Les arbres phylogénétiques : construction et interprétation

Après avoir dis­cu­té des ali­gne­ments mul­tiples (MSA), il s'avérait logique de vous pré­sen­ter l'étape sui­vante : la construc­tion d'arbres phy­lo­gé­né­tiques. Je pré­cise que je ne par­le­rai ici que de phy­lo­gé­nie molé­cu­laire.

Le but de la phy­lo­gé­nie est de com­prendre les rela­tions de paren­té, de retra­cer l’historique évo­lu­tif d’un gène, d’une famille de gènes ou d’une espèce. Les arbres phy­lo­gé­né­tiques sont une très bonne manière de sché­ma­ti­ser et d'appréhender ces rela­tions rapi­de­ment. Leur inter­pré­ta­tion est éga­le­ment assez aisée du moment que l'on connait leur nomen­cla­ture. Avant de vous expli­quer celle-ci, je me pen­che­rai donc d'abord sur com­ment les réa­li­ser.

Arbre phylogénétique : définition /​ petit rappel

His­to­ri­que­ment, les pre­mières per­sonnes ayant démo­cra­ti­sé la visua­li­sa­tion sous forme d'arbre sont les généa­lo­gistes et les natu­ra­listes. De plus, Charles Dar­win les réuti­li­sa allè­gre­ment en 1859 dans son ouvrage deve­nu réfé­rence De l'origine des espèces. Mais si l'on cherche le pré­cur­seur his­to­rique, c'est en réa­li­té Willi Hen­nig, père de la cla­dis­tique, qui a réus­si à démo­cra­ti­ser les arbres phy­lo­gé­niques.

Comme en généa­lo­gie où les arbres sont uti­li­sés pour visua­li­ser les rela­tions de paren­té, les arbres sont un très bon moyen de faire res­sor­tir l'évolution d'une ou plu­sieurs espèces.

Atten­tion, cela ne veut abso­lu­ment pas dire que généa­lo­gistes et évo­lu­tion­nistes uti­lisent les arbres de la même manière : ils se servent juste du même moyen de visua­li­sa­tion. Nous décou­vri­rons plus loin com­ment inter­pré­ter un arbre phy­lo­gé­nique.

Comment générer un arbre phylogénique ?

Avant de géné­rer un arbre phy­lo­gé­nique, il faut savoir ce que l'on cherche à voir/​à mon­trer et se poser les bonnes ques­tions. La pre­mière de ces ques­tions est de savoir si la visua­li­sa­tion en arbre est la meilleure pour nos don­nées. En effet, cela ne sert à rien de vou­loir construire un arbre si les séquences que l'on a en main sont trop éloi­gnées en terme d'évolution. Mais si la réponse est oui, il faut alors consi­dé­rer le degré de pré­ci­sion dési­ré : cherche-t-on à obte­nir une phy­lo­gé­nie rigou­reuse ou sim­ple­ment à 'se faire une idée' sur nos don­nées ? En effet, en fonc­tion des besoins, plu­sieurs méthodes de géné­ra­tion d'arbres employant dif­fé­rents algo­rithmes existent et peuvent être uti­li­sées.

S'appuyer sur des méthodes connues

Voi­ci un aper­çu de ces méthodes. J'aurai pu faire le choix de toutes les détailler mais la taille de l'article aurait été consé­quente et tout n'aurait pas for­cé­ment été trai­té. Il fau­drait un article sur chaque méthode pour bien sai­sir les sub­ti­li­tés de cha­cune d'entre elles. Cela vien­dra peut-être un jour, mais en atten­dant je vous laisse vous conten­ter de cette liste avec un petit résu­mé pour chaque méthode et un tableau réca­pi­tu­la­tif en fin de lis­ting :

- la méthode UPGMA (Unweigh­ted Pair Group Method with Arith­me­tic Mean) est une méthode dite de dis­tance, c'est-à-dire une méthode basé sur les simi­la­ri­tés entre paires de séquences. Elle a vite été délais­sée au pro­fit de sa cou­sine (NJ) qui est plus adap­tée aux études phy­lo­gé­niques molé­cu­laires.

