Reconstruction phylogénétique

Transcription

1 Reconstruction phylogénétique Yves Desdevises Université Pierre et Marie Curie Observatoire Océanologique de Banyuls Sophie Sanchez-Ferandin

2 Références Darlu P. et Tassy P Reconstruction phylogénétique : concepts et méthodes. Masson. Perrière G. et Brochier C Concepts et méthodes en phylogénie moléculaire. Springer. Lemey P., Salemi M. et Vandamme A.-M The phylogenetic handbook. Second Edition. Cambridge University Press. Hall B Phylogenetic trees made easy. Fourth Edition. Sinauer. Felsenstein J Inferring phylogenies. Sinauer. Page R. et Holmes E Molecular evolution: a phylogenetic approach. Blackwell.

3 But : proposer une hypothèse des liens de parenté entre plusieurs taxons Phylogénie = arbre évolutif ( échelle) Spéciation : binaire

4 Historique / Représentation d arbres Animaux apathiques Le «progrès évolutif» selon Lamarck Animaux sensibles Animaux «évolués» Philosophie zoologique 1809

5 Historique / Représentation d arbres Arbre dichotomique de Darwin Renversement de la lecture de la généalogie. Temps géologique de bas en haut. Dichotomies

6 Historique / Représentation d arbres Haeckel (1866)

7 Historique / Représentation d arbres Haeckel (1866)

8 Arbres phylogénétiques Labrichthys unilineatus Thalassoma bifasciatum Thalassoma lutescens Clepticus parrae Bodianus rufus Coris julis Hemigymnus fasciatus Hemigymnus melapterus Pictilabrus laticlavius Thalassoma lunare Notolabrus tetricus Pagrus major Symphodus mediterraneus Symphodus melanocercus Symphodus ocellatussymphodus tinca Labroides dimidiatus Anampses caeruleopunctatus Symphodus Symphodus cinereus roissali Anampses geographicus Labropsis australis Halichoeres marginatus Ctenolabrus rupestris Stetojulis albovittata Stetojulis bandanensis Cheilinus chlorourus Cheilinus trilobatus Epibulus incidiator Labrus viridis merula Halichoeres hortulanus Halichoeres margaritaceus Symphodus roissali Symphodus cinereus Symphodus tinca Symphodus ocellatus Symphodus mediterraneus Symphodus melanocercus Ctenolabrus rupestris Labrus merula Labrus viridis Cheilinus trilobatus Cheilinus chlorourus Epibulus incidiator Stetojulis albovittata Stetojulis bandanensis Halichoeres hortulanus Halichoeres margaritaceus Labropsis australis Halichoeres marginatus Anampses geographicus Anampses caeruleopunctatus Labroides dimidiatus Labrichthys unilineatus Coris julis Hemigymnus melapterus Hemigymnus fasciatus Thalassoma bifasciatum Thalassoma lunare Thalassoma lutescens Pictilabrus laticlavius Notolabrus tetricus Bodianus rufus Clepticus parrae Pagrus major Symphodus roissali Symphodus cinereus Symphodus tinca Symphodus ocellatus Symphodus mediterraneus Symphodus melanocercus Ctenolabrus rupestris Labrus merula Labrus viridis Cheilinus trilobatus Cheilinus chlorourus Epibulus incidiator Stetojulis albovittata Stetojulis bandanensis Halichoeres hortulanus Halichoeres margaritaceus Labropsis australis Halichoeres marginatus Anampses geographicus Anampses caeruleopunctatus Labroides dimidiatus Labrichthys unilineatus Coris julis Hemigymnus melapterus Hemigymnus fasciatus Thalassoma bifasciatum Thalassoma lunare Thalassoma lutescens Pictilabrus laticlavius Notolabrus tetricus Bodianus rufus Clepticus parrae Pagrus major Symphodus roissali Symphodus cinereus Symphodus tinca Symphodus ocellatus Symphodus mediterraneus Symphodus melanocercus Ctenolabrus rupestris Labrus merula Labrus viridis Labrichthys unilineatus Labroides dimidiatus Anampses caeruleopunctatus Anampses geographicus Halichoeres marginatus Labropsis australis Halichoeres margaritaceus Halichoeres hortulanus Stetojulis bandanensis Hemigymnus melapterus Coris julis Stetojulis albovittata Epibulus incidiator Hemigymnus fasciatus Cheilinus trilobatus Cheilinus chlorourus Cheilinus trilobatus Cheilinus chlorourus Epibulus incidiator Stetojulis albovittata Stetojulis bandanensis Halichoeres hortulanus Halichoeres margaritaceus Labropsis australis Halichoeres marginatus Anampses geographicus Anampses caeruleopunctatus Labroides dimidiatus Labrichthys unilineatus Coris julis Hemigymnus melapterus Hemigymnus fasciatus Thalassoma bifasciatum Thalassoma lunare Thalassoma lutescens Pictilabrus laticlavius Notolabrus tetricus Bodianus rufus Clepticus parrae Pagrus major Thalassoma bifasciatum Labrus viridis Labrus merula Thalassoma lunare Thalassoma lutescens Symphodus roissali Symphodus cinereus Symphodus tinca Symphodus ocellatus Symphodus mediterraneus Symphodus melanocercus Ctenolabrus rupestris Pictilabrus laticlavius Notolabrus tetricus Bodianus rufus Clepticus parrae Pagrus major

