IF50.5｜SPRTA：百万级系统发育树置信度评估新方法

SPRTA将分支支持从拓扑转向突变历史，让SARS-CoV-2大树的每个分支和样本放置都有了概率解释。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

系统发育学在进化生物学和基因组流行病学中处于核心地位，评估系统发育树的置信度至关重要。Felsenstein's bootstrap等方法虽然应用广泛，但计算量巨大，难以处理包含数百万基因组的疫情规模数据。此外，这些方法大多关注分支（clade）的拓扑支持，而基因组流行病学更关心突变历史、谱系起源和样本放置。局部支持方法如aBayes计算效率较高，但基于NNI移动，对大规模数据仍不够全面，且同样受限于拓扑视角。

科学问题

卡在哪里： 现有分支支持方法要么计算量过大，无法扩展到百万级基因组；要么基于拓扑视角，难以解释突变和传播历史。此外，rogue taxa（如不完整序列）会显著降低Felsenstein's bootstrap对许多内部分支的支持，且该方法过于保守，需要三个突变才能给出95%支持。局部方法如aBayes只考虑NNI移动，无法充分探索可能的替代拓扑。

本文要回答： 开发一种计算高效、可扩展至疫情规模、且以突变历史为中心的分支支持方法，用于评估SARS-CoV-2系统发育树中分支和样本放置的置信度。

技术路线

作者主要用了：SPRTA、MAPLE、最大似然、SPR移动、模拟基准、UNREST模型。

作者提出SPRTA方法，基于子树剪枝重接（SPR）移动评估分支支持。对每个分支b，考虑将子分支Sb重新放置到树的其他位置的所有可能SPR移动，通过MAPLE高效计算各替代拓扑的似然，并用归一化似然得到SPRTA支持分数。该方法先进行初步筛选，仅保留似然差异在一个突变事件以内的替代拓扑，再进行分支长度优化。SPRTA在MAPLE中实现，可在树推断过程中同步计算，几乎不增加额外开销。作者通过模拟SARS-CoV-2基因组数据，以突变历史正确性为基准，比较了SPRTA与Felsenstein's bootstrap、UFBoot、TBE、aLRT、aBayes、LBP等方法的性能。

图 1　Fig. 1。图1展示了SPRTA计算分支b支持度的原理。分支b（红色实线）将树分为子分支Sb（黑色三角形）和其余部分T\Sb。SPR移动将Sb重新放置到T\Sb的其他位置（蓝色虚线箭头），每个替代放置代表B的不同进化起源。SPRTA通过比较原始树与所有替代放置的似然来计算b的支持度。

核心亮点

亮点 1｜忽略不确定性影响位点特异性突变率估计

忽略系统发育不确定性对全基因组平均核苷酸替代率影响不大，但会显著影响单个位点的突变计数。例如，位点17040因不确定的回复突变而受到强烈影响。其他位点如7926和21595也显示类似模式。通过比较所有突变、仅保留SPRTA支持≥50%的突变、仅保留≥90%的突变，作者发现保守过滤会大幅改变某些位点的突变计数，表明在推断位点特异性突变率时应考虑系统发育不确定性。

图 2　Fig. 2。图2比较了不同分支支持方法在模拟SARS-CoV-2数据集上的运行时间和最大内存使用。x轴为模拟基因组数量，y轴分别为时间（a）和内存（b）。SPRTA的时间和内存需求远低于其他方法，且随数据量增大差距更明显。其他方法的线在数据量增大时提前终止，表示无法完成计算。

补充图

图 3　Fig. 3。图3展示了不同方法对正确推断突变（a）和错误推断突变（b）的平均支持度。所有方法对两类突变都给出高支持，但只有SPRTA对正确突变的支持显著高于错误突变（正确约98-99%，错误约85-90%）。其他方法对两类突变的支持差异很小，无法有效区分。

图 4　Fig. 4。图4左侧为全球SARS-CoV-2系统发育树，按Pango谱系着色。中间放大显示AY.4谱系，标注了T17040C（绿色箭头）和C21846T（蓝色箭头）突变，以及约650个C17040T回复突变（红色圆圈）。右侧展示了一个包含超过16.3万个基因组的C17040T回复亚谱系，其定义分支的SPRTA支持仅为7.6%，最可能的替代起源涉及C27484T回复突变（深蓝色箭头）。

图 5　Fig. 5。图5展示了两个不确定样本放置的例子。左上为Alpha谱系内的一个样本（黑色箭头），在位置27281处无序列信息（N），该样本在当前放置和G27281T突变另一侧（红色箭头）的SPRTA支持均为50%。右下为AY.44谱系内的一个样本，其放置的SPRTA支持为80.5%，不确定性源于两个相互竞争的突变历史。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： SPRTA、MAPLE、最大似然、SPR移动、模拟基准、UNREST模型
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事系统发育学、基因组流行病学、病毒进化分析的研究者，尤其是处理大规模病原体基因组数据的生信人员。

带走一句

SPRTA让大规模系统发育树的每个分支和样本放置都有了概率解释，做疫情规模分析时，别再只看拓扑，要关注突变历史的置信度。