6.5 系统发育基因组学

6.4 节的多组学整合以个体的生命周期为时间尺度；本节把坐标轴换成演化的亿年尺度。当几十乃至上百个物种的全基因组序列可用（第 2 章），比较的对象不再限于个别基因，而是全基因组规模的联合证据。系统发育基因组学处理两个相互支撑的问题：其一，如何用成百上千个基因稳健地重建物种之间的演化关系；其二，一旦有了可靠的演化框架，它能反过来为功能注释与比较基因组学回答哪些单靠一个基因组无法回答的问题。

6.5.1 从单基因到全基因组建树

系统发育基因组学(phylogenomics)指以全基因组规模的基因集合——通常是跨类群可追踪的单拷贝直系同源基因家族——重建物种演化历史，并把所得演化框架用于功能注释与比较分析的学科（Delsuc et al., 2005; Philippe et al., 2005）。Gibson & Muse（2009）将其要义概括为一句话：用全基因组数据建树，再用树去解释基因组。

经典系统发生学多以一个或少数几个基因建树，其局限来自两类性质不同的误差。随机误差源于信息量不足：单个基因的比对长度有限、含信息的位点稀少，有限数据下多种拓扑难以区分，抽样波动即可改变最优树。系统误差源于模型与真实过程的偏离，最典型的表现是长枝吸引(long-branch attraction)：快速演化的谱系在同一座位上经历多次替换，观测到的差异趋于饱和，独立获得的相同状态（非同源相似）不断累积；两条这样的「长枝」因为「共享」了大量趋同状态而被建树算法错误地聚在一起（Felsenstein, 2004）。

获得成百上千个直系同源基因后，组合方式有二。超矩阵法(supermatrix)把各基因的多序列比对按同一物种次序首尾串联成一张联合矩阵，在其上（通常按基因分区指定替换模型）一次推断一棵树；超树法(supertree)则先对每个基因分别建树，再把得到的基因树集合合并为一棵综合树。前者利用了座位之间的联合似然，但隐含「所有座位共享同一演化历史」的假设；后者保留各座位的独立性，却丢弃了联合信号。图 6.5-1 给出超矩阵途径的流程与支持度标注方式。

6.5.2 基因树与物种树

数据增多所暴露的核心事实是：不同基因讲述的故事并不一致。冲突有三大来源。其一为不完全谱系分选(incomplete lineage sorting, ILS)：物种分化若快于祖先群体中等位基因的固定，分化时刻的祖先仍携带多套谱系，后代物种各自随机「分拣」到其中一套；该座位的基因谱系便在物种分化之前就已合并——系统学上称深度合并(deep coalescence)——基因树与物种树的拓扑随之错位（图 6.5-2）。这提示两点：连续分化间隔极短时，物种树上相应节点应诚实地表为硬多分叉，任何单基因树给出的「已解决」的二分叉都可能只是随机分拣的产物；此外，由分选错位造成的性状在物种间的分布也会偏离物种历史，此类「同源状」分布被称为 hemiplasy，在演化推断中须与真正的同源相似仔细区分。

其二为水平基因转移(horizontal gene transfer, HGT)：基因绕过生殖过程直接进入另一支谱系，在原核生物中尤为频繁，使原核基因组呈镶嵌状。某类群获得外源基因后，该座位的基因树记录的是「获得事件」而非物种分化；转移的供体与方向不同，拓扑错位的方式也随之不同。

其三为基因重复与丢失。重复产生的旁系同源(paralog)拷贝在各物种中非对称丢失后，残留拷贝若被误当作「同一个基因」跨物种比较（隐性旁系同源，hidden paralogy），基因树反映的便是远古的重复事件而非物种分化——这正是 2.6 节所述直系同源判定困难在系统发育上的投影。

三种机制的鉴别是分析工作的第一步。严格区分常需专门的统计检验，但若干定性线索高度有用（表 6.5-1）：ILS 的标志是与基因组普遍性相关——冲突位点均匀散布、与基因功能无关；HGT 的标志是与功能类群相关——转移频率在代谢等「操作性」基因中高于转录、翻译等「信息性」基因；重复与丢失的标志则是冲突集中于多拷贝家族，且随直系同源判定的修正而消失。

6.5.3 冲突的一致化方法

面对成百上千棵彼此不一致的基因树，第一步是不引入过程模型而把它们「折中」。严格共识树(strict consensus)只保留全部基因树共有的分支，其余节点收缩为多分叉；多数规则共识树(majority-rule consensus)保留出现频率超过 50% 的分支。共识树诚实而保守：它不会发明任何一棵基因树中都不存在的分支，却也不能利用冲突频率中的演化信息。

合并树法更精细的方向是以四分类群为基本单元的统计二分法(statistical binning / quartet-based reconciliation)：对每棵基因树统计其四分叉拓扑，得到各类四分类群单元的拓扑频率分布，再寻找与该频率分布最一致的物种树。ASTRAL 一类方法即在「与四分叉频率的一致性最大」的准则下高效搜索物种树（延伸注记：ASTRAL 发表于 2014 年，晚于原书 2009 年的时点，此处按方法脉络提及）。

