I Douglas Adams’ romanserie 'The Hitchhiker’s Guide to the Galaxy' blev en gigantisk supercomputer sat til at finde svaret på det ultimative spørgsmål om Livet, Universet og Alting.
Efter 7,5 mio. års arbejde kom computerens svar:
»42«
Når man ikke stiller spørgsmålene præcist nok, risikerer man at få svar, som man ikke bliver klogere af.
Nyt projekt skal forstå vores udvikling
På Aarhus Universitet har vi også en supercomputer. I de kommende år skal den blandt meget andet bearbejde store mængder data, som vi på Bioinformatics Research Centre (BiRC) for nylig fik tilsendt på en harddisk fra universitetet i Barcelona.
Harddisken indeholder data fra i alt 106 genomer (fra 96 individer af fem forskellige arter af menneskeaber og 10 mennesker), som et internationalt hold af forskere i Great Ape Genome Diversity Project har sekventeret.
Projektet har som mål at forstå til fulde, hvordan menneskeaberne og mennesket selv har udviklet sig over de sidste 20 millioner år. Og specielt hvordan de forskellige arter er opstået.
Har adgang til supercomputer
Disken blev ikke sendt til BiRC fordi vi har adgang til en supercomputer. Vi er med, fordi vi ved at kombinere statistiske, matematiske og datalogiske redskaber har udviklet nogle unikke og effektive metoder til både at stille de rigtige spørgsmål, programmere computeren til at lede de rette steder efter svarene og fortolke svarene.
Rygraden i vores metode er 'Coalescent Hidden Markov Models' (CoalHMM), som kan trække information ud af genom-dataene om artsdannelsestidspunkter for millioner af år siden, artsdannelsesprocesser og betydningen af naturlig selektion – endda fra DNA fra ét enkelt individ.
Med modellen har vi siden 2005 været med til at vise, at mennesket og chimpansen splittede op for 4,5 mio. år siden, at mennesket kun er ca. 1,2 pct. forskellig fra chimpansen og bonoboen, 1,7 pct. forskellig fra gorillaen og 2,5 pct. forskellig fra orangutangen.
Vi har vist, at der er dele af vores genom, hvor vi ligner gorillaen mere end chimpansen, og at vores gener i disse områder også mest udtrykkes som gorillaens.
Vi kan se, at naturlig selektion har spillet en overraskende stor rolle i udviklingen af vores genom. Ikke mindst på vores X-kromosom og omkring vores gener - og måske især de gener, der har med immunsystemet at gøre.
Vi kan se, at bonoboen og chimpansen først gik fra hinanden for ca. 1 million år siden, men at der alligevel er områder, hvor chimpansen ligner mennesket mere, end chimpansen ligner bonoboen (ca. 2 pct. af arvemassen).
Desuden kan vi se, at der i menneskets linje helt op til artsdannelsen med orangutang ikke har været perioder med meget få individer. Tværtimod var stamfaderen til mennesket og chimpansen talrig.
En arts oprindelse
Når en art udvikler sig, er der i virkeligheden tale om, at sammensætningen af individer i arten - eller populationen - udvikler sig.
Individer fødes, får unger og dør. Ikke alle individer får lige mange unger, og over tid vil få individer være blevet forfædre til alle levende individer i populationen.
Der er således kun enkelte individer, hvis arvelige træk breder sig til hele arten på bekostning af andre.
Det er denne proces, der giver anledning til, at alle individer i en art er beslægtet gennem et stamtræ.
Sådan foregår det, når en art deler sig i to
Når en art deler sig i to, vil det i det simpleste tilfælde ske ved, at denne population deles op i to nye populationer, som derefter udvikler sig uafhængigt af hinanden.
Når en population deles i to, vil individer i den nye population A være lige så tæt beslægtet med individer i population B, som de er med de andre i population A.
Man kan sige, at halvdelen af stamtræets grene fortsætter i hver population.
Som tiden går efter opsplitningen, vil individer i de to nye populationer blive mere og mere beslægtede indbyrdes, ind til alle individer i hver population er efterkommere af samme individ.
Kort efter opdelingen vil man ud fra variationen kunne se, hvor langt tilbage i tiden man skal gå for at finde den sidste fælles forfader mellem to individer afhængigt af, hvilke to individer man vælger. (se billede 1).
Ud fra denne variation kan man lære meget om stambefolkningen. For eksempel kan vi se, om stambefolkningen var stor eller lille.
Stor variation i tiden tilbage til den fælles forfader betyder alt andet lige en stor befolkning frem for en lille.
Vi kan også se, om stambefolkningen er gået igennem en flaskehals på noget tidspunkt.