9 Arbres phylogénétiques Feuilles = taxons terminaux Branches terminales A B C D E F G H I J Noeud Polytomie Branches intérieures Racine

10 Arbres phylogénétiques Cladogrammes Pas de longueurs de branches Clades Phylogrammes Longueurs de branches

11 Enracinement Pour orienter l arbre Utilisation d un extra-groupe (hors-groupe = groupe externe = outgroup) Reste = groupe interne (ingroup) Arbre non enraciné Arbre enraciné extra-groupe ajout d un extra-groupe

12 Extra-groupe : groupe frère (sister-group) hors de l ingroup Caractères partagés entre outgroup et ingroup = caractères ancestraux Parfois pas d extra-groupe : enracinement au point équidistant des extrémités de l arbre B (suppose longueurs de branches) = midpoint rooting C E B A C D F E A D F

13 Enracinement Arbre non raciné Ex. Arbre non raciné à 4 unités taxonomiques???? Plusieurs scénarios évolutifs possibles mais un seul est vrai! Position de la racine obtenue grâce à des données indépendantes

14 Clade = groupe monophylétique Ex. de groupe non naturel (=paraphylétique) Ancêtre des Reptiles Les Reptiles : groupe paraphylétique = comprend un ancêtre et une partie seulement de ses descendants Li, Molecular Evolution

15 Clades Monophylétique : groupe naturel Mammifères Paraphylétique Reptiles Polyphylétique Algues, protozoaires

16 But : proposer une hypothèse des liens de parenté entre plusieurs taxons Phylogénie = arbre évolutif ( échelle) Spéciation : binaire Basé sur l homologie : similarité résultant de l héritage d un ancêtre commun Indication de l existence d un ancêtre commun Sert à la construction d un arbre phylogénétique Peut également être identifiable à l aide d un arbre phylogénétique

17 La phylogénie est basée sur l observation de caractères sur des taxons Taxon : groupe d organismes reconnu en tant qu unité formelle, à chacun des niveaux de la classification (Simpson, 1961). Exemples : Individu - Espèce Genre Famille Ordre - etc Caractère : attribut observable d un organisme (Darlu et Tassy, 1993). Peuvent être de différentes natures : morphologiques, anatomiques, cytologiques, chromosomiques, moléculaires A B C taxons observation

18 Caractères Organismes composés de différentes caractéristiques Ces caractéristiques prennent des formes différentes selon les taxons : états de caractères L ensemble des états d un caractère constituent un caractère Ces états sont produits par des changements héritables L inférence phylogénétique se fait à partir des différences entre états de caractères

19 On cherche à établir le lien entre ancêtre et descendant par la présence/absence d un état de caractère On cherche l apparition de nouveaux états de caractères dans les descendants Les différents états de caractères sont par définition des homologies Les taxons qui partagent ce nouvel état de caractère (dérivé) forment des clades Exemple : les poils chez les mammifères Il est possible de pondérer différentiellement les caractères

