴定和确定大致的系统发育位置,不过,它的分辨率往往不足以区分近缘菌株或某些物种。当演化历史较为复杂时,单一的核糖体标记不能替代全基因组层面的证据。
细胞器基因组是另一类重要的证据来源。线粒体DNA广泛用于研究动物种群历史和物种鉴定,而叶绿体序列在植物系统学中一直发挥着核心作用。它们之所以有用,与拷贝数、易于获取,以及许多类群中相对简单的遗传方式等特点有关。这些优势也伴随着局限。一个细胞器基因组通常只代表一套相互连锁的遗传历史,而不是对生物体整个基因组的独立取样。杂交可使细胞器谱系在物种之间转移,而具有性别偏向的扩散则可能使细胞器呈现的模式与细胞核呈现的模式不同。
蛋白质编码基因可以在核苷酸、密码子或氨基酸层面进行分析。由于某些核苷酸替换不会改变所编码的氨基酸残基,氨基酸比较往往能够在分化年代久远的谱系之间保留有用的信号。反过来,将序列翻译为氨基酸序列,也会丢失可能对研究近期分化有价值的同义变异。非编码区、内含子、保守基因组元件及侧翼序列,则提供了保守性与变异性的其他组合。大规模研究常通过靶向富集或全基因组测序,对大量此类区域进行取样。
序列的数量并不等于独立历史证据的数量。同一非重组区域中的数千个位点共享同一谱系历史,而被重组分隔开的基因座则可能代表不同的谱系历史。缺失数据也需要结合具体情况来解读:序列不完整并不意味着一定无法使用,但如果数据缺失呈现有偏的分布模式,某些亲缘关系就可能缺乏足够证据。分类群取样与标记取样同样重要,因为有针对性地增加谱系,可以揭示中间变化、帮助阐明性状的含义,并将具有误导性的长分支拆分开来。
同调、直系同源与序列比对
分子系统发育比较首先要对同调作出判断:所比较的性状源自共同祖先中相对应的特征。仅有相似性并不能确立同调关系,因为功能约束可能使相似序列独立产生,在较短的基序中尤其如此。确定一个基因家族之后,另一项区分就变得至关重要。直系同源基因因物种形成事件而发生分化,旁系同源基因则因基因重复而发生分化。两者都具有同调关系,但它们各自的演化历史回答的是不同的问题。
如果在多个物种分化之前,一次古老的基因重复产生了两个基因拷贝,那么将这些拷贝混在一起构建的树,可能主要重建的是基因重复的历史,而非物种之间的关系。后续的基因丢失可能掩盖这次重复,使每个采样物种都只剩下一个拷贝,而这些拷贝与其他物种保留的拷贝未必具有直系同源关系。因此,直系同源关系的判定需要综合利用基因树、序列相似性、基因组邻域、拷贝数以及有关基因重复和丢失的知识。互为最佳序列匹配是有用的筛选工具,但并不能在所有情况下证明直系同源关系。
序列比对通过排列序列,使每一列代表一种假定的位置同调关系。替换改变同一列中的性状状态,而插入和缺失则需要用空位表示。对于亲缘关系较近、长度变化较少的序列,比对相对直接。当序列分化程度很高、含有重复结构域,或经历了大量插入和缺失时,比对就会变得困难。渐进式比对方法通过一系列比较逐步构建比对结果,迭代式方法则会修正先前的决定。这些方法使用的引导树有助于构建比对,但未必能作为可靠的最终系统发育树。
生物学结构信息可以改善比对。对于蛋白质编码 DNA,可以先将其翻译为氨基酸序列并进行比对,再将比对结果映射回密码子,从而帮助保持阅读框。核糖体 RNA 的比对可以纳入二级结构信息,因为配对位点受到维持碱基配对的约束。蛋白质结构域边界和保守的活性位点残基也能提供额外的定位参照。当纯粹依据数值计算的比对得分倾向于支持生物学上不合理的排列时,这类信息尤其重要。不过,强行施加错误的结构预期也会引入偏差。