I så fald vil der være usædvanlig mange, der finder deres fælles forfader inde i flaskehalsen.
Statistik fra en enkelt observation
Hvis man statistisk skal afgøre, om én model passer bedre til data end en anden eller bestemme værdien af parametrene i en model, kræver det normalt, at man har flere observationer. Jo flere jo bedre.
Når vi skal lære noget om, hvornår en stambefolkning delte sig i to, vil de relevante observationer f.eks. være dem, der viser variationen i tiden tilbage til den sidste fælles forfader.
Når man ser på tæt beslægtede befolkninger, kan denne variation findes ved at vælge mange forskellige individer, men for meget fjernt beslægtede befolkninger – ultimativt forskellige arter – virker denne tilgang ikke.
Forskellen skyldes, at ikke alle individer inden for en befolkning er lige tæt beslægtede. Søskende er tættere beslægtede end grandfætre og så videre. Dette gør sig også gældende i forfædrenes befolkninger, så hvis vi kikker på, hvor langt tilbage i tiden vi skal gå for at finde den nærmeste forfader til to individer, skal vi først gå tilbage til det tidspunkt, da de to befolkninger delte sig fra en stambefolkning, og derefter yderligere et stykke tid tilbage, bestemt af, hvor tæt beslægtede de to individers forfædre var på det tidspunkt. Dette er illustreret i figuren øverst til højre, hvor hver prik repræsenterer et individ – levende eller død – og hvor slægtskab er illustreret med kanter. De blå individer svarer til det blå træ til venstre.
Hvis alle individer inden for den første art har en sidste fælles forfader inden for deres egen art, og det samme gør sig gældende i den anden art, vil vi nemlig se præcis den sammen afstand mellem et par af individerne, lige meget hvilket par vi vælger.
Dermed har vi reelt kun én enkel observation fra slægtskabet i stamarten, og ud fra den kan vi intet sige om variationen i stamarten (se billede 3).
Laver statistik på flere forskellige stykker af vores genom.
Her kommer 'rekombination' til hjælp. Rekombination sker, når vores DNA-strenge gennem generationerne bliver ”klippet” i stykker og sat sammen på nye måder.
Det medfører, at forskellige stykker af arvemassen kan betragtes som uafhængige observationer af processen.
I stedet for at lave statistik på flere individer, hvilket ikke fører til flere observationer, kan vi lave statistik på flere forskellige stykker af vores genom.
DNA-stykker er dog kun uafhængige i den tid, hvor en rekombination har afkoblet dem.
Mens de er koblet sammen har de samme forhistorie og er altså ikke uafhængige, og hvis man inddrager dem i analysen, kan man komme til at undervurdere variationens størrelse i tiden tilbage til forfædrene.
Det problem kan løses på to måder:
- Man kan kigge på DNA-stykker, der ligger langt fra hinanden i arvemassen. Sådanne stykker er adskilt af mange rekombinationer og er derfor uafhængige i langt den største del af deres historie, og kan derfor betragtes som stort set uafhængige observationer. Mange statistiske metoder til at undersøge stamarter er baseret på denne idé. Fælles for dem er, at man så kun kan kigge på en lille del af genomet; man skal vælge stykker langt fra hinanden og kan ikke samtidig analysere den DNA, der ligger imellem dem.
- Alternativt kan man eksplicit modellere rekombinationsprocessen og hvordan forhistorien for ét DNA stykke afhænger af nabo-DNA. På denne måde kan man teoretisk udnytte den fulde arvemasse. Rekombinationsprocessen er i midlertid meget kompleks, og selv med supercomputere er det ikke muligt at modellere den fulde proces for et helt genom uden at ty til forsimplende antagelser.
'Coalescent skjult Markov model'
Vore analyser af stam-arter bygger på, at vi kan finde segmenter af genomet med den samme historie ved at 'glide' henover genomet og vurdere, om det næste basepar har den samme historie som det foregående.
Her benytter vi os af antagelsen om 'Markov-egenskaben', hvilket her betyder, at sandsynligheden for, at det næste basepar har samme historie som det foregående, kun afhænger af det foregående basepar og ikke af resten af sekvensen. (Se boks under artiklen)
Dette er kun en approksimation - tilnærmelse - til den mere komplicerede rekombinationsproces, men det har vist sig at være en meget god approksimation, der betyder, at vi kan nøjes med at modellere afhængigheden mellem nabo-stykker og ikke afhængigheden mellem alle stykker i hele genomet.
Dette gør arbejdet betydeligt mindre kompliceret og gør det muligt at modellere hele genomer hurtigt og effektivt.
