分子親緣分析與系統發生樹：從序列差異到演化時間軸

從序列差異讀出演化的時間軸

當我們把人類、黑猩猩與小鼠的某段基因排在一起，會看到一連串「相同」與「相異」的位點。直覺上，相異越多代表親緣越遠——但這只是起點。分子親緣分析（molecular phylogenetics）真正要做的，是把這些離散的字元差異，轉化為一棵帶有分支拓樸、分支長度，甚至絕對年代的系統發生樹（phylogenetic tree）。要做到這件事，必須同時面對三個層次的問題：突變如何在分子層次累積、如何用機率模型描述這個累積過程，以及如何從龐大的樹空間中選出最可信的那一棵。

本篇假設你已熟悉中心法則、點突變類型與基本族群遺傳概念，接下來直接進入機制與量化。

為什麼觀察到的差異會「飽和」

最樸素的距離度量是 $p$-distance，也就是兩條序列中相異位點的比例。問題在於：同一個位點可能發生多次替換（multiple hits），例如 A→G→A 會讓我們「看不到」實際發生過兩次事件。因此觀察距離 $p$ 會系統性地低估真實的替換數，且在演化時間拉長時逐漸飽和（saturation）。

最簡單的校正是 Jukes–Cantor（JC69）模型，它假設四種核苷酸彼此互換的速率都相同。在此假設下，校正後的每位點替換數為：

$$d = -\frac{3}{4}\ln\!\left(1 - \frac{4}{3}p\right)$$

當 $p$ 很小時 $d \approx p$；但當 $p$ 接近 $0.75$（四種鹼基隨機分布的期望差異）時，$d$ 趨於無窮大——這正是「飽和」的數學表現。更精緻的模型（如 Kimura 2-parameter 區分轉換 transition 與顛換 transversion，HKY85、GTR 進一步放寬鹼基頻率與各類替換速率）都建立在同一個核心觀念上：用一個連續時間馬可夫過程描述替換，並從速率矩陣 $Q$ 推得任意時間 $t$ 後的替換機率矩陣 $P(t)=e^{Qt}$。

從距離到樹：四種建樹典範

距離法（如 Neighbor-Joining）先把所有兩兩校正距離填進矩陣，再以最小化整體分支長度的準則逐步聚合。它運算極快、適合上萬序列的初篩，但把序列壓縮成單一數字會丟失位點層次的資訊。

最大簡約法（Maximum Parsimony）尋找「所需替換事件總數最少」的樹。它直覺、無需模型，但在分支長度差異懸殊時會落入長枝吸引（long-branch attraction）——兩條快速演化的長枝因為各自累積大量隨機相似，被錯誤地聚在一起。

最大概似法（Maximum Likelihood, ML）與貝氏推論（Bayesian inference）是當代主流。ML 在給定替換模型下，尋找使資料概似 $L=P(\text{data}\mid \text{tree},\,\theta)$ 最大的樹與參數；貝氏法則透過 MCMC（如 MrBayes、BEAST 採用的 Metropolis-coupled 演算法）對樹空間採樣，輸出每個分支的後驗機率。兩者的計算核心都是 Felsenstein 的剪枝演算法（pruning algorithm），它以動態規劃在樹上由葉向根遞迴計算條件概似，把原本指數級的祖先狀態加總壓到線性時間。

速率異質性與分子鐘

真實序列中，不同位點的演化速率天差地別：密碼子第三位、非編碼區變化快，功能關鍵殘基幾乎不動。忽略這點會嚴重低估深層分歧。標準做法是引入跨位點的 Γ 分布速率異質性（常記為 +Γ 或 +G），把速率切成數個離散類別積分。

要把分支長度（以替換數計）換算成絕對年代，需要分子鐘假設。嚴格分子鐘假設所有譜系速率恆定，但這在跨度大的資料中常被推翻；現代多採鬆弛分子鐘（relaxed clock），讓速率沿樹獨立或自相關地變動，再用化石或地質事件作為校準點（calibration）轉換為時間。

定量小範例：JC69 距離校正

假設兩條同源 DNA 序列長 $300$ 個位點，比對後發現 $45$ 個位點相異。

第一步，計算觀察距離：

$$p = \frac{45}{300} = 0.15$$

第二步，代入 JC69 公式校正多重替換：

$$d = -\frac{3}{4}\ln\!\left(1 - \frac{4}{3}\times 0.15\right) = -0.75\,\ln(0.80)$$

