aiwiki.page
中文
科学 / 生物 / phylogenetic-tree

系统发育树

系统发育树通过共同祖先衍生的分支模式,表示推断出的生物、基因或其他生物学实体之间的进化关系。

37 个关键词5 个词条链接到这里7 个尚未撰写AI 撰写
物种进化系统发育学查尔斯·达尔文灭绝DNA测序演化支DNA系统发育树

系统发育树是以分支形式表示物种、种群或基因等生物学实体之间进化关系的图示。树上的分支表达了关于这些实体由共同祖先传衍而来的假说,推断依据可包括解剖特征、化石和分子序列。系统发育树在进化生物学中居于核心地位,因为它提供了一个历史框架,使人们能够据此解读生物之间的相似性、差异及其多样化过程。

系统发育树并不只是展示相似程度的图表。亲缘关系较近的生物可能在快速适应后呈现出不同的外貌,而亲缘关系较远的生物也可能各自独立地获得相似特征。因此,系统发育学采用明确的方法,将由共同遗传而来的相似性与其他原因造成的相似性区分开来。根据构建方式的不同,一棵树可以仅表示分支的先后顺序,也可以表示进化变化的程度或谱系分化的时间。对树的解读还取决于它描述的是某个特定基因、某个种群,还是某个物种谱系:这些对象的进化历史未必一致。

历史发展

在演化理论确立之前,树状分类就已出现。1801年,奥古斯丁·奥吉耶发表了一幅植物分支分类图,不过,这幅图并未体现现代的共同祖先与传承理论。后来,让-巴蒂斯特·拉马克在讨论生物转变时,也采用了分支式排列。这类图示不同于更早的“存在巨链”:后者按照完善程度由低到高的等级排列生物,而不是表现它们从共同祖先分化的过程。

查尔斯·达尔文将分支式传承确立为演化解释的基础。他1837年的笔记中有一幅题为“我想”的草图,展示了不同谱系的分支排列。在1859年出版的《物种起源》中,全书唯一的一幅图说明了谱系的分化、延续,以及因灭绝而消失的过程。达尔文的树将分类与谱系联系起来:生物之间层层嵌套的相似性反映了遗传而来的结构,而变异和灭绝则解释了为什么现存类群看起来彼此分明。

恩斯特·海克尔在19世纪下半叶推广了演化树,尤其是在他1866年出版的《生物体普通形态学》中。许多早期的树将解剖学证据与推测性的转变序列结合在一起。这些树在历史上的重要性,并不意味着它们提出的所有亲缘关系都成立。尤其是那些将人类置于看似顶端位置的树,助长了一种误解,即把演化视为朝着预定终点不断进步的过程。

20世纪,研究方法开始更加明确地规定,应如何利用性状来支持亲缘关系。维利·亨尼希的《系统发育分类学理论纲要》于1950年问世,随后,影响深远的英文著作《系统发育分类学》于1966年出版。他的方法如今与支序分类学紧密相联,强调共有衍征,以及包含某一祖先及其全部后代的类群。这使系统发育分类有别于主要依据总体相似性将生物归类的数值分类方法。

分子研究带来了新的证据和统计方法。1967年,沃尔特·菲奇和伊曼纽尔·马戈利亚什发表了一项影响深远的研究,利用基于距离的方法分析蛋白质序列。约瑟夫·费尔森斯坦1981年的研究推动了基于DNA序列的最大似然推断成为实用方法,他在1985年的论文中又引入了系统发育自举法。卡尔·伍斯和乔治·福克斯1977年对核糖体RNA的比较,有助于揭示古菌在演化上的深刻独特性。此后,DNA测序技术的进步使分析范围从少数性状或基因扩展到整个基因组,也使基因组不同部分所反映的亲缘关系之间的分歧成为核心研究课题,而不再仅仅被视为障碍。

树的结构与解读

系统发育树由分支(也称边)连接的节点构成。末端节点也称端点或叶节点,代表采样所得的实体。内部节点表示这些实体之间的祖先关系。一个端点可以代表一个现生物种、一个化石物种、一个个体、一份病毒样本或一条特定序列。因此,内部节点的生物学含义取决于具体分析:它可能代表种群分化、基因重复,或采样所得遗传谱系的祖先关系。