20 Lézard Chien Grenouille Humain Changement POILS Absents Présents

21 Homologie

22

23 Caractères ancestraux : plésiomorphies Caractères ancestraux partagés : symplésiomorphies Caractères dérivés : apomorphies Caractères dérivés partagés : synapomorphies Caractérisent idéalement les clades Caractères dérivés non partagés = propres à un taxon : autapomorphies

24

25 Homologies Les homologies sont supposées montrer des similarités en : position structure développement Un critère reconnu pour supporter les homologies est la congruence avec d autres caractères

26 Homoplasies Ce sont les similarités non homologues Résultat d une évolution indépendante Convergence Parallélisme Réversion Brouillent le signal phylogénétique : peuvent conduire à l établissement de fausses relations de parenté

27 Homoplasie

28 Parallélisme Convergence Réversion

29 Lézard Humain QUEUE Absente Présente Grenouille Chien Humain Chien QUEUE Absente Présente Grenouille Lézard

30 Sans homoplasies, l inférence phylogénétique serait facile Problème fondamental de la reconstruction phylogénétique : distinguer les homoplasies (= bruit) du signal Corollaire : la qualité des données (un bon signal phylogénétique) est plus importante que la méthode utilisée

31 S il y a un seul arbre correct, quand des caractères supportent des arbres différents, l un au moins est forcément homoplasique Lézard Chien POILS Absents Présents Grenouille Humain Humain Chien QUEUE Absente Présente Grenouille Lézard

32 Pour résumer :

33 Congruence L arbre choisi est celui qui maximise le nombre de caractères congruents MAMMIFERES Lézard Chien POILS LACTATION... Grenouille Humain Changements

34 Cas des données moléculaires L homoplasie est généralement plus commune avec des données moléculaires que morphologiques Peu d états (4 pour l ADN : A G C T) Chimiquement proches Taux d évolution parfois élevé Pas d identification de l homoplasie par structure ou développement

35 Données Fossiles : rares Caractères morphologiques Caractères moléculaires : ADN, protéines,... - De loin les plus utilisés : modèles, nombreux caractères, moins subjectifs,... - Phylogénie du fragment d ADN ( espèce) - Futur : génomes phylogénomique Autres (comportements, hôtes, habitat,...)

36 Caractères morphologiques Souvent peu nombreux : difficile pour grand nombre de taxons, surtout s ils sont a priori proches Décisions parfois subjectives Processus évolutifs en général mal connus : limite le choix des méthodes Nécessitent un codage - Parfois difficile - Hypothèse sur l évolution des caractères

37 Codage Binaire : Présence/absence = 0/1

38 Codage Binaire : Présence/absence = 0/1 États multiples (non ordonnés ou ordonnés) : définition du nombre de pas entre les états Ordonnés: - codage linéaire : e.g. 0, 1, 2 - codage additif binaire : e.g. 00, 01, 10, 11 - combinaison des deux

39

40 Caractères moléculaires Nucléotides ou aa (pour divergences plus anciennes) Caractères = positions des bases (ou AA) Etats de caractères = nature des bases ou AA Etape primordiale : alignement - Parfois manuel - Méthodes automatiques : retouchage manuel - Pas de test : pas d hypothèse nulle - Peut utiliser information sur la structure II

41 Caractères moléculaires Un changement d état dans un site s appelle une substitution. Les sites qui ont les mêmes états dans chaque séquence sont des sites conservés. - Alignement de séquences d ADN 1 site = 1 caractère avec 5 états possibles : A, C, T ou G + Insertion ou Délétion «INDEL» - Alignement de séquences protéiques 1 site = 1 caractère avec 21 états : 20 acides aminés- + Insertion ou Délétion «INDEL»

42 Nucléotides : 4 états seulement (2 types) Modélisable Homoplasie facile

43 Acides aminés 20 états 5 catégories Modélisation beaucoup plus difficile Codons 61 états!

44 Arbre des gènes arbre des espèces Gènes orthologues ou paralogues Paralogues Orthologues Orthologues Duplication Arbre Gène ancestral