对于无法确定如何比对的区域,有时会将其排除,或采用不同的比对方案分别进行分析。然而,过度修剪可能会移除真实的系统发育信号,只留下缺乏代表性的位点子集。插入和缺失也可以是提供信息的性状,而不仅仅是比对中的障碍,尽管许多标准的替换分析会将空位视为缺失观测值。更复杂的方法会对序列的插入、缺失和替换联合建模,有时还会同时估计序列比对和系统发育关系。无论采用何种方法,比对的不确定性都是系统发育不确定性的一部分:基于固定但错误的比对计算出的强统计支持,并不能证实其所依据的同调判断。
分子演化模型
替换模型描述分子性状的状态如何沿系统发育树的分支发生变化。它并不重现每一个生物化学事件,而是以概率近似的方式,将祖先序列与后代序列联系起来。最常用的核苷酸模型将位点的演化视为连续时间马尔可夫过程:未来状态的概率取决于当前状态和经过的演化距离,而不取决于此前状态的完整序列。各瞬时速率汇集在速率矩阵 中,长度为 的分支上的转移概率由下式给出:
1969 年提出的 Jukes–Cantor 模型假设,四种核苷酸的平衡频率相等,所有核苷酸替换的速率也相等。在该模型下,若观测到的差异位点比例为 ,则对应的校正距离为:
这一校正说明了为什么观测到的差异会低估实际的演化变化:同一位点可能发生多次变化,包括变回初始状态。随着 接近 ,估计值会变得越来越不稳定。当模型假设严重不成立时,这一公式通常并不适用。
更灵活的模型会区分转换与颠换,允许核苷酸频率不相等,或为不同替换类别估计不同的速率。广义时间可逆模型包含六个可交换性参数以及核苷酸频率,这些参数受到尺度归一化和可识别性约束。蛋白质模型采用 20 种状态,通常依赖于从大量序列比对中估计出的可交换性模式。密码子模型描述有义密码子之间的变化,并能区分同义替换与非同义替换。这些模型的参数将系统发育分析与功能约束及自然选择等问题联系起来,但参数的解释取决于模型和数据。
不同位点的演化速率也存在差异。功能上至关重要的位置可能变化缓慢,而其他位置则能容许大量替换。一种常见的近似方法是假定位点速率服从伽马分布,计算时通常用若干个离散速率类别来表示。另一些模型则允许不同位点具有不同的氨基酸偏好,或允许约束随谱系而变化。分区分析为基因、密码子位置等数据子集分别设置参数,但这些子集仍可共享部分参数或同一棵系统发育树。
模型选择评估拟合程度与复杂度之间的权衡,通常采用信息准则或预测方法。从有限的模型集合中选出最佳模型,并不能证明其中任何一个候选模型足以描述数据。标准模型通常假设各位点相互独立、性状状态的频率在不同谱系间保持稳定,以及整棵树上的替换过程相似。违反这些假设可能产生系统误差,而且这种误差会在数据集不断增大时持续存在。因此,模型充分性关注的是拟合后的模型能否再现观测数据的相关特征,而不仅仅是它是否优于更简单的备选模型。
系统发育树的重建方法
系统发育树重建是在选定的准则下,寻找能够解释所观测分子数据的亲缘关系。随着采样分类单元数量增加,可能的树的数量会急剧增长。对于 个带标签的分类单元,完全解析的无根二叉树的数量为
其中,双阶乘表示从该数开始,每隔一个正整数相乘,直至1。因此,即使是中等规模的数据集,也需要采用高效算法和启发式搜索,而不能穷尽考察每一种拓扑结构。不同方法以不同方式概括数据,对如何推断演化历史也有不同的假设。
