Genomics Session. Lezione 6. Filogenomica

Transcript

1 Genomics Session Filogenomica

2 Filogenetica Filogenesi: Ricostruzione della storia evolutiva Obiettivo: inferire la storia evolutiva fra entità biologiche mediante una serie di caratteri moderni osservati (caratteristiche morfologiche, sequenze) la cui somiglianza o differenza possa essere stimata Input: Caratteri Misura della distanza Modello dell' evoluzione Output: un albero evolutivo

3 Filogenetica Assunzioni: - Le sequenze (specie) divergono per biforcazioni; - Le sequences sono essenzialmente indipendenti una volta avvenuta la divergenza dall'antenato comune; - La probabilità di osservare un nucleotide k nel sito j in un momento futuro dipende solo dal nucleotide corrente nel sito j (Markov Chain assumption); - Siti diversi evolvono independentemente.

4 Alberi filogenetici

5 Orologio molecolare - Con il passare del tempo dal momento della divergenza, le due sequenze accumulano mutazioni (quindi differenze); - Data una sequenza proteica, il tasso di evoluzione della sequenza è approssimativamente costante nelle varie specie Zuckerkandl and Pauling (1965) - Questo fenomeno permetterebbe di datare accuratamente eventi di speciazione e duplicazione

6 Orologio molecolare

7 Orologio molecolare - Il tasso di mutazione delle sequenze può essere molto diverso da proteina a proteina (o da gene a gene); - Il tasso di evoluzione delle sequenze non è costante nel tempo; - Il tasso di mutazione di una sequenza non è costante per tutta la sequenza

8 Alberi filogenetici Approccio cladistico: gli alberi sono costruiti basandosi su dei caratteri conservati Approccio fenetico: gli alberi sono costruiti basandosi su una misura della distanza fra taxa Le filogenesi molecolari sono inferite da dati molecolari, normalmente sequenze. Per questo motivo è più semplice definire delle misure di distanze (cioè differenza fra di esse), ma si possono anche definire caratteri e usare approcci cladistici (ad esempio l'ordine dei geni)

9 Filogenetica The Problem: Given n sequences s1,,sn Multiple Alignment: Make an ordering A of the sequences by inserting gaps such that homologous bases are put in the same column Phylogenetic Inference: Build a (binary) tree T with s1,,sn in the leaves and possible ancestors sn+1,,sn+k in internal nodes describing their evolutionary connection

10 Alberi filogenetici Un albero è un grafo connesso aciclico (non esiste un percorso che torna al punto di partenza) Not a tree, due to ciclo

11 Alberi filogenetici Rami Nodi terminali - foglie A B C D E F G Nodo ancestrale radice dell'albero H I J Nodi interni punti di divergenza (rappresentano ancestori ipotetici dei taxa) Taxon Un gruppo (entità biologica) che è considerato come un'unità evolutiva: gene, cromosoma, genoma, popolazione, specie, Chiamati anche operational taxonomic units (OTU) K

12 Alberi filogenetici Questa dimensione può non avere scala, o può essere dipendente dalla distanza genetica, temporale, etc. La spaziatura verticale, e l'ordine dalla cima al fondo in cui compaiono i taxa sono relativamen te privi di significato

13 Alberi filogenetici Il numero di punti di ramificazione fra taxa diversi riflette la loro distanza evolutiva Clado Un gruppo consistente di un antenato e di tutti i suoi discendenti

18 Alberi filogenetici Cladogramma Filogramma Unrooted Tree In un albero senza radice la direzione dell'evoluzione non è esplicita; La radice rappresenta un ipotetico antenato comune a tutti i taxa dell'albero; Si può trasformare un albero senza radice in uno con radice, piazzando la radice su un ramo o su un nodo [Yang, 2006]

19 Alberi filogenetici A C Per n=3 taxon, c'è un solo albero possibile, con 3 rami e 3 foglie (cambiando di posto a A,B,C non cambia la topologia) B A C B D Per n=4 taxon, ci sono 3 possibili topologie, con 5 rami e 4 foglie

20 Alberi filogenetici A C Si può immaginare di aggiungere una nuova foglia su qualsiasi ramo di un albero B A C B D Per n>3, ogni nuova foglia aggiunge due nuovi rami.