45 Possibilité de transfert de gène Brouillage du signal phylogénétique

46 Alignement < ( HELIX ) < ( Thermus ruber UCCGAUGC-UAAAGA-CCGAAG=CUCAA=CUUCGG=GGGU=GCGUUGGA Th. thermophilus UCCCAUGU-GAAAGA-CCACGG=CUCAA=CCGUGG=GGGA=GCGUGGGA E.coli UCAGAUGU-GAAAUC-CCCGGG=CUCAA=CCUGGG=AACU=GCAUCUGA Ancyst.nidulans UCUGUUGU-CAAAGC-GUGGGG=CUCAA=CCUCAU=ACAG=GCAAUGGA B.subtilis UCUGAUGU-GAAAGC-CCCCGG=CUCAA=CCGGGG=AGGG=UCAUUGGA Chl.aurantiacus UCGGCGCU-GAAAGC-GCCCCG=CUUAA=CGGGGC=GAGG=CGCGCCGA match ** *** * ** ** * ** Hypothèse d homologies positionnelles entre nucléotides ou AA Méthodes Manuelle (Seaview, BioEdit, Se-Al,...) Automatique (ClustalX, MAFFT, POY, MUSCLE, T-Coffee,...) Combinaison des deux (ce qu on fait en général)

47 Alignement plus ou moins facile Séquence codante ou pas Utiliser les AA (codons) pour alignement Considérer les types d AA (taille, polarité, hydrophobicité) Séquences plus ou moins divergentes Homologie variable selon région Alignement atteint par ajout d événements d insertion-délétion (indels) à l aide de gaps : limités par pénalités (sauf aux extrémités)

48 But de l alignement automatique : maximiser le score de l alignement Exemple Dot Plot GATTC GAATTC On définit : Match = +1 Mismatch = 0 Indel = -1

49 GA-TTC GAATTC Score = GATTC- GAATTC Score = G-ATTC GAATTC Score = 4 2 alignements 1 optimaux 1

50 En plus de la pénalité d introduction des gaps (gap opening penalty), on définit une pénalité pour l extension des gaps (gap extension penalty), moins élevée (encourage extension, pas des trous partout) GOP et GEP peuvent varier le long des séquences, en fonction de la présence de gaps et de caractéristiques biochimiques (e.g. AA hydrophiles) On peut aussi pondérer différemment les substitutions (certaines sont plus faciles que d autres ; e.g. pour AA : matrice BLOSUM 62)

51 Problème complexe analytiquement : on ne peut garantir le meilleur alignement quand le nombre de séquences augmente (alignement multiple) Alignement progressif (e.g. Clustal) Calcul d un arbre-guide (NJ) pour alignement des paires de séquences Aligne d abord les séquences les plus proches et ainsi de suite Rapide mais pas de critère d optimalité

52 Alignement global ou local - Global : considère toute la longueur des séquences. Bien si divergence faible et taille similaire - Local : par région. Mieux si régions variables - Hybride (semiglobal ou glocal)

53 Après alignement, possibilité de sélection automatique des régions informatives, en éliminant les régions mal alignées Gblocks Choix de différents critères modifiant la stringence de la sélection

54 Petite sous-unité de l ARNr

55 Alignement de 2 séquences : très facile et rapide Utilisé pour la recherche de séquences similaires ( homologues!) dans des bases de données à des fins d identification BLAST = Basic Local Alignment Search Tool (1990) blastn : nucléotides vs base nucléotides blastx : nucléotides traduits vs base protéines blastp : protéines vs base protéines tblastn : protéines vs base nucléotides traduits tblastx : nucléotides traduits vs nucléotides traduits

56 e-value = expected value : probabilité que la similarité obtenue soit due au hasard Fonction du score, de la longueur de la séquence et de la taille de la base On cherche des e-values très faibles (e.g ) Recherche dans une base de données, un génome, Inférence de la fonction par rapport aux séquences similaires, taxonomie,

