Das Verständnis, welche Gene in mikrobiellen Genomen gemeinsam evolvieren, ermöglicht es, Hypothesen über ihre molekularen und ökologischen Funktionen abzuleiten. Die meisten mikrobiellen Eigenschaften werden durch ein Set von Genen bestimmt, und es wird erwartet, dass diese eine gemeinsame evolutionäre Geschichte teilen. Bei Bakterien mit umfangreicher Rekombination ist es jedoch weiterhin schwierig, echte funktionale Verknüpfungen von solchen zu unterscheiden, die lediglich aus gemeinsamer Abstammung entstehen. Diese Studie präsentiert ein phylogeniebewusstes Framework zur Identifizierung gekoppelter Gen-Gewinne und -Verluste in einem großen Genomdatensatz, unter expliziter Berücksichtigung von Rekombination. Anhand von mehr als 400 Vibrio-Genomen wird zunächst eine rekombinationsgefilterte klonale Phylogenie rekonstruiert. Anschließend wird die Evolution der Genfamilien mithilfe von Maximum-Likelihood-Modellen für Gen-Gewinn und -Verlust inferiert. Signifikante Assoziationen zwischen Genfamilien werden danach mit statistischen Verfahren identifiziert. Ein continuous-time Nullmodell wird verwendet, um die Evolutionsdynamik zu simulieren, und ein stratified Test dient dazu, Genpaar-Assoziationen über evolutionäre Linien hinweg zu bestimmen. Die meisten Gene entwickeln sich unabhängig voneinander, während ein kleiner Anteil kohärente Netzwerke bildet, die Bewegungs-, Verteidigungs- und Ressourcenfunktionen zugeordnet werden können. Dies eröffnet die Möglichkeit, Gene ohne Funktionsannotation funktionell zu annotieren. Das Herausfiltern von Rekombination klärt das evolutionäre Signal und verbessert dadurch die Identifikation gekoppelter Gene. Das Framework bietet einen skalierbaren Ansatz zur Ableitung funktioneller und ökologischer Zusammenhänge direkt aus comparative genomics und ist als wiederverwendbares Python-Modul implementiert, um die Anwendung auf andere Datensätze zu erleichtern.
Marco Sing (Thu,) studied this question.