Phylogene)c Trees COMPSCI 260 Spring 2016 Phylogene)cs - PowerPoint PPT Presentation

Phylogene)c ¡Trees ¡ COMPSCI ¡260 ¡– ¡Spring ¡2016 ¡

Phylogene)cs ¡ ¡ • Phylogene)cs ¡ is ¡the ¡study ¡of ¡evolu)onary ¡rela)onships ¡among ¡ organisms ¡or ¡genes ¡ • In ¡general, ¡we ¡are ¡interested ¡in ¡the ¡phylogeny ¡of ¡organisms ¡or ¡species ¡ ¡ • But ¡oEen)mes ¡phylogenies ¡are ¡constructed ¡from ¡genes ¡ • Phylogene)c ¡trees ¡ are ¡used ¡to ¡describe ¡phylogenies ¡ • The ¡purpose ¡of ¡ phylogene)c ¡studies: ¡ – reconstruct ¡evolu)onary ¡)es ¡ ¡ between ¡species ¡ – es)mate ¡the ¡)me ¡of ¡divergence ¡ ¡ between ¡species ¡since ¡they ¡ ¡ last ¡shared ¡a ¡common ¡ancestor ¡

Binomial ¡nomenclature ¡for ¡species ¡ chimp Pan mouse human troglodytes rat Mus Homo musculus Ratus sapiens norvegicus Binomial ¡nomenclature ¡is ¡a ¡formal ¡system ¡of ¡naming ¡species ¡by ¡giving ¡ • each ¡a ¡name ¡composed ¡of ¡ two ¡parts , ¡both ¡of ¡which ¡use ¡La)n ¡gramma)cal ¡ forms, ¡although ¡they ¡can ¡be ¡based ¡on ¡words ¡from ¡other ¡languages ¡ The ¡first ¡part ¡of ¡the ¡name ¡iden)fies ¡the ¡ genus ¡to ¡which ¡the ¡species ¡ • belongs; ¡the ¡second ¡part ¡iden)fies ¡the ¡ species ¡within ¡the ¡genus. ¡ ¡ Introduced ¡by ¡Carl ¡Linnaeus ¡in ¡1753 ¡ • Also ¡called ¡‘scien)fic ¡name’ ¡or ¡‘La)n ¡name’ ¡ •

What ¡is ¡a ¡phylogene)c ¡tree? ¡ • Binary ¡tree ¡ (every ¡node ¡has ¡<=3 ¡ neighbors) ¡ • Rooted ¡ or ¡ unrooted ¡ • Nodes ¡ chicken – Leaves: ¡current ¡species ¡ – Internal ¡nodes: ¡(hypothe)cal) ¡ chimp ancestral ¡species ¡ mouse human rat • Edges ¡ – Amount ¡of ¡change ¡(muta)on ¡ rate) ¡or ¡ human rat – Evolu)onary ¡)me ¡ chimp mouse

What ¡is ¡a ¡phylogene)c ¡tree ¡ • Binary ¡tree ¡ (every ¡node ¡has ¡<=3 ¡ neighbors) ¡ • Rooted ¡ or ¡ unrooted ¡ • Nodes ¡ chicken – Leaves: ¡current ¡species ¡ – Internal ¡nodes: ¡(hypothe)cal) ¡ chimp ancestral ¡species ¡ mouse human rat • Edges ¡ – Amount ¡of ¡change ¡(muta)on ¡ rate) ¡or ¡ time – Evolu)onary ¡)me ¡ today human chimp mouse rat chicken