• la méthode du Neigh­bour Joi­ning (Neigh­bor Joi­ning- NJ) : c'est aus­si une méthode de dis­tance, elle a l'avantage d'être vrai­ment rapide. En géné­ral, elle est uti­li­sée pour faire des arbres de plu­sieurs mil­liers de séquences.
• la méthode du maxi­mum de vrai­sem­blance (Maxi­mum Like­li­hood- ML) : c'est une méthode dite de caractère(s), elle repose sur un ou plu­sieurs carac­tères à étu­dier. Il s'agit d'une méthode pro­ba­bi­liste qui néces­site un modèle d’évolution. Le choix de ce modèle est cru­cial pour la qua­li­té de l’arbre obte­nu. On dit qu'il convient de l'utiliser à par­tir du moment où le nombre de carac­tères ana­ly­sés est supé­rieur à la moi­tié du nombre de séquences ana­ly­sées, sinon la recons­truc­tion est consi­dé­rée comme incor­recte. Elle est sou­vent décrite comme étant la meilleure méthode, c'est-à-dire la plus effi­cace pour trou­ver l'arbre le plus proche de la réa­li­té. Son désa­van­tage se situe au niveau des temps de cal­culs qui sont extrê­me­ment longs (il m'est arri­vé d'avoir des jobs tour­nant sur le clus­ter pen­dant plu­sieurs semaines pour des fichiers conte­nant plu­sieurs cen­taines de séquences).
  
• la méthode du maxi­mum de par­ci­mo­nie  (Maxi­mum Par­ci­mo­ny) : elle est très appré­ciée car rapide en temps de cal­cul, mais pas aus­si pré­cise que sa cou­sine (ML). Comme sou­vent donc, on gagne du temps de cal­cul mais on perd de la pré­ci­sion.
  

D'autres méthodes appa­raissent régu­liè­re­ment comme celles basées sur de l'apprentissage arti­fi­ciel (via un réseau de neu­rones comme ici ou là par exemple) ou encore de l'inférence bayé­sienne comme  dans le logi­ciel MrBayes qui est très uti­li­sé. Néan­moins, les méthodes prin­ci­pa­le­ment uti­li­sées res­tent la NJ et la ML.

Quand utiliser ces méthodes ?

Toutes les méthodes énon­cées plus haut peuvent (et je dirais même doivent) être com­plé­tées par un boots­tra­ping (boots­trap). Il s'agit d'un déri­vé des simu­la­tions de Monte-Car­lo, qui consiste à échan­tillon­ner les posi­tions de l'alignement pour relan­cer la construc­tion phy­lo­gé­né­tique de façon ité­ra­tive puis de com­pa­rer les résul­tats obte­nus après 10, 100, 5000 répé­ti­tions. Il s'agit ici d'estimer la robus­tesse d'une phy­lo­gé­nie. Vous pour­rez ain­si voir appa­raître entre chaque branche de votre arbre une valeur de boots­trap (de 0 à 100%) tra­dui­sant le nombre de fois où cette branche a été retrou­vée au fil des répé­ti­tions et juger ain­si de leur cré­di­bi­li­té. On dit en géné­ral qu'une valeur en des­sous de 95 n'est pas à prendre en compte. Sui­vant les cas, on pour­ra revoir ce seuil (cut-off) à la baisse et bien sou­vent on se conten­te­ra d'un boots­trap d'environ 70 (plus ou moins).

Il fau­dra donc rete­nir ceci : vous devrez sélec­tion­ner votre méthode en fonc­tion de vos don­nées et de vos besoins. De même, le fac­teur temps peut ren­trer en jeu : peut-être vous deman­de­ra-t-on d'être plus rapide que pré­cis dans un pre­mier temps. Vous pri­vi­lé­gie­rez alors la méthode NJ à défaut de la ML qui serait pour­tant plus per­ti­nente.