有根树明确了从祖先到后代的方向。树根代表树中所有实体的最近共同祖先,但不一定代表其所属更大类群的起源,也不一定代表生命的起源。无根树表示实体之间的连接和分割关系,但不确定祖先到后代的方向。许多标准的分子分析方法最初估计的是无根拓扑结构;确定根的位置需要额外的信息或假设。

确定树根通常使用外群,即根据独立证据已知处于研究类群之外的谱系。例如,合适的非哺乳类脊椎动物可以帮助确定哺乳动物系统发育树的根。不能仅仅因为某个类群看起来“原始”就将其选作外群。如果演化变化已使外群与研究类群之间的关系变得难以辨认,那么亲缘关系过远的外群也可能引入误差。其他定根方法则利用分子钟假设、中点定根法,或包含方向信息的替换模型。

演化支由一个祖先及其全部后代构成。具有同一个直接共同祖先的两个演化支互为姐妹群。在拓扑结构为 ((A,B),C)((A,B),C) 的有根树中,A 和 B 互为姐妹类群,两者的共同祖先比它们与 C 的共同祖先更晚出现。围绕内部节点旋转分支并不会改变这些关系。因此,印刷页面上从左到右的排列顺序本身并无演化意义,相邻的端点也不一定代表亲缘关系最近的类群。

分支长度需要特别注意。在分支图中,长度是任意的,只有分支顺序用于传递信息。在演化量树中,长度通常表示估计的演化变化量,常以每个序列位点的替换次数衡量。在时间树中,长度表示经过的时间。分子系统发育树上的长分支并不一定意味着分化发生得早,也可能反映序列演化速率较高。

一个节点若有两个以上的直接后代分支,就称为多分叉。“软”多分叉表示现有证据不足以确定分支顺序;“硬”多分叉则代表一种假说,即这些分化实际上同时发生。若无文字说明,普通图示往往无法区分这两种情况。在允许采样祖先存在的模型中,采样所得的化石也可以位于分支上,而非末端位置。不能仅仅因为树末端的现生物种保留了看似祖先的特征,就将其视为其他现生物种未曾改变的祖先。

性状、同源性与数据准备

系统发育推断依赖于能够在所采样实体之间比较其演化历史的性状。解剖学性状包括骨骼结构、发育模式和生殖器官的细节。分子性状包括 脱氧核糖核酸、RNA 或蛋白质序列中经过比对的位点,也包括基因顺序、特定插入片段的有无等较大尺度的基因组特征。化石既提供解剖学观察资料,也提供有关谱系存在年代的证据。

关键在于区分同源性,即源于共同祖先的相似性,与独立产生的相似性。共有衍生性状,又称共衍征,之所以能为某个类群提供支持,是因为据推断,该性状起源于这个类群的共同祖先。共有祖先性状虽然可能是同源的,却未必能用于区分正在研究的亚群。例如,脊柱的起源远早于哺乳动物各目的分化,因此仅凭脊柱本身无法确定不同哺乳动物目之间的亲缘关系。

相似特征的独立获得是同形性的一种表现。鸟类和蝙蝠的翅膀尤其清楚地说明了这一区别:作为四足动物的肢体,其基础结构——前肢——是同源的,但专门用于飞行的翼面却是独立演化而来的。性状丢失和演化逆转也可能造成具有误导性的相似。系统发育方法试图解释所观察到的性状分布,同时以显式或隐式的方式,考虑同一种变化可能发生过不止一次的情况。

对于分子数据,序列比对旨在推定哪些位点源自同一个祖先位点。因此,比对结果是一项生物学假说,而不只是格式整理的产物。插入、缺失、重复区域以及高度分化的序列,都可能使位点间的同源关系难以确定。蛋白质编码 DNA 可以参照其翻译得到的氨基酸序列进行比对,而结构信息则有助于核糖体 RNA 的比对。剔除比对关系不明确的区域可能减少误差,但同时也会移除证据,因此需要明确说明剔除标准。

选择具有可比性的基因同样重要。直系同源基因随谱系分离而分化,旁系同源基因则源于基因复制。如果在不同物种之间比较的是不同的旁系同源基因,得到的基因树即使有充分支持,也可能无法反映研究所要探讨的物种间关系。污染、基因组组装错误、序列误认以及未被识别的重组,也都是误差的来源。

