Inferensi Filogenetik

Inferensi filogenetik adalah serangkaian metode yang digunakan untuk merekonstruksi pohon evolusi dari data karakter, mengubah pola kesamaan dan perbedaan menjadi hipotesis tentang leluhur.

Definition

Inferensi filogenetik adalah estimasi hubungan evolusi antar taksa dari karakter yang dapat diwariskan, paling sering sekuens molekuler. Ini menghasilkan pohon, dengan urutan percabangan dan terkadang panjang cabang, yang paling baik menjelaskan data di bawah kriteria optimalitas eksplisit atau model probabilistik.

Scope

Topik ini mencakup metode-metode utama pembangunan pohon, jarak, parsimoni, kemungkinan maksimum (maximum likelihood), dan inferensi Bayesian, model evolusi sekuens yang diasumsikan, penggunaan bootstrap dan probabilitas posterior untuk menilai dukungan, serta perangkap seperti atraksi cabang panjang (long-branch attraction) yang dapat menyesatkan inferensi.

Core questions

• Bagaimana metode jarak, parsimoni, kemungkinan, dan Bayesian berbeda dalam menginferensi pohon?
• Model apa yang menjelaskan bagaimana sekuens DNA berubah di sepanjang cabang?
• Bagaimana kepercayaan pada pohon, seperti dukungan bootstrap atau probabilitas posterior, dinilai?
• Artefak apa, seperti atraksi cabang panjang, yang dapat menyebabkan pohon yang salah?

Key theories

Inferensi pohon berbasis optimalitas dan berbasis model

Pohon dapat dipilih dengan meminimalkan perubahan karakter (parsimoni), menyesuaikan jarak berpasangan (metode jarak), atau memaksimalkan probabilitas data di bawah model substitusi eksplisit (metode kemungkinan dan Bayesian).

Penilaian dukungan bootstrap

Pengambilan sampel ulang karakter dengan penggantian dan pembangunan kembali pohon mengestimasi seberapa kuat data mendukung setiap klade, memberikan ukuran standar kepercayaan pada hubungan yang diinferensi.

Mechanisms

Metode jarak seperti neighbor-joining mengubah perbedaan sekuens menjadi matriks dan membangun pohon dengan pengelompokan (clustering), menawarkan kecepatan dengan beberapa kehilangan informasi. Parsimoni memilih pohon yang membutuhkan perubahan karakter paling sedikit. Metode kemungkinan maksimum dan Bayesian mengadopsi model substitusi eksplisit, memperhitungkan frekuensi basa yang tidak sama, bias transisi-transversi, dan variasi laju antar-situs, serta mencari pohon (dan parameter) yang paling baik menjelaskan data. Dukungan dinilai oleh bootstrap untuk kemungkinan dan parsimoni atau oleh probabilitas posterior dalam analisis Bayesian. Atraksi cabang panjang dan salah spesifikasi model (model misspecification) dapat menghasilkan pohon yang salah dengan keyakinan tinggi, sehingga pemilihan metode dan kecukupan model menjadi penting.

Clinical relevance

Inferensi filogenetik merekonstruksi riwayat transmisi virus dan bakteri, mengidentifikasi sumber wabah, dan menentukan tanggal kemunculan strain yang resisten atau virulen, menjadikannya alat inti epidemiologi genomik.

History

Metode kladistik dan jarak muncul pada tahun 1960-an hingga 1970-an; Saitou dan Nei memperkenalkan neighbor-joining pada tahun 1987, dan Felsenstein memelopori kemungkinan maksimum untuk sekuens dan, pada tahun 1985, bootstrap untuk filogeni. Inferensi Bayesian dan kumpulan data genomik yang semakin besar telah menjadi standar sejak saat itu.

Debates

Parsimoni versus metode berbasis model

Debat metodologis yang telah berlangsung lama menyangkut apakah parsimoni atau model probabilistik eksplisit memberikan pohon yang lebih andal, terutama ketika laju perubahan tidak merata dan atraksi cabang panjang merupakan risiko.

Key figures

• Joseph Felsenstein
• Masatoshi Nei
• Naruya Saitou
• Willi Hennig

Seminal works

• saitouNei1987
• felsenstein1985
• felsensteinBook2004

Frequently asked questions

Metode mana yang memberikan pohon evolusi yang benar?

Tidak ada metode yang dijamin benar; metode berbasis model seperti kemungkinan maksimum dan inferensi Bayesian umumnya lebih disukai untuk data sekuens, tetapi semua metode dapat disesatkan oleh laju evolusi yang tidak merata dan pelanggaran model, sehingga ukuran dukungan sangat penting.

Apa arti nilai bootstrap?

Nilai bootstrap mencerminkan seberapa sering pengelompokan tertentu muncul kembali ketika data diambil sampel ulang dan pohon dibangun kembali; nilai tinggi menunjukkan bahwa pengelompokan tersebut sangat didukung oleh karakter yang dianalisis.