Data ¡used ¡to ¡build ¡phylogene)c ¡trees ¡ • Tradi)onally, ¡phylogene)c ¡trees ¡were ¡built ¡from ¡ morphological ¡ features ¡ (e.g., ¡beak ¡shapes, ¡presence ¡of ¡feathers, ¡number ¡of ¡legs, ¡ etc). ¡ ¡ • Today, ¡we ¡use ¡mostly ¡ molecular ¡data ¡ like ¡DNA ¡sequences ¡and ¡ protein ¡sequences ¡ • Data ¡can ¡be ¡classified ¡into ¡2 ¡categories: ¡ ¡ • Discrete ¡characters ¡ ¡ – Each ¡character ¡has ¡a ¡finite ¡number ¡of ¡states. ¡For ¡example, ¡discrete ¡ characters ¡include ¡the ¡number ¡of ¡legs ¡of ¡an ¡organism, ¡or ¡a ¡column ¡in ¡ an ¡alignment ¡of ¡DNA ¡sequences. ¡ ¡ • Compara/ve ¡numerical ¡data ¡ ¡ – These ¡data ¡encode ¡the ¡ distances ¡ between ¡objects ¡and ¡are ¡usually ¡ derived ¡from ¡sequence ¡data. ¡For ¡example, ¡we ¡could ¡hypothe)cally ¡say ¡ distance(man,mouse) ¡= ¡500 ¡and ¡distance(man,chimp) ¡= ¡100. ¡ ¡

Phylogene)c ¡trees ¡ • NOTE: ¡in ¡general, ¡different ¡genes/proteins ¡may ¡give ¡slightly ¡ different ¡phylogene)c ¡trees ¡(because ¡different ¡genes/proteins ¡may ¡ evolve ¡at ¡different ¡rates) ¡ • Averaging ¡over ¡large ¡sets ¡of ¡genes/proteins ¡does ¡demonstrate ¡a ¡ broad ¡correspondence ¡between ¡lengths ¡of ¡branches ¡and ¡ evolu)onary ¡)me ¡ • NOTE: ¡Topology ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡vs. ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡(Phylogene)c) ¡Tree ¡ 5 + edge lengths 5 6 6 3 1 1 2 3 4 4 2 Which nodes are connected?

Specia)on ¡vs. ¡duplica)on ¡events ¡ • Another ¡thing ¡to ¡keep ¡in ¡mind: ¡in ¡general, ¡we ¡assume ¡that ¡the ¡ sequences ¡in ¡a ¡phylogene)c ¡tree ¡have ¡descended ¡from ¡an ¡ ancestral ¡ gene ¡A ¡in ¡an ¡ancestral ¡species ¡ • In ¡other ¡words, ¡we ¡assume ¡they ¡arose ¡through ¡a ¡ specia)on ¡event ¡ • Another ¡mechanism ¡by ¡which ¡two ¡sequences ¡can ¡diverge ¡from ¡a ¡ common ¡ancestor ¡is ¡through ¡a ¡ duplica)on ¡event ¡ in ¡the ¡same ¡species ¡ Gene A Gene A Species 3 Gene A Gene A Gene A 1 Gene A 2 Species 1 Species 2 Orthologs ¡ Paralogs ¡ We ¡need ¡to ¡make ¡sure ¡we ¡are ¡using ¡orthologs ¡when ¡building ¡ ¡ phylogene)c ¡trees!!! ¡

Homology ¡example: ¡evolu)on ¡of ¡globins ¡ Human ¡α-­‑globin ¡and ¡human ¡β-­‑ • globin ¡are ¡paralogs ¡or ¡orthologs? ¡ ¡ Paralogs ¡ • Human ¡α-­‑globin ¡and ¡mouse ¡α-­‑ • globin ¡are ¡homologs ¡or ¡orthologs? ¡ Both ¡ •

Building ¡a ¡phylogene)c ¡tree ¡ • Distance ¡methods ¡ ¡ – Evolu)onary ¡distances ¡are ¡computed ¡for ¡all ¡leaf ¡nodes, ¡ and ¡these ¡are ¡used ¡to ¡construct ¡trees ¡ • Maximum ¡parsimony ¡methods ¡ ¡ – The ¡tree ¡is ¡chosen ¡to ¡minimize ¡the ¡number ¡of ¡changes ¡ required ¡to ¡explain ¡the ¡data ¡ ¡ • Maximum ¡likelihood ¡methods ¡ ¡ – Under ¡a ¡model ¡of ¡sequence ¡evolu)on, ¡we ¡search ¡for ¡the ¡ tree ¡which ¡gives ¡the ¡highest ¡likelihood ¡of ¡the ¡data ¡ • Bootstrapping ¡ ¡ chicken Gene A chimp mouse human rat