距离法首先估计两两之间的演化距离,再构建一棵近似反映这些距离的树。斋藤成也和根井正利于1987年提出的邻接法,就是一种广泛使用的距离法。该方法计算效率高,可用于构建有价值的探索性树,或为更深入的搜索提供起始树。其准确性在一定程度上取决于估计的距离是否接近可加性树度量。将序列比对简化为两两距离,也会丢失分类单元间性状状态联合分布的部分信息。
最大简约法倾向于选择在既定性状处理方式下所需性状变化次数最少的树。其标准形式不需要显式的概率替换模型。不过,它仍有自身的假设,并且在某些演化条件下可能产生系统性错误。尤其是,没有近缘关系的谱系如果各自发生了许多独立变化,就可能看起来具有共同的衍生性状。这种现象称为长枝吸引,费尔森斯坦于1978年从理论上证明了它的存在。当模型能够充分描述演化过程时,基于模型的方法可以减轻这一问题;但如果模型设定不当,这些方法也无法避免类似的假象。
最大似然法寻找使观测数据出现概率最大的拓扑结构、枝长和模型参数。对于序列比对 、树 和参数 ,其目标函数为 。费尔森斯坦剪枝算法通过在树上进行递归运算,对可能的祖先状态求和,从而高效地计算似然值。实际使用的软件将这类计算与枝长优化、拓扑重排相结合。多次搜索可能十分重要,因为启发式过程可能陷入不同的局部最优解。
贝叶斯推断将似然与先验分布相结合,以估计树和参数的后验分布:
当无法直接计算时,可用马尔可夫链蒙特卡洛及相关方法来近似这一分布。与只寻找一棵最优树的分析不同,贝叶斯推断自然会产生一组抽样得到的树,但其可靠性取决于先验分布是否恰当、搜索是否充分以及是否收敛。无论是似然分析还是贝叶斯分析,都不能自动解决数据信息不足、同源关系判定错误,或生物演化历史难以用单棵二叉树充分表示的问题。
统计支持度与不确定性的来源
重建的系统发育树是一种估计,其不确定性可能涉及拓扑结构、分支长度、祖先状态、模型参数或分化时间。这些不确定性彼此关联,但又各不相同。在给定某一拓扑结构的条件下,一条分支的长度可能估计得很精确,而拓扑结构本身仍存疑。同样,看似得到充分支持的亲缘关系,也可能依赖于错误的序列比对或替换模型。因此,只有结合产生统计支持度的数据、假设和推断方法,才能解释这些指标的含义。
非参数自助法用于评估结果对所抽取性状数据的敏感性。在系统发育分析的常规做法中,对序列比对的各列进行有放回重抽样,生成与原始比对等长的重复数据集。随后根据每个重复数据集推断一棵树,而某个演化支的支持度,就是包含该演化支的重复树所占的比例。自助支持率为 90%,意味着该演化支出现在这些重复分析结果的 90% 中;不能简单地将其理解为该演化支有 90% 的概率真实存在。当位点之间存在相关性,或重抽样单位与相关生物学层面的独立单位不一致时,对结果的解释就会变得复杂。
贝叶斯演化支后验概率在形式上具有不同的含义:它表示在指定模型、先验和数据的条件下,某个演化支的后验概率。它与自助支持率不能互换使用。在模型设定有误的情况下,后验概率仍可能很高;而混合不充分的采样过程,也可能造成确定性很高的假象。独立运行多次采样、考察有效样本量,以及比较采样得到的树分布,都有助于诊断计算问题,但没有任何单一诊断指标能够证明树空间中所有相关区域都已得到探索。
还可以通过比较施加不同约束的假设来评估不确定性。基于似然的拓扑检验用于评估数据能否区分所提出的候选树,而参数模拟则可用于考察拟合模型下的预期表现。这些检验各有特定的零假设和关于候选树选择的假设;未能拒绝某种拓扑结构,并不等于证明它正确。对汇总树的解读也需要同样谨慎。合意树可以展示反复重建得到的演化支,并将尚未解析的关系折叠为多分叉,但多分叉可能反映的是证据不足,而非真正同时发生的分化。
