Tại sao mô hình Kimura hai tham số (K2P) lại chính xác hơn mô hình Jukes-Cantor (JC69)?

Mô hình Jukes-Cantor (JC69) giả định mọi đột biến thay thế nucleotit đều xảy ra với tốc độ ngang nhau, trong khi mô hình Kimura hai tham số (K2P) phân biệt rõ giữa đột biến chuyển tiếp (transition) và đột biến đảo chuyển (transversion). Vì đột biến chuyển tiếp giữa các bazơ cùng cấu trúc ít làm biến dạng chuỗi xoắn kép ADN nên có tần số xuất hiện tự nhiên cao hơn nhiều lần so với đột biến đảo chuyển, việc tách biệt hai tham số tốc độ trong mô hình K2P giúp phản ánh đúng thực tế hóa sinh.

Hiện tượng bão hòa đột biến ảnh hưởng thế nào đến tính toán khoảng cách tiến hóa?

Hiện tượng bão hòa đột biến xảy ra khi hai dòng dõi đã phân kỳ quá lâu trong quá khứ, khiến các vị trí trên chuỗi sinh học trải qua nhiều lần thay thế lặp lại và sự tương đồng còn lại chỉ tương đương với sự ngẫu nhiên thống kê. Khi bão hòa, khoảng cách quan sát chạm ngưỡng trần và các mô hình toán học mất độ nhạy, dẫn tới nguy cơ ước tính sai lệch khoảng cách phân kỳ và sai lạc cấu trúc cây phát sinh chủng loại.

Phương pháp Neighbor-Joining dựng cây phát sinh chủng loại từ ma trận khoảng cách như thế nào?

Thuật toán Neighbor-Joining (NJ) là phương pháp heuristic phân cụm dựa trên ma trận khoảng cách, bắt đầu từ một cây dạng hình sao và lần lượt tìm kiếm cặp nút lân cận giúp tối thiểu hóa tổng chiều dài các nhánh toàn cây. Điểm ưu việt của Neighbor-Joining so với UPGMA là không đòi hỏi giả định đồng hồ phân tử, cho phép các dòng dõi tiến hóa với tốc độ bất đồng nhất và có tốc độ tính toán rất nhanh với độ phức tạp xấp xỉ bậc ba.

Khoảng cách tiến hóa là gì? Khái niệm, mô hình và ứng dụng

Q: Khoảng cách tiến hóa khác gì so với khoảng cách quan sát p-distance?

Khoảng cách quan sát (p-distance) chỉ đo lường tỷ lệ các vị trí dị biệt trực tiếp giữa hai chuỗi gióng hàng, do đó luôn ước tính thấp hơn số lượng đột biến thực tế do bỏ qua hiện tượng đột biến lặp lại, đột biến quay lui và đột biến song song. Ngược lại, khoảng cách tiến hóa sử dụng các mô hình toán học Markov để hiệu chỉnh các biến cố đột biến bội này, phản ánh trung thực số lượng thay thế tích lũy qua lịch sử phân kỳ.

Khoảng cách tiến hóa là đại lượng định lượng phản ánh số lượng đột biến thay thế nucleotit hoặc axit amin tích lũy trên mỗi vị trí chuỗi sinh học giữa hai dòng dõi kể từ khi chúng phân kỳ từ một tổ tiên chung. Trong sinh học tiến hóa phân tử và tin sinh học, chỉ số này không chỉ đo lường mức độ sai khác quan sát được giữa các trình tự tương đồng mà còn sử dụng các mô hình toán học để hiệu chỉnh các biến cố đột biến lặp lại, đột biến quay lui và đột biến song song đã xảy ra trong suốt lịch sử địa chất. Bài viết này phân tích bản chất lý thuyết của khoảng cách tiến hóa, các mô hình thay thế nucleotit và axit amin kinh điển, các thuật toán dựng cây phát sinh chủng loại từ ma trận khoảng cách, các ứng dụng thực tiễn trong dịch tễ học và đồng hồ phân tử, cùng những thách thức phương pháp luận khi phân tích dữ liệu hệ gen quy mô lớn.