由於 $\ln(0.80)\approx -0.2231$：

$$d \approx -0.75 \times (-0.2231) \approx 0.167\ \text{替換/位點}$$

可見校正後的 $0.167$ 高於未校正的 $0.15$，差距約 $11\%$，正反映被「看不見的」多重替換所掩蓋的事件。若再假設分子鐘速率為每位點每年 $r = 1\times 10^{-9}$、且 $d$ 是兩譜系自共同祖先以來各自累積的總和，則分歧時間約為：

$$T = \frac{d}{2r} = \frac{0.167}{2\times 10^{-9}} \approx 8.3\times 10^{7}\ \text{年}$$

也就是約 $8{,}300$ 萬年前分歧——這正是分子鐘把序列差異轉成地質時間軸的具體運算。

不只一棵基因樹：物種樹的挑戰

一個常見誤解是「基因樹等於物種樹」。事實上，受不完全譜系篩選（incomplete lineage sorting, ILS）、基因水平轉移與基因重複影響，不同基因常給出彼此衝突的拓樸。當分歧事件密集發生（短內部分支），祖先族群中的多型性可能跨越物種形成事件而隨機固定，導致個別基因樹與真實物種樹不一致。多基因座（multilocus）資料與合併模型（如 multispecies coalescent，ASTRAL、*BEAST 所實作）正是為了在這種雜訊下重建可信的物種樹。自助法（bootstrap）重抽位點、以及貝氏後驗機率，則用來量化每個分支的支持度——一個拓樸正確但支持度低的分支，在生物學詮釋上仍須保留。

深入探討（研究所視角）

在前沿研究中，分子親緣分析正與結構生物學、體學與系統生物學深度交織，呈現主體未觸及的幾個張力與機會。

結構約束下的替換模型。 標準 GTR+Γ 假設所有位點獨立演化，但蛋白質殘基間存在強烈的共演化（coevolution）：維持折疊與結合界面的成對殘基必須協同變動。直接耦合分析（Direct Coupling Analysis, DCA）以最大熵模型從多序列比對推斷殘基對之間的統計耦合，這些訊號不僅用於預測接觸圖（contact map，AlphaFold 之前的結構預測主力之一），也揭示位點獨立假設的系統性偏誤。當我們把結構穩定性（如 $\Delta\Delta G$ 折疊自由能變化）納入適應度地形，替換速率便不再是常數，而是位點所處結構與功能脈絡的函數——這催生了結構感知（structure-aware）系統發生模型與突變-選擇（mutation–selection）框架，後者明確分離突變偏好與選擇係數。

體學尺度的譜系重建。 系統發生學的對象已從單基因擴展到全基因組。系統發生基因體學（phylogenomics）動輒處理上千個基因座的串接或合併分析，此時模型誤設（model misspecification）與不同基因的歷史衝突成為核心議題；組成異質性（compositional heterogeneity）需要 CAT 等混合模型來吸收跨譜系的鹼基/胺基酸頻率變化，否則易產生長枝吸引假象。在更細的尺度上，單細胞譜系追蹤（single-cell lineage tracing）把同樣的樹思維帶進個體發育與腫瘤演化：CRISPR 誘導的可遺傳條碼或自然體細胞突變，讓研究者得以重建細胞的分裂歷史，繪製腫瘤內亞克隆（subclone）的演化樹，並推斷轉移事件的方向——這在概念上與物種樹重建同構，卻面臨突變率漂移與資料缺失的全新挑戰。

系統生物學與選擇訊號的量化。 把演化動力學寫成可檢驗的統計模型，是當代的核心工作。$dN/dS$（非同義對同義替換比，常記為 $\omega$）是偵測正選擇的經典量：$\omega>1$ 暗示適應性演化，$\omega<1$ 暗示純化選擇。分支-位點模型（branch-site model）進一步允許特定譜系的特定位點短暫進入 $\omega>1$ 狀態，用來定位免疫逃逸或宿主適應等局部選擇事件——這在病毒（如流感 HA 抗原位點、SARS-CoV-2 棘蛋白）的即時演化監測中已成標準工具。值得強調的是，這類推論本質上是統計假說檢定，需以概似比檢定（LRT）對抗虛無模型，並警覺於重組與比對誤差造成的偽陽性。

時間維度與生死過程模型。 把譜系本身視為一個隨機過程，是 macroevolution 的重要進展。出生-死亡模型（birth–death process）與譜系合併理論（coalescent）為樹的形狀提供生成式先驗，使我們能從現存物種的樹推斷過去的多樣化速率變化，甚至偵測大滅絕的速率轉折（如 BAMM、出生-死亡-取樣模型）。而化石化生死過程（fossilized birth–death）更把化石直接當作樹上的取樣節點，統一了形態與分子、滅絕與現存的證據，讓校準不再依賴少數武斷的化石點。這些方法的共同精神，是把「樹」從一個被動的重建結果，提升為一個承載演化過程參數、可被資料反推與檢定的動態模型。