系统误差值得单独讨论,因为增加性状数量并不一定能减小这类误差。组成偏倚、未识别出的旁系同源关系、污染、不恰当的定根,以及未得到充分建模的速率变异,都可能导致支持度很高的错误结果。敏感性分析考察的是,在采用不同的分类单元选择、序列比对、分区方案和模型时,推断出的亲缘关系是否依然成立。逐基因或逐位点的一致性指标则提供了另一种视角,用于描述某种亲缘关系在整个数据集中得到支持的广泛程度。拼接比对的自助支持率很高,并不一定意味着大多数基因单独分析时也支持同一种亲缘关系。
基因历史、物种历史与演化网络
基因树描述所采样基因拷贝的祖先关系;物种树描述种群或物种的分支历史。两者不一定一致。在物种形成过程中,祖先的遗传变异可能经历多次相继的分化而持续存在,不同的后代物种也可能保留不同的祖先谱系。这就产生了不完全谱系分选。当相继发生的物种形成事件之间的时间间隔,相对于祖先有效种群大小而言较短时,这种现象尤其容易发生。因此,即使基因树估计正确,也可能与物种树不一致,而无须涉及分析错误或基因转移。
溯祖理论沿时间逆向追溯所采样基因拷贝的祖先关系。在一个简单的三物种模型中,假设物种树为 ,内部枝的长度以溯祖单位计为 。基因树与物种树一致的概率为
而两种不一致的基因树拓扑各自出现的概率为
这些表达式以不含迁移的标准多物种溯祖模型为前提。它们说明,即使所有基因树都被完全准确地推断出来,较短的祖先分支时间间隔仍可导致相当程度的不一致。
串联分析将多个位点合并为一个序列比对,通常据此估计一个共同的拓扑结构。当不一致程度较低时,这种方法可能很有效;但在谱系分选广泛存在的某些情况下,它可能产生误导。相比之下,多物种溯祖方法对不同基因谱系之间的变异进行建模。其中一些方法根据先前推断的基因树估计物种树,另一些则联合分析序列与基因谱系。这些方法的假设至关重要:基因树估计误差、位点内重组、采样不足以及未纳入模型的基因流,都可能影响结果。在某些涉及较多分类单元的情形下,即便是最常见的基因树拓扑,也不一定与物种树拓扑相同。
基因重复与丢失是不一致的另一来源。基因树协调分析将推断出的基因重复、丢失,有时还包括转移事件,映射到一个假定的物种历史上。这一框架有助于研究基因家族的扩张和新分子功能的起源。水平基因转移在微生物演化中尤为重要,它能使基因在不具有直接祖先—后代关系的谱系之间转移。杂交与基因渗入也会使遗传物质跨越种群或物种边界转移,其影响范围可能仅涉及基因组中的小片段,也可能涵盖基因组的相当大一部分。
分支树对许多问题仍然有用,但对于包含网状演化的历史,系统发育网络可能是更好的表示方式。网络分析会引入额外参数,而且往往难以区分导致不一致的不同原因。例如,谱系分选和基因渗入都可能产生相互冲突的基因树。要区分二者,需要依靠多个位点呈现的模式、分支长度、种群采样以及明确的统计模型。因此,基因组历史通常从几个层面来描述:种群分化框架、基因谱系的分布,以及特定的遗传交换事件。
分子钟与进化时间尺度
分子钟将分子变化与经过的时间联系起来。在严格分子钟模型下,一个谱系以恒定速率积累替换,因此,一条分支的预期分子长度等于速率与持续时间的乘积。对于从共同祖先分化而来的两个谱系,可以用以下简化关系表示:
其中, 是两个谱系经校正的序列差异, 是每个谱系在单位时间内的替换速率, 是自分化以来经过的时间。该表达式假定两个谱系的替换速率相等,但仍需考虑多重替换的影响。