57 Saturation Multiple hits Substitutions multiples au même site Affecte les sites qui évoluent rapidement Conduit à une sous-estimation de la distance évolutive entre 2 séquences

58 3 changements visibles 12 changements réels

59 Détection Graphe des transitions (Ti) vs transversions (Tv) Saturation Pas de saturation

60 Selon la position dans le codon

61 Graphes des % différences entre séquences vs temps (si il est disponible)

62 Graphe des distances non corrigées vs corrigées (Jukes-Cantor)

63 Distance non corrigées (% différences entre séquences) Pente = 1 : pas de saturation Distances patristiques (mesurées sur l'arbre)

64 Utilisation de modèles d évolution moléculaire P-distance (distance observée) n est pas un bon estimateur de la distance évolutive réelle correction par des modèles d évolution

65 Correction Utiliser un modèle évolutif pour corriger la divergence entre séquences Eliminer les sites à évolution rapide (e.g. troisième position des codons) Pondérer différemment Ti et Tv Utiliser seulement Tv Utiliser des séquences à évolution plus lente

66 Biais Attraction des longues branches Si la méthode suppose que tous les sites changent au même taux A B A p q p D q q C C D B Vrai arbre Arbre inféré

67 Exemples

68 Exemple mtdna évoluant rapidement chez Bilateria : attiré vers outgroup Cténophora évolue rapidement : attiré vers outgroup Vrai arbre [?]

69 Biais d usage des codons : certains codons davantage utilisés pour les mêmes AA

70 Attention à prendre en compte les différences de composition des bases dans les lignées (LogDet, ML hétérogène) Exemple : % GC pour les thermophiles Aquifex Thermus Aquifex (73%) Bacillus (50%) Bacillus Deinococcus Thermus (72%) Deinococcus (52% G+C) Vrai arbre Arbre inféré

71 Critère d optimalité Pour choisir le meilleur arbre Hypothèse sur le fonctionnement de l évolution Différent selon les méthodes Nombre de pas Somme des longueurs de branches Vraisemblance

72 Plusieurs méthodes La meilleure méthode?? Parcimonie Distance Maximum de vraisemblance Inférence Bayesienne Important : critère d'optimalité. S'il y en a un, il faut comparer les topologies pour trouver la meilleure

73 Topologies : nombre d arbres 3 taxons : 1 arbre non raciné possible 3 taxons : 3 arbres enracinés possibles 4 taxons : 3 arbres non racinés possibles 4 taxons : 15 arbres enracinés possibles 5 taxons : 15 arbres non racinés possibles 5 taxons : 105 arbres enracinés possibles Formule du nombre d arbres non racinés à n feuilles = (2n 5)! / [2 n-3 (n-3)!] et enracinés = (2n 3)! / [2 n-2 (n-2)!] 8 taxons : taxons : taxons : (> atomes dans l univers!!)

74 Algorithmes d'exploration du Treespace Recherche exhaustive : si peu de taxons (10-12 en parcimonie) : examine toutes les topologies Branch-and-Bound : explore une partie de l espace des arbres (environ 20 taxons en parcimonie), efficace Algorithme heuristique : moins efficace, plus rapide : trouver un bon arbre par une agglomération judicieuse des taxons, puis réarranger cette topologie pour en trouver éventuellement une meilleure

75 Treespace Global optimum Suboptimal island of trees Starting trees Treespace

76 Réarrangements : NNI = Nearest-Neighbor Interchange Plus rapide, moins rigoureux que les autres techniques

77 SPR = Subtree Pruning and Regrafting

78 TBR = Tree Bisection Reconnection Plus rigoureux, plus lent Avec un algorithme heuristique, il est bon de lancer plusieurs recherches indépendantes (e.g. 10)

79 Parcimonie

80 Cladistique Deux lignées sont plus proches entre elles que d une autre si elles partagent un ancêtre commun plus récent Hypothèses phylogénétiques = hypothèse d un ancêtre commun Associée à reconstruction par parcimonie MP = Maximum de Parcimonie