Bản chất khái niệm và sự cần thiết của hiệu chỉnh thống kê

Khoảng cách quan sát và giới hạn đo lường

Khi so sánh hai chuỗi tương đồng axit nucleic hoặc chuỗi polypeptide, phương thức trực quan đơn giản nhất là đếm số lượng vị trí dị biệt trên toàn bộ chiều dài gióng hàng. Tỷ lệ này được định nghĩa là khoảng cách quan sát, hay khoảng cách p (p-distance):

p = \frac{n_d}{n}

trong đó $p$ là khoảng cách p quan sát được, $n_d$ là số lượng vị trí sai khác giữa hai chuỗi gióng hàng, và $n$ là tổng số vị trí được đối chiếu so sánh.

Mặc dù khoảng cách p rất dễ tính toán và phản ánh trung thực mức độ tương đồng vật lý tức thời giữa các phân tử, đại lượng này hầu như luôn ước tính thấp hơn đáng kể so với số lượng biến cố đột biến thực sự diễn ra trong lịch sử tiến hóa. Khi thời gian phân kỳ gia tăng, xác suất để một vị trí nucleotit hoặc axit amin trải qua nhiều hơn một biến cố đột biến tăng lên theo quy luật phi tuyến tính. Có ba nhóm biến cố đột biến bội làm sai lệch khoảng cách quan sát:

Đột biến lặp lại (multiple hits): Một vị trí chuỗi trải qua nhiều lần thay thế liên tiếp tại cùng một dòng dõi. Ví dụ, một nucleotit ban đầu là Adenine chuyển thành Cytosine, sau đó tiếp tục đột biến thành Thymine. Nhà nghiên cứu tại thời điểm hiện tại chỉ quan sát thấy 1 sai khác giữa Adenine và Thymine, trong khi thực tế đã xảy ra 2 biến cố thay thế độc lập.
Đột biến quay lui (back mutation): Một đột biến làm biến đổi trạng thái phân tử ban đầu, nhưng một đột biến kế tiếp tại cùng vị trí lại tái tạo trạng thái tổ tiên. Ví dụ, Adenine biến đổi thành Guanine, sau đó Guanine đột biến ngược trở lại thành Adenine. Hai chuỗi sinh học hiện hữu hoàn toàn đồng nhất tại vị trí này, khiến quan sát thực nghiệm ghi nhận 0 sai biệt dù lịch sử tiến hóa đã tích lũy 2 đột biến.
Đột biến song song (parallel mutation): Hai dòng dõi độc lập phân kỳ từ cùng một tổ tiên chung tình cờ tích lũy cùng một loại đột biến tại cùng một vị trí chuỗi. Ví dụ, cả hai loài con cháu đều biến đổi từ trạng thái tổ tiên là Adenine thành Guanine. Sự sai khác quan sát được giữa hai chuỗi hiện tại bằng 0, che giấu hoàn toàn 2 biến cố đột biến đã xảy ra trên hai nhánh tiến hóa riêng biệt.

Hiện tượng đột biến bội và khoảng cách tiến hóa thực tế

Do sự tích lũy của các biến cố đột biến bội, khoảng cách quan sát $p$ nhanh chóng tiệm cận một ngưỡng bão hòa giới hạn. Khi hai chuỗi nucleotit phân kỳ rất xa trong quá khứ, các vị trí chuỗi bị đột biến nhiều lần đến mức sự tương đồng giữa chúng chỉ còn tương đương với sự sắp đặt ngẫu nhiên của 4 loại bazơ. Khi đó, khoảng cách p dừng lại ở một mức trần cố định và mất khả năng phân giải thời gian phân kỳ.

Ngược lại, khoảng cách tiến hóa thực tế, thường ký hiệu là $d$ , biểu thị kỳ vọng số lượng đột biến thay thế đã tích lũy trên mỗi vị trí chuỗi kể từ thời điểm phân nhánh tổ tiên. Khoảng cách $d$ không bị chặn trên ở giá trị 1 và có thể đạt tới các giá trị lớn hơn 1 khi mỗi vị trí trung bình đã trải qua nhiều lần thay thế. Để ước lượng chính xác khoảng cách $d$ từ khoảng cách quan sát $p$ , các nhà tiến hóa học phân tử bắt buộc phải sử dụng các mô hình xác suất Markov mô tả động thái thay thế trạng thái phân tử qua thời gian liên tục.