替换速率并非普适常数。由于突变过程、世代间隔、功能约束、选择及其他因素的差异,替换速率会随基因、位点、生物及时间尺度而变化。松弛分子钟模型允许不同分支具有不同速率:既可以设定祖先与后代速率之间的相关性,也可以采用不施加这种相关性的分布。局部分子钟模型则为选定的若干组分支分别赋予共同速率。采用何种模型,既会影响推断出的年代,也会影响其不确定性。
仅凭分子分支长度,通常只能确定速率与时间的乘积,而不能分别确定速率和时间。要确定绝对年代,就需要校准信息。化石可以证明某个谱系在特定时间已经存在,但已知最古老化石的年代并不自动等于该谱系起源的确切年代。如何使用化石,取决于其鉴定结果、地质年代及其在系统发育树中的位置。校准时,需要区分冠群与范围更广的干系亲缘关系;冠群包括现生成员的最近共同祖先及其所有后代。混淆这些位置,可能使推断出的年代发生显著偏移。
放射性测年和地层学证据能够独立于分子序列,对化石年代提供约束。校准分布可以纳入最小年龄、有充分依据的年龄上限,以及化石解释中的不确定性。末端定年方法可以将化石类群和形态数据直接整合到带有时间尺度的分析中。如果采样期间积累了足够多的替换,那么在已知日期采集的近代序列也能提供另一种校准依据。这种方法对于快速进化的病毒和某些古遗传数据集尤为重要,但必须证实数据中存在时间信号,而不能直接假定其存在。
年代估计共同取决于序列信息、树拓扑、速率模型、校准选择,以及种群动态或谱系多样化方面的假设。采用多项校准并不自动保证结果准确,尤其是在这些校准具有共同系统误差的情况下。在贝叶斯定年中,校准分布与树先验之间的相互作用,可能产生与各项单独设定形式不同的实际年龄分布。因此,报告的区间反映的是在所采用框架下的不确定性,而非所有可能来源的不确定性。比较分子定年结果与化石记录时,只有明确说明这些不同的假设,才能获得最有价值的信息。
在生物学各领域的应用
分子系统发育学通过检验已命名的类群是否对应演化支,重塑了分类学。它能够揭示隐蔽的谱系,识别趋同演化造成的误导性相似之处,并确定那些形态上缺乏足够鉴别特征的生物的系统位置。分子证据本身并不能解决所有物种界定问题,因为不同的物种概念分别侧重生殖隔离、生态分化或谱系历史。可靠的分类通常会将分子研究结果与解剖学、地理分布、行为及其他生物学证据相结合,而不是用单一的序列阈值取代这些证据来源。
对深层演化关系的比较研究尤其具有影响力。卡尔·伍斯和乔治·福克斯于1977年开展的核糖体RNA研究,将当时称为古细菌的谱系与其他原核生物区分开来。1990年,伍斯、奥托·坎德勒和马克·惠利斯提出三域系统,正式将细菌域、古菌域和真核生物域确立为主要类群。此后的系统基因组学分析提供了大量证据,表明真核生物起源于古菌内部的某个谱系,但早期细胞生物之间关系的具体细节仍易受采样和建模方式的影响。分子系统树也支持线粒体和叶绿体由细菌谱系经内共生而起源的内共生学说。
在流行病学中,病原体序列有助于研究病原体的传入、种群结构以及谱系在时间和空间上的传播。谱系地理学将谱系关系与地理分布联系起来,而系统发育动力学则将遗传变异与种群增长、传播等过程联系起来。这些分析已广泛应用于人类免疫缺陷病毒、流感病毒、埃博拉病毒和SARS-CoV-2的研究。对分析结果的解释高度依赖采样、演化速率和流行病学背景。仅凭序列高度相近,既不能确定两个个体之间存在直接传播,也不能判断传播方向,或排除未经采样的中间传播者。