21 Alberi filogenetici A B C A B C A C B D D E A B C F D E (2N - 5)!! = # unrooted trees for N taxa

22 Alberi filogenetici B B C C Root Unrooted tree Root D A D A A A B C B D C D Rooted tree Root Root

23 Alberi filogenetici Un albero senza radice contenente 4 taxa può presentare la radice in 5 posti diversi, dando luogo a cinque alberi diversi A Unrooted tree 1: 4 1 B Rooted tree 1a 2 Rooted tree 1b C 5 D 3 Rooted tree 1c Rooted tree 1d Rooted tree 1e B A A C D A B B D C C C C A A D D D B B

24 Alberi filogenetici Come si definisce la radice dell'albero Tramite outgroup: Si utilizza un taxon che è più distante da tutti gli altri taxa in esame di quanto lo siano gli uni con gli altri, pur restando sufficientemente vicino. outgroup A Tramite midpoint: Piazza la radice al centro fra i due taxa più lontani, in base alle lunghezze dei rami. d (A,D) = = 18 Midpoint = 18 / 2 = 9 10 C 3 B D

25 Alberi filogenetici C A D B A C B A B x = D E C D F E (2N - 3)!! = # unrooted trees for N taxa

26 Alberi filogenetici Metodi basati su caratteri: Usano direttamente le sequenze (di DNA o proteine), non necessariamente allineate, per inferire l'albero Taxa Specie Specie Specie Specie Specie Caratteri ATGGCTATTCTTATAGTACG ATCGCTAGTCTTATATTACA TTCACTAGACCTGTGGTCCA TTGACCAGACCTGTGGTCCG TTGACCAGTTCTCTAGTTCG A B C D E Metodi basati sulla distanza: Trasformano le sequenze data in distanze fra coppie, e usano questa matrice delle distanze per costruire l'albero Species Species Species Species Species A B C D E A B C D E p distance (percentuale di differenza fra sequenze) Kimura 2-parameter distance

27 Alberi filogenetici Assunzioni Metodi basati su caratteri: - I caratteri allineati in un allineamento multiplo sono omologhi nelle sequenze allineate; - Ogni carattere evolve indipendentemente ed è trattato come un'unità evolutiva. Metodi basati sulla distanza: - Tutte le sequenze analizzate sono omologhe; - Le distanze fra i rami sono additive.

28 Alberi filogenetici Metodi per costruzione di alberi filogenetici UPGMA Clustering Neighbor joining (NJ) Metodi basati sulla distanza Fitch-Margoliash (FM) Ottimizzazione Minimum evolution (ME) Massima parsimonia (MP) Metodi basati sui caratteri Massima verosimiglianza (ML)

29 Metodi basati sulle distanze

30 Metodi basati sulle distanze

31 Metodi basati sulle distanze Ci sono solo tre posizioni differenti fra le sequenze 1 e 2; Conoscendo la sequenza ancestrale, le sostituzioni avvenute sono invece 12; Non basta contare le differenze fra sequenze, si deve considerare un modello dell'evoluzione delle sequenze nucleotidiche.

32 Modello di Jukes-Cantor 2 assunzioni: - ogni posizione è indipendente; - transizioni da un nucleotide all'altro sono equiprobabili. α è il tasso normalizzato di sostituzione

33 Modello di Jukes-Cantor

34 Modello di Jukes-Cantor Probabilità che un sito sia conservato dall'antenato ad entrambe le sequenze figlie: Probabilità che un sito sia uguale in entrambe le sequenze figlie (senza conoscere l'antenato): Probabilità che un sito sia diverso nelle sequenze figlie:

35 Modello di Jukes-Cantor

36 Modello di Jukes-Cantor Beta-globine

40 Modello di Kimura Le transizioni (A<->G, C<->T) sono più probabili delle trasversioni

41 Metodi basati sul clustering

42 UPGMA UPGMA = Unweighted Pair Group Method with Arithmetic mean [Singh, 1999]

43 UPGMA [Singh, 1999]

44 UPGMA [Singh, 1999]

45 Neighbour-joining

48 Metodi basati sull'ottimizzazione Confrontano tutte le possibili topologie e selezionano l'albero che meglio si adatta ad un modello evolutivo Fitch-Margoliash: L'albero migliore è selezionato basandosi sulla deviazione minima tra le distanze calcolate su tutti i rami dell'albero e le distanze nel dataset originale Minimum Evolution: Approccio simile, che minimizza la somma delle lunghezze dei rami

49 Fitch-Margoliash

50 Metodi basati sulla sequenza

53 Alberi filogenetici [Holder et al., 2004]

54 Filogenomica Estensione della filogenetica utilizzando informazione derivata da interi genomi E' difficile estendere alcune nozioni utilizzate in filogenetica I metodi per ricostruire filogenesi si possono dividere in due gruppi: 1. Basati su allineamenti di sequenze 2. Basati su caratteristiche del genoma