Các mô hình thay thế nucleotit kinh điển

Mô hình một tham số Jukes-Cantor (JC69)

Được đề xuất bởi Thomas H. Jukes và Charles R. Cantor vào năm 1969, mô hình JC69 là mô hình toán học đầu tiên và đơn giản nhất để hiệu chỉnh khoảng cách tiến hóa cho chuỗi ADN. Mô hình JC69 dựa trên hai giả định cơ bản:

Tần số cân bằng của cả 4 loại nucleotit Adenine (A), Thymine (T), Guanine (G) và Cytosine (C) trong hệ gen là hoàn toàn bằng nhau:
$\pi_A = \pi_T = \pi_G = \pi_C = 0.25$
với $\pi_A, \pi_T, \pi_G, \pi_C$ lần lượt là tần số cân bằng của 4 nucleotit A, T, G và C.
Tốc độ thay thế tức thời giữa bất kỳ cặp nucleotit nào cũng đều bằng nhau và có giá trị không đổi là $\alpha$ .

Dựa trên ma trận tốc độ thay thế Markov liên tục, phương trình vi phân mô tả xác suất thay đổi trạng thái nucleotit qua thời gian được giải để thu được công thức hiệu chỉnh khoảng cách Jukes-Cantor:

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

trong đó $d$ là khoảng cách tiến hóa JC69 biểu thị số lượng thay thế ước tính trên mỗi vị trí nucleotit, và $p$ là tỷ lệ sai khác nucleotit quan sát được giữa hai chuỗi.

Công thức JC69 cho thấy khi $p$ rất nhỏ, giá trị $d$ xấp xỉ bằng $p$ . Tuy nhiên, khi khoảng cách quan sát gia tăng và tiến gần đến giá trị bão hòa 0.75 (tức 3 phần 4, tương ứng với trạng thái phân kỳ hoàn toàn ngẫu nhiên giữa 4 trạng thái bazơ có xác suất đồng đều), biểu thức trong dấu logarit tự nhiên tiến dần về 0 và khoảng cách tiến hóa $d$ tiến tới vô cùng. Khi $p \geq 0.75$ , dữ liệu chuỗi đã rơi vào vùng bão hòa hoàn toàn và mô hình JC69 không thể xác định được khoảng cách.

Mô hình hai tham số Kimura (K2P)

Trong thực tế sinh học phân tử, cấu trúc không gian và bản chất hóa học của các bazơ nitơ khiến tốc độ thay thế giữa các nucleotit không hề đồng nhất. Năm 1980, nhà di truyền học quần thể Motoo Kimura đã công bố mô hình hai tham số (K2P) nhằm khắc phục nhược điểm lớn nhất của mô hình JC69 bằng cách phân biệt rõ ràng hai loại đột biến điểm:

Đột biến chuyển tiếp (transition): Là đột biến thay thế giữa các bazơ có cùng cấu trúc phân tử hai vòng hoặc một vòng, bao gồm purine thay cho purine (Adenine chuyển đổi qua lại với Guanine) và pyrimidine thay cho pyrimidine (Cytosine chuyển đổi qua lại với Thymine). Do không làm thay đổi đáng kể bề rộng hình học của chuỗi xoắn kép ADN, đột biến chuyển tiếp ít bị hệ thống enzyme sửa sai phát hiện và có tần số xuất hiện cao hơn nhiều lần trong tự nhiên.
Đột biến đảo chuyển (transversion): Là đột biến thay thế giữa một bazơ purine với một bazơ pyrimidine (ví dụ Adenine thay đổi thành Cytosine hoặc Thymine; Guanine thay đổi thành Cytosine hoặc Thymine) và chiều ngược lại. Đột biến đảo chuyển làm biến dạng trục xoắn kép ADN và có xác suất xuất hiện tự nhiên thấp hơn đáng kể.