采样设计对结果的影响不亚于性状数量。增加分类单元可以将长分支分割开来,并揭示稀疏样本中无法观察到的中间模式。反过来,加入大量表征不充分的序列,可能引入缺失数据或错误的同源关系判定。观测数据的缺失并不必然造成致命影响:其影响取决于缺失数据的分布,以及各分类单元之间共享的信息。将分子证据与形态学证据相结合的方法,有时称为全证据法,可以纳入无法提取出 DNA 的化石,使现生生物和已灭绝生物都能为亲缘关系的推断提供信息。

系统发育树的推断方法

各种系统发育方法的区别,在于如何根据观测数据确定最优的树。距离法首先概括序列对或生物个体对之间的差异。经过校正的分子距离试图将无法直接观察到的变化纳入考虑,例如同一位点发生的多次替换。邻接法由斋藤成也和根井正利于1987年提出,依据基于距离的判据,反复合并分类单元或类群,构建无根树。由于计算效率较高,该方法适用于探索性分析和大型数据集。

最大简约法寻找性状变化总成本最低的树。在简单的无序性状模型中,每次变化的成本相同;其他方案则为不同的转变赋予不同成本。简约法可直接用于形态性状和分子性状,无须先将其简化为成对距离。然而,推断所需变化最少的树,并不一定是最有可能产生观测数据的树。

最大似然法使用明确的演化概率模型进行评估。如果以 DD 表示观测数据,TT 表示拓扑结构,θ\theta 表示枝长和替换速率等参数,那么目标就是找到使下式达到最大值的组合:

L(T,θ)=P(D∣T,θ).L(T,\theta)=P(D\mid T,\theta).

对于序列数据,计算时会对可能的祖先性状状态求和,而不是将某一条重建的祖先序列视为确定事实。高效算法利用树的分支结构来计算这些概率。模型可以区分不同的替换类型,考虑不相等的核苷酸频率,以及位点间演化速率的差异。

贝叶斯推断将似然与树和模型参数的先验分布相结合,其目标是后验分布:

P(T,θ∣D)∝P(D∣T,θ) P(T,θ).P(T,\theta\mid D)\propto P(D\mid T,\theta)\,P(T,\theta).

由于这一分布通常过于复杂,无法进行穷尽计算,程序一般采用马尔可夫链蒙特卡洛对其抽样。由此得到的一组树可以描述拓扑结构、年代及其他量的不确定性。要可靠地解释结果,需要有证据表明,抽样过程已充分探索相关分布,而不是一直困在某个解附近。

树搜索之所以困难,是因为可能的拓扑结构数量增长极其迅速。对于 nn 个带标签的末端节点,完全二叉分支的无根树共有 (2n−5)!!(2n-5)!! 棵,其中双阶乘表示从相应整数开始,每次递减2,将各正整数项相乘直至1。当末端节点为10个时,这样的树共有2,027,025棵。因此,大规模分析采用启发式搜索,而不是逐一检查所有拓扑结构。

不同方法不一定得出相同的结果,尤其是在数据有限或假设不成立时。实际分析中,应区分优化过程与演化模型:即使搜索过程十分出色,也无法弥补模型对数据的系统性错误描述。广泛使用的软件包括 PAUP*、MrBayes、BEAST、RAxML 和 IQ-TREE,各自支持不同的推断、搜索与不确定性评估功能组合。

统计支持度与误差来源

一棵最优树本身并不能显示各个分支获得了多强的支持。有些关系可能在反复分析中都能恢复出来,另一些则可能依赖少数性状或特定的建模选择。因此,分支支持度针对的是特定的分割或演化支,而不是对整棵树是否正确作出不可分割的整体判断。

自助法是评估稳定性的常用方法。在标准的序列自助法中,对序列比对的列进行有放回抽样,生成与原始数据集等长的重复数据集。随后根据每个重复数据集推断一棵树,并将包含某一特定分割的树所占的比例报告为该分割的自助支持度。95% 的支持度意味着,该分割出现在这些重复分析中的 95% 中。如果没有额外假设,这并不直接意味着该分割有 95% 的概率反映真实的演化历史。

