Phylogenetische Methoden

  Zur Rekonstruktion phylogenetischer Bäume aus Sequenzdaten biologischer Makromoleküle haben sich verschiedene Methoden etabliert. Diese lassen sich allgemein in zwei Gruppen unterteilen, in distanzbasierte und merkmalsbasierte Methoden. (Felsenstein, 1982; Swofford and Olsen, 1990; Waterman, 1995; Weir, 1990)

Bei den distanzbasierten Methoden wird für alle Sequenzpaare eine evolutionäre Distanz berechnet. Im einfachsten Fall ist dies die Hammingdistanz (Cormen et al., 1990), bei der die Anzahl der sich unterscheidenden Basen zweier Sequenzen aufsummiert wird. Die errechnete Distanzmatrix dient als Grundlage zur Konstruktion des Stammbaumes. Hierfür werden zumeist Clustering-Verfahren verwendet (Kap. 1.4.1). An dieser Methode wird kritisiert, daß die vorhandenen Sequenzdaten zur Berechnung des Baumes auf die Distanzen reduziert werden. (Fitch and Margoliash, 1967; Saitou and Nei, 1987)

Wichtige Vertreter der merkmalsbasierten Methoden sind die Maximum-Parsimony-Methode und der Maximum-Likelihood-Ansatz. Das Maximum-Parsimony-Verfahren konstruiert für alle internen Knoten eines vorgegebenen Stammbaumes Sequenzen, die die von diesen Knoten repräsentierten Organismen gehabt haben könnten. Diese Sequenzen werden so konstruiert, daß die Sequenzen entlang des Baumes, während der vom Stammbaum vorgegebenen evolutionären Entwicklung, möglichst wenigen Mutationen unterworfen sind. Die Gesamtsumme aller im Baum nötigen Mutationen ist dann das Maß für die Qualität des Baumes. Von der Maximum-Parsimony-Methode wird versucht, aus allen möglichen Stammbäumen denjenigen zu finden, für den die geringste Anzahl an Mutationen nötig ist. Diese Methode wurde ursprünglich für morphologische Daten entworfen und hat sich bewährt, wenn sich die beobachteten Merkmale nur selten ändern. Das gilt im allgemeinen für morphologische Daten. Diese Methode scheitert jedoch, wenn die beobachteten Merkmale hochvariabel sind oder sehr lange Kanten im gesuchten Baum vorkommen. (Swofford and Olsen, 1990; Waterman, 1995)

Der anerkannteste Ansatz basiert auf der von Fisher (1912) eingeführten Maximum-Likelihood-Methode (Kreyszig, 1975). Die Maximum-Likelihood-Methode wird benutzt, um unbekannte Parameter zu schätzen, von denen eine bekannte Wahrscheinlichkeitsfunktion für einen stochastischen Prozeß abhängt. Mit dieser Methode werden dann anhand einer festen Stichprobe, in unserem Fall der Sequenzdaten, die unbekannten Parameter so geschätzt, daß der Wert der Wahrscheinlichkeitsfunktion, bei fester Stichprobe als Likelihood-Funktion bezeichnet, sein Maximum erreicht. Die in der Stammbaumanalyse zu schätzenden unbekannten Parameter sind die Kantenlängen in einem vorgegebenen Baum. (Goldman, 1990; Kreyszig, 1975)

Diese Methode wird in dieser Arbeit verwendet und ist in Kap. 4.2 ausführlich beschrieben.

Der Vorteil dieser Methode liegt darin, daß unter Berücksichtigung eines expliziten Evolutionsmodells bei der Berechnung der Stammbäume die vollständigen Daten in die Analyse mit eingehen. Der Hauptnachteil der ML-Methode ist, daß enorme Rechenzeiten nötig sind, um die große Anzahl der möglichen Stammbäume zu überprüfen, die auch bei heuristischen Methoden meist exponentiell mit der Anzahl der benutzten Spezies wächst. (Felsenstein, 1981; Swofford and Olsen, 1990)

 

Abbildung:   Ausschnitt aus dem Alignment von 18S rRNA-Sequenzen aus dem Zellkern

Die meisten merkmalsbasierten Methoden, die Sequenzen biologischer Makromoleküle benutzen, benötigten von diesen Sequenzen ein Alignment. In einem solchen Alignment stehen die homologen Merkmale (hier organische Basen oder Aminosäuren) in Spalten untereinander für jede zu untersuchende Spezies. Alle Sequenzmerkmale einer Spezies stehen hierbei in einer Zeile (Abb. 1.6). In einem solchen Alignment lassen sich Mutationen ablesen, die zwischen zwei Sequenzen liegen, z.B. ist wahrscheinlich zwischen Ochromonas danica und den beiden anderen Spezies bei Spalte 4 irgendwann einmal ein Indel und zwischen Guillardia theta und den anderen eine Substitution ($C \leftrightarrow U$, bzw. $C \leftrightarrow T$ auf DNA-Ebene) in Spalte 9 aufgetreten. Die hier abzulesenden Mutationen sind allerdings nur die offensichtlichen Mutationen. Wieviele Hin- und Rückmutationen es während der Entwicklungsgeschichte gegeben hat und welche Sequenzen die Vorfahren der untersuchten Spezies hatten, können wir heute nicht mehr feststellen. Auch liegen die Sequenzen der Makromoleküle, die wir untersuchen, nach dem Sequenzieren oder der Datenbankrecherche nur als einzelne Buchstabenfolgen vor. Diese zu alignieren, ist ein anderes hervorstechendes Problem, an dem zur Zeit in der Bioinformatik gearbeitet wird. Die meisten Programme zum Alignieren von Sequenzen bringen nur sehr unbefriedigende Ergebnisse, so daß nahezu alle erhaltenen Alignments noch von Hand nachgebessert werden müssen bzw. viele Alignments von vorneherein von Hand angefertigt werden.

Die Ergebnisse der Stammbaumanalysen hängen sehr von der Qualität der benutzten Alignments ab. Daher ist es wichtig, Alignments zu benutzen, die möglichst fehlerfrei sind. Über dieses Problem wird noch später im Kapitel 1.8 über rRNA-Sequenzen gesprochen.