Mô hình K2P vẫn duy trì giả định tần số cân bằng của 4 loại bazơ bằng nhau là 0.25, nhưng sử dụng 2 tham số tốc độ thay thế khác nhau: tham số $\alpha$ cho đột biến chuyển tiếp và tham số $\beta$ cho đột biến đảo chuyển. Công thức khoảng cách tiến hóa Kimura năm 1980 được xác định như sau:

d = -\frac{1}{2} \ln(1 - 2P - Q) - \frac{1}{4} \ln(1 - 2Q)

trong đó $d$ là khoảng cách tiến hóa K2P, $P$ là tỷ lệ sai khác do đột biến chuyển tiếp quan sát được giữa hai chuỗi, và $Q$ là tỷ lệ sai khác do đột biến đảo chuyển quan sát được.

Nếu tỷ lệ đột biến chuyển tiếp và đảo chuyển hoàn toàn cân bằng theo tỷ lệ hình học ngẫu nhiên (tức $P = 0.5 Q$ ), công thức K2P sẽ rút gọn chính xác về công thức JC69 ban đầu. Mô hình K2P được sử dụng rộng rãi trong các nghiên cứu mã vạch ADN (DNA barcoding) và phân loại học phân tử.

Mô hình Hasegawa-Kishino-Yano (HKY85) và mô hình Tamura-Nei (TN93)

Năm 1981, Joseph Felsenstein giới thiệu mô hình F81 cho phép 4 loại nucleotit có tần số cân bằng khác nhau ( $\pi_A \neq \pi_T \neq \pi_G \neq \pi_C$ ), nhưng vẫn giữ nguyên giả định tốc độ thay thế giữa mọi cặp bazơ là đồng nhất. Để kết hợp toàn diện cả hai hiện tượng sinh học quan trọng (tần số bazơ thiên lệch và tốc độ chuyển tiếp vượt trội), Masami Hasegawa, Hirohisa Kishino và Taka-aki Yano đã đề xuất mô hình HKY85 vào năm 1985.

Mô hình HKY85 tích hợp 5 tham số (gồm 2 tham số tốc độ thay thế riêng biệt cho chuyển tiếp và đảo chuyển kết hợp với 3 bậc tự do tần số bazơ độc lập), cho phép ước lượng chính xác tỷ lệ chuyển tiếp so với đảo chuyển trên nền thành phần nucleotit thiên lệch. Mô hình này giải quyết xuất sắc các bài toán phân tích hệ gen ty thể và các vùng gen giàu A-T hoặc G-C bất thường.

Đến năm 1993, Koichiro Tamura và Masatoshi Nei đã công bố mô hình TN93 nhằm đào sâu hơn nữa cơ chế đột biến chuyển tiếp. Mô hình TN93 nhận diện rằng tốc độ chuyển tiếp giữa hai purine (A và G) thường không tương đương với tốc độ chuyển tiếp giữa hai pyrimidine (T và C). Nhờ việc phân tách thành 2 tham số tốc độ chuyển tiếp riêng biệt kết hợp với tần số bazơ tự do, mô hình TN93 cho phép ước lượng khoảng cách tiến hóa với độ chính xác cao trong các phân tích phả hệ người và linh trưởng cổ đại.

Mô hình đảo ngược thời gian tổng quát (GTR)

Mô hình đảo ngược thời gian tổng quát (General Time Reversible, GTR), được Simon Tavaré hình thức hóa vào năm 1986, là mô hình đối xứng thời gian toàn diện nhất dành cho sự tiến hóa độc lập của các vị trí nucleotit. Mô hình GTR cho phép cả 6 cặp thay thế thuận nghịch giữa 4 loại bazơ có tốc độ riêng biệt và 4 loại bazơ có tần số cân biến khác nhau.