Mon petit conseil dans ce cas là : lan­cez les deux géné­ra­tions d'arbres avec les deux méthodes dif­fé­rentes en même temps, vous obtien­drez le résul­tat NJ en pre­mier et pour­rez vous débrouiller gros­siè­re­ment avec. Puis, lorsque le ML sera fini, vous pour­rez très bien com­pa­rer vos deux arbres (avec le magni­fique Tree­Jux­ta­po­ser par exemple) et avoir un résul­tat plus proche de la réa­li­té.

 Le fichier d'entrée (input)

Pour obte­nir un bel arbre final, il est impor­tant de s'assurer tout d'abord de la qua­li­té de l'alignement que l'on four­ni en entrée. Il est donc pri­mor­dial de véri­fier que votre ali­gne­ment est bien réa­li­sé. Sans cela, votre arbre n'en sera que de plus mau­vaise qua­li­té et vos inter­pré­ta­tions le seront donc éga­le­ment.

Véri­fiez donc que ce que vous avez ali­gné (ADN ou acides ami­nés) est assez simi­laire et que l'alignement de ces séquences signi­fie bien quelque chose. En d'autres termes : si vous ali­gnez des séquences codant pour l'insuline chez le cha­meau avec des séquences liées à la pro­duc­tion de venin chez les ser­pents, ne soyez pas éton­nés de ne rien apprendre… 🙂

Encore une fois, j'insiste mais c'est utile, posez-vous les bonnes ques­tions : mon ali­gne­ment est-il assez bon (j'entends par là qu'il faut que les séquences aient suf­fi­sam­ment de simi­la­ri­té pour qu'on puisse sup­po­ser un lien d'homologie entre elles) ? Les espèces/​gènes/​protéines étu­diés sont-ils proches, très proches ou je n'en sais abso­lu­ment rien ? Un arbre m'apportera-t-il les réponses à mon pro­blème ?

Les formats de fichiers existants (output)

Deux for­mats de fichiers pré­do­minent dans la géné­ra­tion d'arbres phy­lo­gé­nique : le Nexus et le Newick. Que ce soit autant pour l'un que pour l'autre, les deux types de for­mats ne sont pas for­cé­ment très digestes quand on se plonge dedans. J'ai par ailleurs une petite pré­fé­rence pour le Newick. Même si au final le choix revient bien sou­vent au logi­ciel que l'on uti­lise pour visua­li­ser l'arbre et à sa capa­ci­té à lire l'un ou l'autre.

Le Nexus est orga­ni­sé en blocs. Chaque bloc com­mence de la sorte "begin <nom du bloc>;" et fini par "end;". En voi­ci un exemple :

Et voi­ci ce que donne l'arbre avec iTOL

Le Newick pour sa part ne pos­sède pas cette orga­ni­sa­tion en blocs et peut être écrit sur une seule et même ligne (par­fois donc très longue).

Voi­ci un exemple d'un fichier repré­sen­tant un arbre au for­mat Newick :

Et voi­ci ce que donne l'arbre avec iTOL 

Vous remar­que­rez sur ce der­nier la pré­sence d'une infor­ma­tion en plus : la lon­gueur des branches. Nous ver­rons com­ment l'interpréter plus loin.

Les logiciels utilisés pour la création d'arbres phylogéniques

Vous savez main­te­nant que l'on obtient un arbre à par­tir d'un ali­gne­ment qui a du sens, qu'il existe plu­sieurs méthodes de géné­ra­tion d'arbres et que le for­mat de sor­tie du fichier (out­put) n'est pas unique. Bien, main­te­nant il serait donc temps de s'intéresser à quel pro­gramme choi­sir.

Comme vous pou­vez vous en dou­ter, cela dépen­dra pre­miè­re­ment de la méthode que vous sou­hai­te­rez employer mais aus­si du for­mat de fichier que vous dési­re­rez en sor­tie (des conver­tis­seurs existent).