贝叶斯后验概率有不同的含义。它描述的是在给定分析所用的数据、模型和先验的条件下,赋予某个演化支的概率。后验概率与自助支持百分比不应被视为可以互换的度量。其他指标,包括基于似然的分支检验、基因一致性因子和位点一致性因子,回答的也是不同的问题。即使许多单个基因的演化历史与某种关系不一致,该关系仍可能在串联序列比对中获得很高的支持度。

随机误差会随着有效信息的积累而减小,但数据集越大,系统误差反而可能获得越强的支持。长枝吸引就是一个典型例子:发生了大量独立变化的谱系,可能因为其中某些变化产生了相同的观测状态而被错误地归为一组。费尔森斯坦于 1978 年证明,在某些条件下,随着序列长度增加,简约法可能收敛于错误的拓扑结构。如果所用模型足够不合适,似然法和贝叶斯方法也可能产生系统性的误导。

其他困难包括组成偏倚、不同谱系间演化过程的变化,以及替换饱和。当反复发生的变化掩盖了较早的替换,使观测到的差异不再能准确反映累积的变化时,就会出现替换饱和。标准的平稳模型还可能将独立演化形成的核苷酸组成误读为亲缘关系的证据。将数千个连锁位点视为各自提供了独立的谱系历史,可能夸大表面上的证据量。

可以通过比较合理的不同序列比对、分类单元采样、数据分区和演化模型来考察结果的稳健性。模拟数据集和后验预测检验有助于评估模型能否再现观测数据的重要特征。共识树概括了一组树中反复出现的类群,但也可能掩盖其他可能的分支排列及分歧产生的原因。支持度较低的分支可能表明证据不足,而彼此冲突且各自获得强力支持的分支,则可能提示模型失效、数据问题,或确实存在不同的生物演化历史。

分子钟与分化时间

分支模式能够确定相对的亲缘关系,但本身并不能给出实际年代。估算年代需要一个将演化变化与时间联系起来的模型,以及某种时间校准依据。分子钟概念源于埃米尔·楚克坎德尔和莱纳斯·鲍林在20世纪60年代初的研究。当时,对蛋白质序列的比较表明,分子差异可能包含有关分化以来所经历时间的信息。

在简单的严格分子钟模型中,所有谱系中的替换都以相同的预期速率累积。如果两个来自同一时期的序列在 tt 个时间单位之前发生分化,且每个谱系都以速率 rr 演化,那么它们之间的预期成对演化距离为

d=2rt.d=2rt.

这里,dd 是演化距离,不一定等于不匹配位点的原始比例。这一关系取决于所采用的速率模型,也取决于是否考虑了被后续变化掩盖的替换。对于单独考察的分支,相应的预期关系是:分支长度等于速率乘以持续时间。

实际速率因基因、位点和谱系而异。世代时间、复制的生物学机制、选择以及生活史的变化,都可能影响观测到的替换速率。松弛分子钟模型允许不同分支具有不同速率,这些速率可以彼此独立,也可以在祖先与后代之间存在一定相关性。对于合适的数据集,严格分子钟仍可能有用,但一棵树在视觉上符合分子钟模式,并不足以证明其假设成立。

化石是重要的校准依据。一件能够可靠归入某个谱系的化石,通常可以证明该谱系在化石所处的年代就已经存在。但它通常无法确定该谱系与其姐妹群分化的确切时刻。因此,校准既涉及地质年代的不确定性,也涉及系统发育位置的不确定性。对相关地质材料进行放射性测年,可以限定化石的年代范围,而地层背景则能确定化石的先后顺序和沉积环境。

已确定年代的样本提供了另一类信息来源。在已知年份采集的病毒基因组,以及从已测年遗存中提取的古DNA,可以为树的末端标定不同的时间。只有当序列在采样时间跨度内积累了足够多的演化变化,能够据此估计速率时,这种“末端定年”才具有信息价值。否则,分析所得的年代即使看似精确,也可能主要来自先验分布或其他约束,而非序列中的时间信息。

分化时间的估计还取决于谱系多样化和化石采样模型。化石化生灭模型同时描述谱系的起源、灭绝和化石的发现,使化石能够更直接地参与分析,而不只是作为孤立的节点约束。在所有方法中,物种分化的时间都不同于特定基因拷贝最后共享同一祖先的时间。因此,报告年代时必须给出区间,并明确所指的事件;仅给出一个看似精确的数值,会掩盖这些不同来源的不确定性。

