망상 진화 상황에서 계통 비교 방법 평가

초록

본 연구는 혼합·교배 등 망상(레티케이트) 진화가 발생한 경우, 전통적인 나무 기반 계통 비교 방법(PCMs)의 조상형질 추정, 진화 속도 추정, 모델 선택 정확도가 어떻게 감소하는지를 시뮬레이션을 통해 평가한다. 하이브리드 빈도, 사건의 최근성, 전이형(트랜스그레시브) 진화, 높은 진화 속도 등이 오류를 크게 증가시킨다는 결론을 도출하였다.

상세 분석

이 논문은 최근 유전체 분석에서 망상 진화가 흔히 관찰됨에도 불구하고, 대부분의 계통 비교 방법이 여전히 이분법적 나무 구조를 전제로 한다는 점을 비판한다. 저자들은 SiPhyNetworks 패키지를 이용해 5,000여 개의 종 네트워크를 시뮬레이션하고, 그 중 1,000개를 엄격히 선정하였다. 네트워크는 하이브리드 유형(LG, LN)과 유전 기여 비율(γ) 두 가지 베타 분포(대칭·비대칭)로 다양화했으며, 각 네트워크에 대해 5가지 진화 속도(σ²)와 100개의 연속형 형질을 생성하였다. 이후 모든 형질 데이터를 실제 네트워크의 ‘주 나무(major tree)’에 투입해 전통적인 BM·OU 모델 기반 ACE, σ² 추정, AIC/BIC 기반 모델 선택을 수행했다. 결과는 크게 네 가지 요인에 의해 오류가 증폭됨을 보여준다. 첫째, 하이브리드 사건이 빈번하고 최근일수록 터미널 노드의 형질값이 실제와 크게 달라져, 루트까지 전파되는 추정 편향이 커진다. 둘째, 전이형(트랜스그레시브) 진화가 발생하면 형질이 부모 범위를 넘어서는 ‘극단값’이 생성돼, BM 모델이 과도한 변이(σ²)를 추정하거나 OU 모델을 잘못 선택한다. 셋째, 높은 진화 속도 자체가 네트워크 구조의 미세한 변화를 증폭시켜, 나무 기반 추정치가 실제보다 크게 부풀어 오른다. 넷째, 비대칭 유전 기여(γ≈0 또는 1)는 한 부모의 형질이 거의 그대로 전달되는 효과를 내지만, 다른 부모의 작은 기여가 누적되면 전체 형질 분포가 비선형적으로 변형돼, 모델 적합도와 파라미터 추정에 추가적인 오차를 만든다. 저자들은 랜덤 포레스트와 GLM을 활용해 이 요인들의 상대적 중요도를 정량화했으며, 특히 ‘하이브리드 빈도·최근성·전이형·고속 진화’ 네 요인이 오류에 가장 크게 기여한다는 것을 확인했다. 이러한 결과는 망상 진화가 존재하는 시스템에서 나무 기반 PCMs를 그대로 적용하면, 진화 메커니즘에 대한 잘못된 생물학적 해석을 초래할 위험이 있음을 강력히 시사한다.