进化树介绍

xiaoliu

进化树
分子钟的发现对于进化研究具有十分重要的意义。它不仅能用于粗略估计不同类群
生物间的进化时间，亦可用于构建进化树。实际上，分子钟发现不久，蛋白质序列
分析即被广泛用于生物的长时进化研究。
根据蛋白质的序列或结构差异关系可构建分子进化树(evolutionary  tree)或种系发生
树(phylogenetic  tree)。进化树给出分支层次或拓扑图形，它是产生新的基因复制或
享有共同祖先的生物体的歧异点的一种反映，树枝的长度反映当这些事件发生时就
存在的蛋白质与现在的蛋白质之间的进化距离。根据进化树不仅可以研究从单细胞
有机体到多细胞有机体的生物进化过程，而且可以粗略估计现存的各类种属生物的
分歧时间。通过蛋白质的分子进化树分析，为从分子水平研究物种进化提供了新的
手段，可以比较精确的确定某物种的进化地位。对于物种分类问题，蛋白质的分子
进化树亦可作为一个重要的依据。
构建进化树的方法包括两种：一类是序列类似性比较，主要是基于氨基酸相对
突变率矩阵（常用 PAM250）计算不同序列差异性积分作为它们的差异性量度（序
列进化树）；另一类在难以通过序列比较构建序列进化树的情况下，通过蛋白质结
构比较包括刚体结构叠合和多结构特征比较等方法建立结构进化树。
序列进化树
构建序列进化树的主要步骤是比对，建立取代模型，建立进化树以及进化树评估。
1．建立数据模型（比对）
建立一个比对模型的基本步骤包括：选择合适的比对程序；然后从比对结果中提取
系统发育的数据集，至于如何提取有效数据，取决于所选择的建树程序如何处理容
易引起歧义的比对区域和插入/删除序列（即所谓的 indel 状态或者空位状态）。
一个典型的比对过程包括：首先应用 CLUSTALW 程序，然后进行手工比对，最后
提交给一个建树程序。这个过程有如下特征选项：（1）部分依赖于计算机（也就
是说， 需要手工调整 ）；（2 ）需要一个先 验的系统发 育标准（即需 要一个前导
树）； （3）使用 先验评估方 法和动态评估 方法（推荐） 对比对参数 进行评估；
（4）对基本结构（序列）进行比对（对于亲水氨基酸，推荐引入部分二级结构特
征）； （5）应用 非统计数学 优化。这些特 征选项的取 舍依赖于系统 发育分析方
法。


2．决定取代模型
取代模型既影响比对，也影响建树；因此需要采用递归方法。对于核酸数据而言，
可以通过取代模型中的两个要素进行计算机评估，但是对于氨基酸和密码子数据而
言，没有什么评估方案。其中一个要素是碱基之间相互取代的模型；另外一个要素
是序列中不同位点的所有取代的相对速率。还没有一种简单的计算机程序可以对较
复杂的变量（比如，位点特异性或者系统特异性取代模型）进行评估，同样，现有
的建树软件也不可能理解这些复杂变量。
3．建树方法
三种主要的建树方法分别是距离、最大节约（maximum  parsimony,  MP）和最大似
然（maximum  likelihood，ML）。 最大似然方法考察数据组 中序列的多重比对结
果，优化出拥有一定拓扑结构和树枝长度的进化树，这个进化树能够以最大的概率
导致考察的多重比对结果。距离树考察数据组中所有序列的两两比对结果，通过序
列两两之间的差异决定进化树的拓扑结构和树枝长度。最大节约方法考察数据组中
序列的多重比对结果，优化出的进化树能够利用最少的离散步骤去解释多重比对中
的碱基差异。
距离方阵方法简单的计算两个序列的差异数量。这个数量被看作进化距离，而其准
确大小依赖于进化模型的选择。然后运行一个聚类算法，从最相似（也就是说，两
者之间的距离最短）的序列开始，通过距离值方阵计算出实际的进化树，或者通过
将总的树枝长度最小化而优化出进化树。用最大节约方法搜索进化树的原理是要求
用最小的改变来解释所要研究的分类群之间的观察到的差异。最大似然方法评估所
选定的进化模型能够产生实际观察到的数据的可能性。进化模型可能只是简单地假
定所有核苷酸（或者氨基酸）之间相互转变的概率一样。程序会把所有可能的核苷
酸轮流置于进化树的内部节点上，并且计算每一个这样的序列产生实际数据的可能
性（如果两个姐妹分类群都有核苷酸“A”，那么，如果假定原先的核苷酸是“C”，
得到现在的“A”的可能性比起假定原先就是“A”的可能性要小得多）。所有可能的
再现（不仅仅是比较可能的再现）的几率被加总，产生一个特定位点的似然值，然
后这个数据集的所有比对位点的似然值的加和就是整个进化树的似然值。
4．进化树搜索
单一的进化树的数量会随着分类群数量的增长而呈指数增长，从而变为一个天文数
字。由于计算能力的限制，现在一般只允许对很小一部分的可能的 进化树 进行搜
索。具体的数目主要依赖于分类群的数量、优化标准、参数设定、数据结构、计算
机硬件以及计算机软件。
有 两 种 搜 索 方 法 保 证 可 以 找 到 最 优 化 的 进 化 树 ： 穷 举 法 和 树 枝 � 跳 跃 法
（BB）。对于一个很大的数据集，这两种方法都很不实用。对分类群数量的限制
主要取决于数据结构和计算机速度，但是对于超过 20 个分类群的数据集，BB 方法