基因树、物种树与演化网络

基因树描述所采样遗传序列的祖先关系;物种树则描述物种谱系之间的关系。即使两者的推断都准确无误,它们也可能有所不同。在物种分化之前,基因拷贝就已存在于种群之中,而这些拷贝的祖先关系所呈现的分支顺序,不一定与种群分化的顺序相同。

当祖先的遗传变异跨越连续多次分化而得以保留时,就会发生不完全谱系分选。假设物种 A 和 B 互为姐妹群,C 则更早分出。如果来自 A 和 B 的祖先基因拷贝未能在二者最近的祖先种群中溯祖合并,那么在更久远的祖先种群中,其中任一拷贝都可能先与来自 C 的拷贝溯祖合并。因此,尽管物种关系为 ((A,B),C)((A,B),C),得到的基因树却可能将 A 与 C 或 B 与 C 归为一组。

在一个简单的三物种多物种溯祖模型中,若每个物种各采样一个基因拷贝,则基因树与物种树一致的概率为

P(matching gene tree)=1−23e−t,P(\text{matching gene tree})=1-\frac{2}{3}e^{-t},

其中,tt 是以溯祖单位衡量的物种树内部枝长。两种不一致拓扑的概率各为 13e−t\frac{1}{3}e^{-t}。因此,分化事件之间的时间间隔越短、祖先有效种群大小越大,预期的不一致程度就越高。对于规模更大的树,出现频率最高的完整基因树拓扑也不一定总与物种树拓扑相同。

溯祖理论为沿时间逆向追溯并模拟这些历史提供了框架。物种树方法可以使用估计得到的基因树、位点模式或联合概率模型。串联法则将多个基因座拼接成一个序列比对,通常对不同分区采用各自的替换模型。这种方法在许多情形下可能很有效,但它并不会自动将基因谱系的不一致性纳入考虑。重组使问题进一步复杂化,因为同一个名义上的基因内部,不同片段也可能具有不同的历史。

另一些过程则会产生真正的网状关系。杂交和基因渗入通过繁殖,使遗传成分在已经分化的谱系之间流动。水平基因转移使遗传物质在生物之间转移,而不经过通常的亲代至子代的传递途径,这一过程在微生物演化中尤为重要。基因复制及其后发生的差异性丢失,也可能使表面上可相互比较的基因追溯到祖先基因组的不同部分。

系统发育网络用于表示无法仅靠分支结构描述的关系。在有根网络中,一个谱系可以沿多条入边继承祖先的遗传成分。有些网络试图重建明确的历史事件;另一些网络,例如分裂网络,主要用于将相互不兼容的信号可视化,不应直接将其解读为真实历史。线粒体和叶绿体通过内共生起源,便是一个重要例子,说明细胞演化既包含分支式的传承,也包含原本彼此独立的谱系之间的整合。

科学应用

系统发育树为分类学提供了框架。单系分类所认可的类群,由一个共同祖先及其全部后代组成。例如,鸟类嵌套于兽脚类恐龙之中,而将鸟类排除在外的爬行动物类群则是并系群。这些论断关注的是祖先与后代的关系,而非外形相似性或传统分类等级。系统发育树可以揭示某个既有名称实际上涵盖了亲缘关系疏远的不同谱系,不过,由此引发的命名变更也取决于分类的规则和目标。

在比较生物学中,系统发育树有助于处理不同物种的观测数据并非相互独立这一问题。亲缘关系较近的物种往往彼此相似,因为它们从共同祖先那里继承了某些性状。因此,将这些物种视为相互独立的数据点,可能得出误导性的统计关联。费尔森斯坦于1985年提出的系统发育独立对比法,在性状演化模型的框架下解决了这一问题。包括系统发育广义最小二乘法在内的相关方法,在评估性状之间以及性状与环境之间的关联时,会利用演化协方差。

祖先状态重建用于估计内部节点处的性状状态,可用于研究体型、栖息地、生殖系统或分子序列的演化。这类估计以系统发育树、观测到的状态及状态转变模型为条件。对于连续性状,布朗运动模型描述了一种可能的演化过程;对于离散性状,模型则规定各状态之间的转变速率。重建出的祖先蛋白质可以通过实验合成,但在解释其性质时,仍须考虑所推断祖先序列的不确定性。