Les logi­ciels per­met­tant de géné­rer des arbres phy­lo­gé­niques sont légions (et pour la plu­part tous réfé­ren­cés sur cet excellent site). Je ne vais donc pas refaire ce tra­vail d'énumération mais plus vous orien­ter sur mes pré­fé­rés pour chaque méthode. Je vous invite bien enten­du à dis­cu­ter de ces choix en com­men­taire si vous le dési­rez.

Inté­res­sons-nous donc d'abord aux méthodes dites de dis­tances (géné­ra­le­ment la méthode NJ pour la plu­part) :

• quick­tree , rapide et effi­cace. Il fait par­fai­te­ment le bou­lot. Gère très bien les grandes quan­ti­tés de séquences. Rien à redire.
• MEGA (aus­si uti­li­sable en ML), un des pion­niers en la matière. Déjà bien décrit à la fin de cet article, je reste sur mes posi­tions et ne vous le conseille que pour des tout petits jeux de données…et encore.
• Paup* (aus­si uti­li­sable en ML), payant. Je ne l'ai jamais uti­li­sé mais on en entend assez sou­vent par­ler.
• PHYLIP (aus­si uti­li­sable en ML), éga­le­ment un des vieux de la vieille. A fait ses preuves.
• BioNJ se com­bine à Paup ou/​et PHYLIP. De bons retours éga­le­ment.
  

Puis pour les méthodes dites de carac­tères (ML, Par­ci­mo­nie) :

• RaXML (ou RaXML­GUI pour ceux/​celles pré­fé­rant les clics), mon pré­fé­ré car il offre un grand nombre d'options pos­sibles et four­nit de très bons résul­tats. Essayez-le !
• PHYML, au cas où RaXML ne vous aurait pas entiè­re­ment convain­cu.
• PAML, fait le bou­lot éga­le­ment.
• Porn* pour son nom, j'avoue ne jamais l'avoir essayé 🙂
  

Au final il se pour­rait éga­le­ment que vous fas­siez votre choix en fonc­tion des logi­ciels déjà ins­tal­lés sur votre machine ou votre clus­ter. Je pense qu'il faut sur­tout en essayer deux ou trois et com­pa­rer les résul­tats obte­nus avec vos jeux de don­nées avant d'en choi­sir un pour votre work­flow habi­tuel.

Comment visualiser son arbre ?

Encore une fois, ici, le phy­lo­gé­niste est confron­té à des logi­ciels par dizaines. Le choix se fera essen­tiel­le­ment sur la capa­ci­té de ceux-ci à édi­ter les arbres affi­chés (cou­leurs, lon­gueurs des branches, noms, style d'arbre, etc), sur leur vitesse d’exécution mais aus­si sur l'esthétisme final de ceux-ci (un trait noir tout car­ré et mal fini n'aura aucune chance face à un trait tra­vaillé avec un petit jeu de lumière des­sus par exemple). Voi­ci donc une courte pré­sen­ta­tion de quelques logi­ciels de visualisation/​édition d'arbres :

• Den­dro­scope (petit tuto­rial bien fait) donne des résul­tats assez sym­pas. Il est libre d'accès (vous devez juste deman­der l'autorisation sym­bo­lique de l'utiliser à l'auteur qui vous ren­ver­ra gen­ti­ment une clé). Encore une fois : l'essayer c'est l'adopter. Je ne vous join­drai pas de cap­tures d'écran, tout est sur le site offi­ciel.

- Archaeop­te­ryx, un nom de dino­saure pour un logi­ciel de visua­li­sa­tion d'arbres évo­lu­tifs, quoi de plus nor­mal ? Il ne fait pas par­tie de mes pré­fé­rés en rai­son de son ren­du final sur lequel j'aurais pas mal à redire (très années 90) mais se démarque assez sur sa capa­ci­té à édi­ter votre arbre via l'interface. À essayer éga­le­ment.