På den måde kan vi opstille alternative hypoteser for artsdannelse ved at udregne sandsynlighederne for at observere vores data under de forskellige modeller (se billede 2).
Vores CoalHMM’er er unikke i dels at kunne analysere hele genomer og i at kunne analysere stamarter, der levede millioner af år før nu.
Der eksisterer andre metoder, som kan analysere millioner af år gamle stamarter ved at bruge isolerede DNA-stykker, der antages uafhængige, og andre metoder, der via Markov-model-tilgangen kan analysere hele genomer, men alle andre metoder antager enten uafhængige DNA stykker eller har en approksimation af P(A,B) der fejler, når man går millioner af år tilbage.
Hvordan skilles arter?
Samtidig med, at vi forbereder arbejdet med de 106 genomer, er vi netop nu i gang med at undersøge, på hvilken måde forskellige tæt beslægtede arter er blevet adskilt.
Er det sket som en pludselig opstået barriere for gen-udveksling (dette kaldes allopatrisk artsdannelse)? Eller har det været en gradvis proces, hvor genudvekslingen mellem forskellige populationer er blevet mindre over tid, ind til den helt er ophørt (dette benævnes oftest sympatrisk artsdannelse)?
Vi har undersøgt genomerne for tre par af forskellige beslægtede aber:
- Chimpansen og bonoboen
- Sumatra og Borneo orangutangen
- Den østlige og vestlige gorilla.
Resultaterne viser, at chimpansen og bonoboen pludseligt gik fra hinanden for cirka en million år siden, mens de to gorillaarter og de to orangutangarter langsomt gik fra hinanden og først havde den sidste gen-udveksling for henholdsvis cirka 50.000 og 300.000 år siden.
Nøglen til denne forskel ligger måske i, at bonoboer og chimpanser i dag er adskilt af Congofloden, som muligvis fik sit nuværende leje for cirka en million år siden, og da chimpanser hader vand, vil dette have været en pludselig barriere for gen-udveksling.
\ Hvordan man udregner sandsynligheder i en Markov kæde Problemet bliver i sin enkelhed et spørgsmål om at kunne opskrive den kombinerede sandsynlighed for forhistorien af to nabo-DNA-stykker.
Kalder vi forhistorien for stykkerne for A og B, så skal vi kunne beregne P(A,B) for alle mulige historier af DNA-stykkerne.
Derfra kan vi beregne den betingede sandsynlighed, P(B | A), hvorefter vi med approksimationen kan bruge denne betingede sandsynlighed til at beregne den samlede sandsynlighed for ikke blot A og B, men A, B, C og D (eller hvor mange stykker vi har brug for), da P(A, B, C, D) approksimeres som P(A) P(B | A) P(C | B) P(D | C).
Uden approksimationen ville vi skulle beregne P(A, B, C, D) = P(A) P(B | A) P(C | A, B) P(D | A, B, C), der vokser i kompleksitet med hvert nyt stykke og derfor i praksis kun kan beregnes for få stykker.
Det at beregne den kombinerede sandsynlighed P(A,B), og den afledte sandsynlighed P(B|A) er dog heller ikke lige til, og det meste af vores teoretiske arbejde over de sidste mange år har fokuseret på effektive måder at beregne denne sandsynlighed på.
Sandsynligheden P(A,B) afhænger af flere modelparametre, inklusiv tiden hvor arterne delte sig, og det er ved at maksimere P(A,B) mht. disse parametre, at vi kan estimere parametrene og derved lære om arternes opdeling og udvikling.
Problemet er dog ikke helt løst ved at kunne beregne P(A,B). A og B er forhistorien bag to DNA stykker, men blot ud fra to DNA-stykker kan vi ikke direkte afgøre hvad deres forhistorie er.
Vi bliver derfor nødt til at integrere over alle mulige forhistorier for den observerede DNA, vægtet med sandsynligheden for, at disse historier ligger til grund for den observerede DNA.
Dette klarer vi ved at bruge en statistisk teknologi, der hedder 'skjulte Markov-modeller', og vores analysemetode kalder vi 'CoalHMM’er' (Coalescence Hidden Markov Models; coalescence henviser til den populationsgenetiske model af forhistorier og hidden Markov models henviser til skjulte Markov modeller).
Det er ved kombinationen af skjulte Markov modeller og metoder til at beregne den kombinerede sandsynligheder for forhistorier, P(A,B), at vi over de sidste fem til ti år har udviklet statistiske kraftfulde metoder til genetisk analyse af stamarter ud fra DNA fra nulevende arter.
