Phylospect: Wie ein Algorithmus Evolutionssprünge in Genen einfängt

Phylospect: Der seismische Sensor für Evolutionssprünge

Konkretes Studiendesign (Manjunath et al., Molecular Phylogenetics and Evolution 2024): Die Forscher entwickelten einen neuartigen Spektraloperator-Algorithmus zur Identifikation von episodischer Selektion – kurzen, intensiven Selektionsphasen in der Evolution von Proteincodierenden Genen. Kern der Methode ist die mathematische Transformation von Kodon-Substitutionsraten in Frequenzbänder (analog zur Fourier-Analyse). Getestet wurde Phylospect an:

1. Simulierten Datensätzen (n=15,000 Genfamilien) mit kontrollierten Selektionsereignissen
2. Realem Virus-Genom (Influenza A/H1N1, 2,500 Sequenzen)
3. Krebs-assoziierten humanen Genen (TP53, BRCA1; n=1,200 Alignments)

Präzise Ergebnisse – keine Interpretation:

• Sensitivität für episodische Selektion: 93.4% (vs. 78.1% bei BGM; p<0.001)
• Spezifität: 97.2% (vs. 89.7% bei MEME; p=0.003)
• In H1N1: Detektion von 7 Selektions-Episoden während der Pandemie 2009 (alle in der Hämagglutinin-Domäne), bestätigt durch unabhängige funktionelle Studien
• In TP53: Identifikation von 3 „heißen“ Kodon-Positionen (Codons 175, 248, 273) mit episodischer Selektion in Tumoren – korreliert mit klinisch bekannten Mutation-Hotspots (r=0.91, p<0.001)
• Rechenzeit: 87% schneller als Branch-Site REL (p<0.0001)

Kritische Methodenbewertung nach Hösli:

1. Stärke: Der Spektralansatz filtert Rauschen (neutrale Mutationen) wie ein Fischer-Netz – nur große „Fische“ (Selektionssignale) bleiben hängen.
2. Limite: Episodische Selektion ≠ Kausalität. Wie ein EKG zeigt Phylospect nur den elektrischen Impuls – nicht die zugrundeliegende „Herzerkrankung“ (Umweltdruck, virale Co-Evolution).
3. Biologische Validierung: Bei TP53 stimmen die Hotspots – aber funktionelle In-vitro-Tests fehlen noch.
4. Rechenlast: Trotz Beschleunigung für klinische Routinenutzung (z.B. in Krebsgenomik) noch zu hoch (Median: 4h/Gen).

Zukunftsperspektive: Phylospect könnte Antibody-Escape-Mutationen bei Viren oder Therapieresistenzen in Tumoren frühzeitig erkennen – bevor sie klinisch sichtbar werden. Die Studie ist ein mathematischer Meilenstein, aber der Weg zur patientennahen Anwendung braucht noch validierte Biomarker.

Quelle: Phylospect: a spectral operator framework (Manjunath et al. 2024)