进化树“再现性危机”！新研究发现系统发育树存在9% -18%的不可重复性学术资讯

来源：BioArt植物

近日，浙江大学农业与生物技术学院沈星星研究员、陈学新教授以及美国范德堡大学Antonis Rokas教授课题组联合在Nature Communications发表题为An investigation of irreproducibility in maximum likelihood phylogenetic inference的研究论文，阐明了系统发育树存在9% -18%的不可重复性危机。

研究结果可重复或可再现性是科学界的基石。在过去的几年里，科学家对已发表结果可重复性的担忧不断增加，导致了“再现性危机”一词的出现。系统发育树是进化生物学研究的基础。例如，系统发育树通常被用来研究基因、基因组、物种的演化过程。2013年报告称：由于缺乏数据公开化，6277/7539（83.3%）研究课题的系统发育树是不可重复的。这一研究促使了多个公共存储数据库的诞生（如figshare）。

公共数据库提供的信息是否足够系统发育树的重复构建？此外，系统发育树的构建参数、计算资源（CPU处理器型号、线程数等）均存在差异。这些差异是否会导致不可重复的系统发育树？什么原因导致不可重复的系统发育树? 如何规避不可重复危机？回答这一系列问题有利于提高系统发育树的再现性，同时为系统发育学软件开发者提供重要的指导依据。

图1

该研究收集了15个动物、植物、真菌系统发育基因组学数据集（总共19414个基因比对数据）。这15个数据集包含非编码DNA 、外显子、氨基酸三类数据集。基于19414个基因数据集，该研究检验了常用系统发育树构建软件IQ-TREE和RAxML-NG可重复性。对每一个基因，运行两次完全相同的参数（Run1和Run2），并比较Run1和Run2产生的系统发育树是否一致（图2A）。研究结果表明：IQ-TREE和RAxML-NG分别存在81.9%和90.7%的系统发育树可重复。比较IQ-TREE和RAxML-NG之间，仅20.3%系统发育树可重复（图2B和C）。利用UCE、AHE等捕获技术收集的数据存在更高比例的不可重复性。

图2

如何提高系统发育树的可重复性？除了基本必备的参数（如基因、软件信息、替换模型、树搜索的数量），还应该提供处理器类型、线程数量和随机起始数的信息（图3）。考虑到系统发育基因组数据集中存在的成百上千个基因，一个更实用的方是公布每个分析的日志文件。因为日志文件包含所有关键参数（例如基因名、程序名、树搜索的数量、替代模型、处理器类型、线程数量和随机起始数)。