近日，浙江大學農(nóng)業(yè)與生物技術(shù)學院沈星星研究員、陳學新教授以及美國范德堡大學Antonis Rokas教授課題組聯(lián)合在Nature Communications發(fā)表題為An investigation of irreproducibility in maximum likelihood phylogenetic inference的研究論文，闡明了系統(tǒng)發(fā)育樹存在9% -18%的不可重復性危機。

研究結(jié)果可重復或可再現(xiàn)性是科學界的基石。在過去的幾年里，科學家對已發(fā)表結(jié)果可重復性的擔憂不斷增加，導致了“再現(xiàn)性危機”一詞的出現(xiàn)。系統(tǒng)發(fā)育樹是進化生物學研究的基礎(chǔ)。例如，系統(tǒng)發(fā)育樹通常被用來研究基因、基因組、物種的演化過程。2013年報告稱：由于缺乏數(shù)據(jù)公開化，6277/7539（83.3%）研究課題的系統(tǒng)發(fā)育樹是不可重復的。這一研究促使了多個公共存儲數(shù)據(jù)庫的誕生（如figshare）。

公共數(shù)據(jù)庫提供的信息是否足夠系統(tǒng)發(fā)育樹的重復構(gòu)建？此外，系統(tǒng)發(fā)育樹的構(gòu)建參數(shù)、計算資源（CPU處理器型號、線程數(shù)等）均存在差異。這些差異是否會導致不可重復的系統(tǒng)發(fā)育樹？什么原因?qū)е虏豢芍貜偷南到y(tǒng)發(fā)育樹? 如何規(guī)避不可重復危機？回答這一系列問題有利于提高系統(tǒng)發(fā)育樹的再現(xiàn)性，同時為系統(tǒng)發(fā)育學軟件開發(fā)者提供重要的指導依據(jù)。

該研究收集了15個動物、植物、真菌系統(tǒng)發(fā)育基因組學數(shù)據(jù)集（總共19414個基因比對數(shù)據(jù)）。這15個數(shù)據(jù)集包含非編碼DNA 、外顯子、氨基酸三類數(shù)據(jù)集。基于19414個基因數(shù)據(jù)集，該研究檢驗了常用系統(tǒng)發(fā)育樹構(gòu)建軟件IQ-TREE和RAxML-NG可重復性。對每一個基因，運行兩次*相同的參數(shù)（Run1和Run2），并比較Run1和Run2產(chǎn)生的系統(tǒng)發(fā)育樹是否一致（圖2A）。研究結(jié)果表明：IQ-TREE和RAxML-NG分別存在81.9%和90.7%的系統(tǒng)發(fā)育樹可重復。比較IQ-TREE和RAxML-NG之間，僅20.3%系統(tǒng)發(fā)育樹可重復（圖2B和C）。利用UCE、AHE等捕獲技術(shù)收集的數(shù)據(jù)存在更高比例的不可重復性。

如何提高系統(tǒng)發(fā)育樹的可重復性？除了基本*的參數(shù)（如基因、軟件信息、替換模型、樹搜索的數(shù)量），還應該提供處理器類型、線程數(shù)量和隨機起始數(shù)的信息（圖3）?？紤]到系統(tǒng)發(fā)育基因組數(shù)據(jù)集中存在的成百上千個基因，一個更實用的方是公布每個分析的日志文件。因為日志文件包含所有關(guān)鍵參數(shù) （例如基因名、程序名、樹搜索的數(shù)量、替代模型、處理器類型、線程數(shù)量和隨機起始數(shù))。

浙江大學農(nóng)業(yè)與生物技術(shù)學院沈星星研究員為論文作者兼共同通訊作者，美國范德堡大學Antonis Rokas教授為共同通訊作者。浙江大學陳學新教授給予大力支持和悉心指導。范德堡大學和威斯康星大學麥迪遜分校的李遠寧博士后、Chris Hittinger教授也參與了該研究。