Building ¡a ¡phylogene)c ¡tree ¡ • We ¡will ¡discuss ¡two ¡algorithms: ¡UPGMA ¡and ¡NJ ¡ • Both ¡algorithms ¡require ¡a ¡metric ¡that ¡describes ¡the ¡ distance ¡ between ¡ any ¡2 ¡leaf ¡nodes ¡(i.e., ¡any ¡2 ¡sequences) ¡ • How ¡can ¡we ¡obtain ¡such ¡distances? ¡ – Align ¡the ¡2 ¡sequences ¡and ¡take ¡the ¡frac)on ¡of ¡nucleo)des/amino ¡ acids ¡that ¡are ¡different ¡ – Use ¡models ¡of ¡residue/nucleo)de ¡subs)tu)on ¡(for ¡example, ¡the ¡ Jukes-­‑Cantor ¡model ¡for ¡DNA ¡sequences) ¡ 1 ¡ 2 ¡ 3 ¡ 4 ¡ 5 ¡ 1 ¡ 0 ¡ * ¡ 2 ¡ * ¡ 0 ¡ Assume ¡we ¡have ¡5 ¡sequences. ¡ ¡ d = 3 ¡ 0 ¡ We ¡need ¡to ¡define ¡a ¡metric: ¡ 4 ¡ 0 ¡ 5 ¡ 0 ¡

Building ¡ rooted ¡ phylogene)c ¡trees ¡ • UPGMA ¡ = ¡unweighted ¡pair ¡group ¡method ¡using ¡arithme)c ¡ averages ¡ [the ¡name ¡is ¡actually ¡more ¡complicated ¡than ¡the ¡method] ¡ • It ¡is ¡basically ¡a ¡ hierarchical ¡clustering ¡algorithm ¡ 1 2 ??? 3 4 5

Building ¡ rooted ¡ phylogene)c ¡trees ¡ • UPGMA ¡ = ¡unweighted ¡pair ¡group ¡method ¡using ¡arithme)c ¡ averages ¡ [the ¡name ¡is ¡actually ¡more ¡complicated ¡than ¡the ¡method] ¡ • It ¡is ¡basically ¡a ¡ hierarchical ¡clustering ¡algorithm ¡ 1 9 9 2 8 6 7 UPGMA 6 8 7 3 4 1 2 4 5 3 5

UPGMA ¡– ¡distance ¡between ¡clusters? ¡ 1 • Distance ¡between ¡2 ¡clusters ¡(groups)? ¡ 9 2 C p C q 6 8 1 ∑ d pq = d ij 7 3 4 C p × C q i ∈ C p , j ∈ C q 5 (average ¡linkage ¡clustering) ¡

UPGMA ¡algorithm ¡ • Ini)aliza)on ¡ – For ¡each ¡sequence ¡ i , ¡create ¡cluster ¡ C i ¡ – For ¡each ¡sequence ¡ i , ¡create ¡a ¡leaf ¡node ¡at ¡height ¡0 ¡ • Iterate ¡ – Find ¡ i,j such ¡that ¡ d ij is ¡minimal ¡ – Define ¡new ¡cluster ¡ C k = C i U C j ¡and ¡compute ¡ d kl k for ¡all ¡other ¡clusters ¡ l – Create ¡node ¡ k ¡(parent ¡of ¡ i and ¡ j ) ¡at ¡height ¡ d ij /2 ¡ – Remove ¡clusters ¡ i and ¡ j j i • Terminate ¡ – When ¡only ¡2 ¡clusters ¡remain ¡ – Create ¡root ¡at ¡height ¡ d ij /2 ¡