把基因树与物种树的关系写成显式概率模型的，是多物种溯祖模型(multispecies coalescent)：物种树的每条分支被视为一个祖先群体，各座位在其中独立溯祖，谱系合并的速率由该分支的有效群体大小与世代时间决定；基因树因此不再是物种树的直接读数，而是以物种树为背景、按此随机过程生成的一次观测（Degnan & Rosenberg, 2009）。在这一框架下，ILS 不再是待剔除的噪声，而是带参数的过程——似然中可联合估计物种树拓扑、分化时间与祖先群体大小；*BEAST 等软件即在多物种溯祖框架下实现联合估计（延伸注记：*BEAST 发表于 2010 年前后，晚于原书时点）。

最后应强调：冲突不等于浪费。当 HGT 占主导时，演化的合适表述不是树而是网——基因树之间不一致的方向与幅度，本身就是转移事件的历史记录；在真核类群中，基因树冲突的幅度亦被用于反推分化时间与祖先群体大小。把冲突当作信息而非误差，是系统发育基因组学在方法论上最重要的转变之一。

6.5.4 应用一：直系同源推断与功能传递

系统发育基因组学最直接的应用，是把演化历史当作功能注释的骨架。注释新基因的主流做法仍是「查亲」：在已知功能的基因中寻找对应者并传递注释；判断「对应」的可靠程度，取决于直系同源(ortholog)关系的识别——由物种分化而产生的对应基因功能通常保守，而旁系同源拷贝的功能常已分化（2.6 节）。OrthoMCL 的做法具有代表性（Li et al., 2003）：先对全体基因组做两两序列比对，在「两两互为最佳命中」的三角关系上构图，再用马尔可夫聚类把相似图划分为直系同源群；OMA 数据库则以更严格的演化距离准则识别直系同源，以牺牲部分覆盖度换取精度。

其原则可概括为：演化判断准确，功能传递才可靠。由此形成「先建树、再传注释」的规范：把查询序列放进基因家族的系统发育树，只从确证的直系同源邻居传递功能描述，避免把旁系分支上已分化的旧功能安到查询序列头上。功能信息沿系统发育「遗传」，序列相似度只是它的代理变量。

演化框架的另一种利用方式完全不建树，只用基因的存在—缺失谱。系统发育谱(phylogenetic profile)指一个基因家族在一组物种基因组中的存在/缺失模式；经验规律是：功能上相关的基因——同一代谢通路的酶、同一蛋白复合体的亚基、同一分泌系统的组分——倾向于在演化上「同生共死」，其谱模式因此彼此一致（图 6.5-3）。谱关联是典型的假设生成方法：它给出候选功能伙伴，验证仍需遗传与生化证据。

6.5.5 应用二：比较基因组再访——保守非编码元件

2.6 节的比较基因组学以系统发育足迹法在多物种比对中寻找保守序列。把同一逻辑推到全基因组尺度，得到一个重要事实：人与小鼠基因组中经受负选择的序列约占 3%–5%，而蛋白编码序列只占约 1.5%——换言之，多数高度保守的序列并不编码蛋白（Gibson & Muse, 2009）。这些保守非编码元件(conserved non-coding elements, CNE)多为增强子、沉默子等调控元件，并富集于发育相关基因附近：不会「说话」的序列，以亿万年的保守投出了功能的信任票。

保守程度的极端是超保守元件(ultraconserved elements)：Bejerano 等（2004）报告了 481 个在人、小鼠与大鼠间完全一致（超过 200 bp 无一个差异）的元件，其中相当一部分在鸡与鱼中仍高度保守；它们富集于发育调控基因附近。如此长度的完全一致无法用中性漂变解释，只能归于强负选择，提示发育调控网络受到异常强的约束——这正是「比较是发现功能元件的探针」的极致例证。

比较基因组与系统发育框架的结合还体现在选择检验上。3.6 节引入的 dN/dS 比值可在系统发育树上逐分支施行：分支—位点模型允许选择压力参数 ω 在预设分支与位点上自由变化，从而在整体处于纯选择的树上，定位经历正选择的特定谱系与残基。系统发育基因组学为此提供的数据基础，正是跨物种的多基因全长比对——树与比对互为前提、彼此校准。

6.5.6 应用三：生命之树的大尺度问题

生命之树的总体形状与根部位置，是系统发育基因组学最宏大的应用。基于 rRNA 的三域观（细菌、古菌、真核生物）提出后，2000 年代的基因组规模分析试图钉牢生命之树的「根」以及古菌与真核生物的关系，得到的结果却并不一致：部分分析支持真核生物嵌于古菌内部（「二域」观），部分支持三域各自独立；不同基因集合、替换模型与分类群抽样会改变结论，加之早期分化年代久远、替换饱和与水平转移普遍存在，根部关系至今宜作两可表述——这本身正是「基因树不等于物种树」在深时间尺度上的体现。

另一大尺度争议在年代学。寒武纪大爆发的化石记录显示主要动物门在约 5.4 亿年前迅速出现，而早期分子钟研究（如 Wray et al., 1996）以多基因估计的后动物门级分化时间比化石记录古老得多，两者相差数亿年。张力的来源包括校准点的选择、分子钟速率恒定的假设、以及深分支上的替换饱和；后续研究以多基因、宽松钟与更密的校准点逐步收敛，但软躯体祖先本就难以形成化石，分子与化石年代未必全然非此即彼——「动物何时起源」与「动物何时获得可化石保存的硬体」是两个不同的问题。

至此，「整合」完成了它在时间维度的最后一次展开：从个体的多层分子快照（6.3、6.4 节）到物种的亿年谱系（本节），基因组数据把功能与历史接在同一棵树上。6.6 节将给出全书的最后展望。