古DNA使研究者能够直接对已灭绝种群进行分子比较。对尼安德特人和丹尼索瓦人基因组的分析,既揭示了人类各谱系之间的分化,也揭示了它们之间的遗传交流,说明严格的分支式历史为何可能并不完整。古代序列还为研究驯化动物、作物和过去生态系统的历史提供了信息。这类研究面临的特殊挑战包括DNA片段化、化学损伤、环境污染以及来自现代生物的污染。因此,真实性鉴定和考虑损伤特征的数据处理,是解释由此获得的系统发育关系时不可或缺的环节。
其他应用则将演化历史与功能和保护联系起来。基因家族树有助于区分继承自祖先的功能与特定谱系中新出现的功能。祖先序列重建可推断过去的分子状态,并为古代蛋白质的实验研究提供指导,但推断出的序列存在不确定性,也可能受演化模型选择的影响。在保护生物学中,系统发育多样性指标用于量化一组物种所代表的演化历史总量。DNA条形码和环境DNA有助于物种鉴定和生物多样性调查,但通过参考序列确定样本归属,与重建相关生物的完整演化历史是不同的任务。
系统发育基因组学、计算与可重复性
系统发育基因组学将分子系统发育的推理方法扩展到大规模基因集合或整个基因组。其优势包括更广泛地覆盖基因组信息,以及能够比较相互冲突的演化历史,而不必依赖单一标记。其核心难点在于,基因组尺度的数据既会放大有用信号,也会放大系统误差。如果直系同源关系识别有误、模型未能充分描述演化过程,或将不同的演化历史强行纳入不适当的统一框架,那么包含数百万个位点的数据集也可能强烈支持错误的亲缘关系。
计算工作流程通常包括序列质量评估、组装或比对到参考序列、基因预测、同源性检测、多序列比对、模型设定、系统发育树推断和结果评估。每个阶段都可能改变最终结果。污染序列可能使样本在系统发育树上落在污染来源生物附近,而组装伪影则可能产生虚假的基因拷贝。质量不佳的注释可能引入移码或造成蛋白质截短。自动化流程使大规模分析成为可能,但要确保可重复性,就必须记录其中的筛选规则和各个中间步骤所作的决定,而不仅仅是用于推断最终系统发育树的命令。
广泛使用的程序分别承担这一流程中的不同任务。MAFFT提供多序列比对方法;RAxML和IQ-TREE进行基于似然的系统发育推断;MrBayes实现贝叶斯系统发育树估计;BEAST则为带有时间尺度的演化分析提供贝叶斯框架。ASTRAL在以溯祖理论为基础的框架下,根据一组基因树估计物种树。这些程序并不是对同一种分析的可互换封装。它们在模型、搜索程序、支持度指标、输入假设以及分区处理方式上都可能存在差异,因此软件的选择也是科学研究方案的一部分。
大型数据集会带来几种不同的计算瓶颈。似然计算的工作量随位点数、分类单元数、性状状态数和速率类别数而增加,而拓扑搜索则必须探索庞大的离散空间。并行计算、向量化数值运算、位点模式压缩和高效的树更新方法可以降低计算成本。位点异质性模型、物种树联合分析和演化网络的计算需求,可能远高于较简单的单树分析。因此,计算上的便利往往会影响哪些模型能够实际采用,这也使得区分实用性近似与已确立的生物学特性尤为重要。
可重复的研究应保留序列登录号信息、分类单元标签、比对结果、排除的区域、分区定义、软件版本、参数设置、适用时的随机种子,以及推断得到的系统发育树,并明确定义树上的分支注释。Newick格式广泛用于表示系统发育树,而功能更丰富的格式还可以存储元数据和备选树。当前的方法学研究致力于在不使推断的计算量超出可处理范围的前提下,将比对不确定性、重组、演化约束的变化以及基因组不同区域间的演化历史不一致纳入分析。一个反复出现的挑战是,确定哪些亲缘关系在多种合理的生物学模型下都保持稳健,哪些仍然依赖于少数特定的分析选择。