近日，浙江大學農業(yè)與生物技術學院沈星星研究員、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。

研究結果可重復或可再現性是科學界的基石。在過去的幾年里，科學家對已發(fā)表結果可重復性的擔憂不斷增加，導致了“再現性危機”一詞的出現。系統(tǒng)發(fā)育樹是進化生物學研究的基礎。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：由于缺乏數據公開化，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據庫的誕生（如figshare）。

公共數據庫提供的信息是否足夠系統(tǒng)發(fā)育樹的重復構建？此外，系統(tǒng)發(fā)育樹的構建參數、計算資源（CPU處理器型號、線程數等）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？什么原因導致不可重復的系統(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。

該研究收集了15個動物、植物、真菌系統(tǒng)發(fā)育基因組學數據集（總共19414個基因比對數據）。這15個數據集包含非編碼DNA 、外顯子、氨基酸三類數據集?；?9414個基因數據集，該研究檢驗了常用系統(tǒng)發(fā)育樹構建軟件IQ-TREE和RAxML-NG可重復性。對每一個基因，運行兩次*相同的參數（Run1和Run2），并比較Run1和Run2產生的系統(tǒng)發(fā)育樹是否一致（圖2A）。研究結果表明：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等捕獲技術收集的數據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（如基因、軟件信息、替換模型、樹搜索的數量），還應該提供處理器類型、線程數量和隨機起始數的信息（圖3）?？紤]到系統(tǒng)發(fā)育基因組數據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鍵參數 （例如基因名、程序名、樹搜索的數量、替代模型、處理器類型、線程數量和隨機起始數)。

浙江大學農業(yè)與生物技術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。