Mô hình GTR tuân thủ nghiêm ngặt điều kiện đảo ngược thời gian vi mô:

\pi_i q_{ij} = \pi_j q_{ji}

với $\pi_i$ và $\pi_j$ là tần số cân bằng của các nucleotit trạng thái $i$ và $j$ , trong khi $q_{ij}$ và $q_{ji}$ là các tốc độ thay thế tức thời tương ứng trong ma trận chuyển dịch trạng thái. Tổng cộng mô hình GTR có 6 tham số tốc độ thay thế đối xứng và 3 tham số tần số bazơ độc lập. Đây là mô hình nền tảng được ưa chuộng nhất trong các phân tích phát sinh chủng loại hiện đại sử dụng phương pháp khả năng tối đa và suy luận Bayes.

Khoảng cách tiến hóa ở mức chuỗi protein

Đặc điểm tiến hóa của chuỗi polypeptide

Tiến hóa ở mức độ protein phức tạp hơn đáng kể so với mức độ ADN do không gian trạng thái mở rộng từ 4 nucleotit lên 20 axit amin tiêu chuẩn. Mỗi axit amin sở hữu các đặc tính hóa lý riêng biệt như kích thước thể tích, điện tích ròng, tính phân cực và mức độ kỵ nước. Áp lực chọn lọc tự nhiên hoạt động mạnh mẽ để bảo tồn cấu trúc không gian ba chiều và hoạt tính sinh học của protein, khiến xác suất thay thế giữa các axit amin có tính chất tương đồng (thay thế bảo tồn) cao hơn rất nhiều so với sự thay thế giữa các axit amin dị biệt (thay thế triệt để).

Hệ thống ma trận PAM và BLOSUM

Để lượng hóa khoảng cách tiến hóa giữa các chuỗi protein, các nhà tin sinh học sử dụng hai hệ thống ma trận thay thế axit amin kinh điển:

Hệ thống ma trận PAM (Point Accepted Mutation): Do Margaret Dayhoff và các cộng sự tiên phong xây dựng vào năm 1978. Đơn vị khoảng cách PAM1 được định nghĩa là khoảng cách tiến hóa tương ứng với 1 biến cố đột biến thay thế axit amin được chọn lọc tự nhiên chấp nhận trên mỗi 100 gốc axit amin của chuỗi protein (tương đương 1% sai khác). Để mô tả các khoảng cách tiến hóa xa hơn, ma trận xác suất chuyển đổi PAM1 được nhân lũy thừa liên tiếp thông qua mô hình xích Markov. Ví dụ, ma trận PAM250 tương ứng với khoảng cách phân kỳ tích lũy trung bình 250 đột biến trên 100 vị trí axit amin, tối ưu cho việc căn gióng các chuỗi protein có quan hệ họ hàng xa xôi.
Hệ thống ma trận BLOSUM (Blocks Substitution Matrix): Do Steven Henikoff và Jorja G. Henikoff phát triển vào năm 1992. Khác với cách tiếp cận ngoại suy toán học từ các chuỗi rất gần của PAM, BLOSUM được tính toán trực tiếp từ tần số thay thế thực nghiệm quan sát được trong cơ sở dữ liệu BLOCKS gồm hàng nghìn khối trình tự peptit bảo tồn cục bộ không chứa khoảng trống (gaps). Con số đi kèm tên ma trận phản ánh ngưỡng phần trăm đồng nhất tối thiểu để gom cụm các chuỗi tương đồng: ví dụ, trong ma trận BLOSUM62, các chuỗi có độ tương đồng từ 62% trở lên được gộp vào cùng một cụm nhằm tránh thiên kiến từ các trình tự họ hàng quá gần, và tần số thay thế được tính toán giữa các cụm có độ tương đồng dưới 62%. BLOSUM62 hiện là chuẩn mực mặc định trong các công cụ tìm kiếm cơ sở dữ liệu sinh học phổ biến như BLAST để đánh giá khoảng cách tương đồng giữa các protein.