81 Principe de parcimonie Rasoir d Ockham Pluralites non est ponenda sine necessitate Favoriser la solution la plus simple Permet de choisir entre plusieurs hypothèses phylogénétiques Maximiser les congruences et minimiser les homoplasies Mesure de l ajustement des caractères aux arbres Méthode basée sur les caractères individuels

82 Ajustement (fit) des caractères Nombre minimum de pas (passage d un état à l autre) requis pour expliquer la distribution observée des états de caractères Cela est déterminé par l optimisation de caractères par parcimonie (mapping) Cette optimisation est différente sur différents arbres Position des changements parfois non unique pour un même arbre et un même nombre de pas : longueurs de branches pas toujours définies

83 Grenouille Crocodile Oiseau Kangourou Chauve-souris Humain Grenouille Kangourou Crocodile Humain Chauve-souris Oiseau Exemple 1 pas Poils Absents Présents 2 pas

84 Exemple Maximum de Parcimonie =privilégier le plus faible nombre de changements évolutifs (=plus faible nombre de pas) A B C A B C X Y X Y A B C X Y 1 pas 2 pas

85 Exemple Maximum de Parcimonie =privilégier le plus faible nombre de changements évolutifs (=plus faible nombre de pas) A B C A B C X Y X Y A B C X Y 1 pas 3 pas

86 Analyse par parcimonie Pour un ensemble de caractères, détermination de l ajustement (nombre de pas) de chaque caractère à l arbre La somme pour tous les caractères (X pondération éventuelle) est appelée la longueur de l arbre Les arbres les plus parcimonieux (MPT = most parsimonious trees) sont ceux qui ont la longueur la plus petite Caractère informatif : au moins 2 états dans 2 taxons Critère d optimalité (= fonction objective) : nombre de pas = longueur de l arbre

87 On peut obtenir un ou plusieurs MPT Plusieurs arbres : consensus Les arbres donnent en même temps des séquences (hypothèses) évolutives des caractères Longueurs de branches : nombre de changements. Généralement sous-estimées. Pas un but de ce type de méthode (longueurs souvent non considérées) Plusieurs mesures pour les arbres et les caractères estiment l ajustement entre arbre et données : degré d homoplasie (CI, RI,...)

88 Consensus Strict Semi-strict Majoritaire

89 Types de caractères Différences des coûts pour les changements d états Wagner (ordonné, additif) : morphologie Fitch (non ordonné, non additif, coûts égaux) : ADN, protéines, morphologie A T G C

90 Sankoff (généralisée) A G 1 pas T C 5 pas Exemple typique : poids différent des transitions et des transversions Coûts symétriques ou asymétriques

91 Transversions (Tv) Py Pu Stepmatrices Purines (Pu) de A G A C G T A à C T C G Pyrimidines (Py) T Transitions (Ti) Py Pu Py Pu Transitions plus faciles Transversions plus nombreuses

92 Parcimonie généralisée = Parcimonie pondérée Fait intervenir des coûts différents pour les changements Minimise la somme des coûts = coût total

93 Problème de la définition des coûts On connaît certains éléments de l évolution moléculaire permettant de jouer sur les coûts Transitions/transversions (Ti/Tv, nombres ou taux) Hétérogénéité du taux de substitution, notamment en fonction de la position dans les codons

94 Algorithmes 1. Calculer les topologies 2. Optimiser tous les caractères et calculer les longueurs Long si beaucoup de taxons Algorithmes Recherche exhaustive : si peu de taxons (10-12) : examine toutes les topologies Branch-and-Bound : explore une partie de l espace des arbres, pour environ 20 taxons, efficace Algorithme heuristique : moins efficace, plus rapide

95 Parcimonie - Avantages Simple Pas de modèle explicite d évolution Arbre et évolution des caractères Bien si homoplasie rare Bien pour caractères morphologiques

96 Parcimonie - Inconvénients Problème si beaucoup d homoplasies, ou concentrées dans certaines régions Attraction des longues branches (Felsenstein Zone) Sous-estime la longueur des branches Modèle d évolution implicite : comportement pas toujours clair Justifié sur bases plus philosophiques que numériques