• Tree­dyn, pour ne rien vous cacher je ne l'ai jamais uti­li­sé. Mais on m'en a dit que du bien. Appa­rem­ment on peut presque faire le café avec. J'attends volon­tiers vos retours si vous connais­sez la bête !

-iToL, ici rien besoin d'installer puisque tout se passe sur le ser­veur de l'EMBL. Un outil mer­veilleux auto­ri­sant pas mal de choses et qui est très facile à prendre en main. Essayez-le vite !

Comment interpréter ce que l'on voit ?

Il faut d'abord savoir ce que l'on cherche…

Ce n'est donc pas vrai­ment pos­sible de faire un manuel du par­fait petit géné­ra­teur d'arbres phy­lo­gé­niques de A à Z.

Nous allons donc voir les dif­fé­rentes choses qui peuvent être trai­tées à par­tir d'une visua­li­sa­tion d'arbre.

• L'analyse à par­tir des valeurs de boots­trap : si vous avez sui­vi jusque-là, vous savez que la valeur du boots­trap pré­sente sur votre arbre est impor­tante. En effet, plus celle-ci sera éle­vée, plus la jonc­tion entre les deux branches étu­diées pour­ra être consi­dé­rée comme robuste.
• L'analyse de la lon­gueur des branches : la lon­gueur des branches hori­zon­tales est pro­por­tion­nelle à la "quan­ti­té d'évolution" entre les séquences et leurs ancêtres (uni­té = nombre de substitutions/​site).  Sur un arbre phy­lo­gé­né­tique, les ancêtres sont repré­sen­tés par la jonc­tion des branches (2 branches ou plus). Donc, en gros, plus une branche sera longue plus les séquences cor­res­pon­dantes seront éloi­gnées en terme d'évolution par rap­port à son ancêtre et entre elles. En géné­ral, l'arbre s'assortit d'une échelle de dis­tance mais vous pou­vez bien sûr affi­cher la lon­gueur (com­prise entre 0 et 1 la plu­part du temps) sur les branches de l'arbre si c'est vrai­ment un cri­tère impor­tant pour votre étude.
  
• Arbre enra­ci­né ou arbre non-enra­ci­né : il faut savoir qu'il est par­ti­cu­liè­re­ment dif­fi­cile d'orienter tem­po­rel­le­ment les dif­fé­rences par­mi les séquences et c'est pour cela que beau­coup de méthodes pro­duisent des arbres non-enra­ci­nés. Il existe cela dit plu­sieurs méthodes pour ten­ter d'enraciner un arbre phy­lo­gé­nique : on peut choi­sir d'introduire un groupe (une ou plu­sieurs séquences) externe à ceux étu­diés (on sait alors que la branche reliant ce groupe aux autres peut être consi­dé­rée comme la racine) ou on peut consi­dé­rer que toutes les lignées ont évo­lué de la même manière en même temps et se dire que la racine est le point de l'arbre équi­dis­tant de toutes les feuilles. À par­tir de là, vous pour­rez alors choi­sir la visua­li­sa­tion qui cor­res­pon­dra le mieux à votre étude (phy­lo­gramme ou cla­do­gramme de plu­sieurs sortes pos­sibles).
  
• L'extraction de sous-groupes : par­fois, on peut être ame­né à visua­li­ser des arbres gigan­tesques. Il peut être inté­res­sant alors de les décou­per astu­cieu­se­ment en plu­sieurs par­ties. Ain­si, vous pour­rez peut-être même aller jusqu'à ré-affi­ner vos ali­gne­ments en relan­çant ceux-ci uni­que­ment avec les séquences prises en consi­dé­ra­tion et vous pour­rez éga­le­ment affi­ner votre arbre à par­tir de vos nou­veaux ali­gne­ments.
  

J'espère que je ne vous ai pas per­du au fil de ce billet qui je l'espère vous aura per­mis de com­prendre les arbres phy­lo­gé­niques du début à la fin. Il est évident que je n'ai pas pu tout trai­ter d'un coup, mais ne vous en faites pas : je revien­drai 🙂