55 Filogenomica

56 Filogenomica

57 Metodi basati su allineamenti di sequenze Dataset di ortologhi Allineamenti multipli UPGMA Albero per ogni allineamento Fusione degli alberi con matrix representation using parsimony (MRP) Superalbero Concatenazione degli allineamenti Supermatrice UPGMA Albero

58 Superalberi F A E D F C D A E B G F A B C B D E G

59 Superalberi Daubin et al bacterial supertree based on the combination of 121 gene trees with 7 nb sp 32 - Matrix Representation with Parsimony Finds all phyla defined by rrna + suggests some nontrivial groupings Streptomyces pyogenes Lactococcus lactis Staphylococcus aureus Bacillus subtilis Bacillus halodurans Ureaplasma parvum Mycoplasma genitalium Mycoplasma pneumoniae Synechocystis sp. Deinococcus radiodurans Mycobacterium tuberculosis Mycobacterium leprae Streptomyces coelicolor Helicobacter pylori Campylobacter jejuni Rickettsia prowazekii Caulobacter crescentus Neisseria meningitidis Xylella fastidiosa Pseudomonas aeruginosa Buchnera sp. Haemophilus influenzae Pasteurella multocida Escherichia coli Vibrio cholerae Aquifex aeolicus Thermotoga maritima Chlamydophila pneumoniae Chlamydia muridarum Chlamydia trachomatis Borrelia burgdorferi Treponema pallidum Low G+C Gram-postives Mycoplasmas High G+C Gram-postives ε α β Proteobacteria γ Chlamydiales Spirochaetes

60 Metodi basati sulla conta delle parole - Dati una serie di genomi, per ciascuno si contano le frequenze di tutti gli oligomeri lunghi k nucleotidi; - Per ogni genoma si definisce un vettore delle frequenze; - La distanza fra due genomi è calcolata come l'angolo fra i due vettori che li descrivono; - Queste distanze possono essere usate per costuire l'albero utilizzando uno degli algoritmi mostrati in precedenza. Vantaggi: - Semplici e veloci - Non si devono identificare gli ortologhi - Non risentono di grossi riarrangiamenti genomici - Non risentono di diversi tassi di mutazione di regioni genomiche diverse - Utilizzano tutto il genoma

61 Metodi basati sulla conta delle parole sp1 sp2 sp3 sp1 sp2 sp3... AAAA AAAC AAAG AAAT...

62 Metodi basati sulla conta delle parole Based on tetranucleotide frequency in 27 genomes Distance ~ differences in usage Relatively little signal for resolving the tree of bacteria BUT resolves recent and very deep nodes (i.e., domains). [Pride et al. 2003]

63 Metodi basati sulla conta delle parole - ricostruzione dell'albero della vita basato su 109 genomi; - usati k-meri (k=6) di proteine - risultati più simili agli alberi noti per valori di k più lunghi [Qi et al., 2004]

64 Metodi basati sul contenuto in geni - Dati una serie di genomi, si identificano una serie di marcatori ortologhi non necessariamente presenti in tutti i genomi; - Dati due genomi si determina quali di questi geni sono presenti in quel genoma; - La distanza fra due genomi si può calcolare come frazione di geni condivisi - Queste distanze possono essere usate per costuire l'albero utilizzando uno degli algoritmi mostrati in precedenza.

65 Metodi basati sul contenuto in geni sp1 sp2 sp3 sp1 sp2 sp3... Gene Gene Gene 3 Gene 4... Identificazione dei marcatori ortologhi

66 Metodi basati sul contenuto in geni - Presenza di folds (superfamiglie) in 119 genomi batterici; - Simile ma con differenze dagli alberi ottenuti con rrna [Yang et al. 2004]

67 Metodi basati sull'ordine dei geni - Dati una serie di genomi, per ciascuno si mappano una serie di marcatori ortologhi; - L'ordine dei marcatori (cioè i riarrangiamenti che il genoma ha subito) è correlato con la distanza evolutiva; - La distanza fra due genomi si può calcolare in vari modi: - confronto di geni vicini - distanza tramite breakpoints - Queste distanze possono essere usate per costuire l'albero utilizzando uno degli algoritmi mostrati in precedenza.

68 Metodi basati sull'ordine dei geni b sp1 sp2 sp3 Identificazione dei marcatori ortologhi a e sp2 d sp1 a b c d c e e c a sp3 d b Identificazione del loro ordine sul genoma ortologhi Matrice delle distanze

69 Metodi basati sull'ordine dei geni Esempio: - Filogenesi di un phyla di archibatteri; - Basato sulla frequenza di coppie di geni adiacenti (quanti geni vicini conservati in due genomi); - Coincide per la maggior parte con gli alberi basati su rrna, ma evidenzia alcune nuove parentele [Wolf et al., 2001]