很少会得到应用。穷举法要根据优化标准，对每一个可能的进化树进行评估。BB
方法提供一个逻辑方法，以确定那些进化树值得评估，而另一些进化树可被简单屏
蔽。因此 BB 方法通常要比穷举法快得多。
绝大多数分析方法都使用“启发式”的搜索。启发式现搜索出相近的次优化的进化树
家族（“岛屿”），然后从中得到优化解（“山顶”）。不同的算法用不同程度的精确
性 搜 索 这 些 岛 屿 和 山 顶 。 最 彻 底 也 是 最 慢 的 程 序 （ TBR ， tree  bisection-
reconnection ，进化树对分重接）先把进化树在每 一个内部树枝处劈开，然后以任
意方式将劈开的碎片重新组合起来。最快的算法只是检查一下相邻终端的不太重要
的重新组合，因此倾向于找到最近的岛屿的山顶。
降低搜索代价的最好方法是对数据集进行剪除。影响优化搜索策略选择的因素（数
据量，数据结构，时间量，硬件，分析目的）太复杂，无法推荐一个简单可行的处
方。因此进行搜索的用户必须对数据非常熟悉且有明确的目标，了解各种各样的搜
索程序及自己硬件设备和软件的能力。
除上述当前应用最广的方法外，还有大量的建立和搜索进化树的其它方法。这些方
法包括 Wagner 距离方法和亲近方法（距离转化方法）；Lake 的不变式方法（一个
基于特征符的方法，它选择的拓扑结构包含一个意义重大的 正数以 支持颠 换）；
Hadamard 结合方法（一个精细的代数方阵方法，对距离数据或者观察到的特征符
进行修正）；裂解方法（这个方法决定在数据中应该支持哪一个基于距离的可选的
拓扑结构）；四重奏迷惑（Quartet  puzzling）方法可以为 ML 建树方法所应用，这
个算法相对而言是个较快的进化树搜索算法。
5．确定树根
上述的建树方法所产生的都是无根树（进化树没有进化的极性）。为了评估进化假
说，通常必须要确定进化树的树根。确定系统发育进化树的树根并不简单问题。一
种确定树根的好方法就是分析时加入一个复制的基因。如果来自绝大多数物种或者
所有物种的所有的平行基因在分析时都被包含进去，那么从逻辑上我们就可以把进
化树的树根定位于平行基因进化树的交汇处，当然要假定在所有进化树中都没有长
树枝问题。
6．评估进化树和数据
现在已经有一些程序可以用来评估数据中的系统发育信号和进化树的健壮性。对于
前者，最流行的方法是用数据信号和随机数据作对比实验（偏斜和排列实验）；对
于后者，可以对观察到的数据重新取样，进行进化树的支持实验（非参数自引导和
对折方法）。似然比例实验可以对取代模型和进化树都进行评估。