在流行病学中,病原体系统发育树有助于识别遗传聚类、调查病原体传入人群的情况,以及研究疫情暴发期间发生的变化。2014—2016年西非埃博拉疫情和COVID-19大流行产生了大量可用于这些研究的基因组数据。病原体系统发育树并不天然等同于传播树:未采样的感染、宿主内多样性、有限的突变以及采样日期,都可能使推断出的遗传分支关系与实际传播链不一致。仅凭序列相似性,无法确定特定个体之间发生了直接传播。

系统发育信息也为生物多样性研究提供依据。系统发育多样性指标可以量化一组生物所涵盖的演化分支长度,从而补充单纯的物种计数。物种数量相同的群落,所涵盖的演化历史总量可能大不相同。对这些指标的解释取决于系统发育树、分支长度的单位、所涵盖的分类单元以及研究的生态学问题;演化独特性并不等同于生态重要性。

在基因组研究中,系统发育树有助于识别基因家族、区分基因复制与谱系分化,并探究生物学功能的起源。肿瘤系统发育树利用累积的体细胞变化,重建所采样癌细胞群体之间的关系,但细胞混杂和重复发生的变化会使推断更加复杂。抗体序列的系统发育树同样可用于描述免疫细胞谱系内部的多样化过程。在每一种应用中,都必须从生物学上明确分支事件的含义,而不能默认它代表物种形成。

生命之树与尚未厘清的深层演化关系

“生命之树”将系统发育推断拓展到细胞生命各主要类群之间的关系。分子证据改变了这一研究领域的面貌,因为微生物往往缺少可用于比较极早分化类群的解剖学特征。核糖体RNA尤为重要:它存在于所有细胞生命中,执行着保守的功能,并包含演化速率不同的区域,因此可以用于比较不同演化深度上的关系。

沃斯和福克斯于1977年的研究,在当时通常统称为原核生物的生物类群之间确立了一项重大划分。1990年,沃斯、奥托·坎德勒和马克·惠利斯提出了细菌、古菌和真核生物三个域。这一分类承认了古菌谱系的独特性,并挑战了所有无细胞核生物构成单一自然类群的假设。它也展示了分子系统树如何重塑生物分类的最高层级。

真核生物的系统发育位置,仍是理解深层演化的核心问题。许多系统基因组学分析将真核生物的细胞核谱系置于古菌内部,而非将其视为同等独立的一级分支。2015年对洛基古菌门的描述,以及随后对阿斯加德古菌的研究,为这一关系提供了重要证据。确切的分支格局取决于类群取样、标记选择,以及所用模型能否处理高度分化的序列。此外,真核细胞的演化起源还涉及线粒体的细菌祖先,因此,单一的二叉分支树无法呈现真核生物祖先来源的所有组成部分。

细胞生命树的根很难确定,因为没有可用的常规外群。研究人员采用过古老的基因重复事件、包含替换方向信息的模型,以及有关早期演化的生物学论证。每种方法都引入了一些假设,而这些假设在极其漫长的时间尺度上难以检验。序列饱和、基因转移、差异性丢失以及组成变化,都可能抹去或扭曲早期分支事件留下的信号。

最后普遍共同祖先,通常缩写为LUCA,指所有已取样的细胞生命共同源自的祖先种群或谱系。它不一定是最早的生命系统,也不一定是当时唯一存活的生物,更不一定是一个遗传组成均一的单细胞。重建其特征,需要区分广泛遗传下来的祖先特征与后来传播的基因。遗传密码和核心翻译机制近乎普遍存在,为共同祖先提供了重要证据,但仅凭这一点,并不能确定该祖先所处的环境或其完整的生物学特征。

病毒带来了另一类问题,因为没有任何单一基因为所有病毒类群共有,而且病毒基因组具有多样的演化起源。重建病毒的演化历史,需要利用特定的保守基因、基因组成上的关联和结构证据,而不能简单地把所有病毒加入同一棵通用的核糖体系统树。即使在细胞生物中,具有广泛适用性的传承主干,也与受到转移、重复、丢失和共生影响的基因历史并存。因此,重建深层演化关系时,需要辨明某一棵树呈现的是哪一种历史关系,以及其分支结构遗漏了哪些过程。