Bảng so sánh các mô hình thay thế nucleotit chính

Bảng dưới đây tổng hợp các đặc trưng cốt lõi của các mô hình thay thế nucleotit kinh điển được sử dụng phổ biến trong tính toán khoảng cách tiến hóa:

Mô hình thay thế	Tác giả và năm công bố	Giả định tần số bazơ	Số tham số tốc độ	Đặc điểm nổi bật
JC69	Jukes và Cantor (1969)	Đồng nhất (0.25 cho mỗi bazơ)	1 tham số duy nhất	Mô hình sơ khai nhất, giả định mọi loại đột biến đều có tốc độ bằng nhau
K2P	Kimura (1980)	Đồng nhất (0.25 cho mỗi bazơ)	2 tham số độc lập	Phân biệt đột biến chuyển tiếp và đảo chuyển, phản ánh cấu trúc hóa học
F81	Felsenstein (1981)	Tự do (4 tần số khác nhau)	1 tham số duy nhất	Cho phép thành phần nucleotit thiên lệch nhưng tốc độ đột biến không đổi
HKY85	Hasegawa, Kishino và Yano (1985)	Tự do (4 tần số khác nhau)	2 tham số độc lập	Hợp nhất tần số bazơ không cân bằng với thiên kiến chuyển tiếp/đảo chuyển
TN93	Tamura và Nei (1993)	Tự do (4 tần số khác nhau)	3 tham số độc lập	Phân biệt tốc độ chuyển tiếp giữa hai purine và giữa hai pyrimidine
GTR	Tavaré (1986)	Tự do (4 tần số khác nhau)	6 tham số độc lập	Mô hình khả nghịch thời gian tổng quát nhất cho tiến hóa trung tính

Phương pháp dựng cây phát sinh chủng loại từ ma trận khoảng cách

Phương pháp nhóm cặp không trọng số với trung bình số học (UPGMA)

Thuật toán UPGMA được Robert R. Sokal và Charles D. Michener công bố vào năm 1958 như một kỹ thuật phân cụm phân cấp định lượng. Thuật toán hoạt động theo nguyên lý từ dưới lên: bắt đầu bằng việc tìm kiếm cặp đơn vị phân loại có khoảng cách tiến hóa nhỏ nhất trong ma trận khoảng cách hai chiều, gộp chúng thành một cụm mới, tính toán lại khoảng cách trung bình số học từ cụm mới tới tất cả các đơn vị còn lại, và lặp lại quy trình cho đến khi tất cả các nhánh được liên kết.

UPGMA áp đặt giả định nghiêm ngặt rằng tốc độ tiến hóa là hoàn toàn bất biến trên mọi dòng dõi (giả định đồng hồ phân tử hoàn hảo). Do đó, cây phát sinh chủng loại tạo bởi UPGMA là cây có gốc và có tính chất siêu metric (ultrametric), trong đó tất cả các nhánh ngoài cùng đều cách đều gốc phân sinh một khoảng bằng nhau. Trong thực tế, khi các loài tiến hóa với tốc độ khác biệt, UPGMA có xu hướng ước tính sai nghiêm trọng cấu trúc tô-pô cây.

Phương pháp ghép nối lân cận (Neighbor-Joining)

Để khắc phục hạn chế lớn của UPGMA, Naruya Saitou và Masatoshi Nei đã phát minh thuật toán Neighbor-Joining (NJ) vào năm 1987. Phương pháp NJ cho phép các nhánh trên cây tiến hóa với tốc độ hoàn toàn độc lập, tạo ra cây cộng tính (additive tree) không có gốc mà không đòi hỏi giả định đồng hồ phân tử.

Thuật toán NJ xuất phát từ một cây dạng hình sao chứa tất cả các đơn vị phân loại nối vào một nút trung tâm chung. Tại mỗi bước lặp, thuật toán tính toán ma trận hiệu chỉnh Q (Q-matrix) phản ánh sự phân kỳ tổng thể của mỗi đơn vị phân loại đối với phần còn lại của cây. Cặp đơn vị phân loại nào tối thiểu hóa tổng độ dài nhánh toàn cây sẽ được chọn để ghép nối thành một nút phân nhánh mới. Sau đó, khoảng cách từ nút mới này tới các đỉnh còn lại được cập nhật và quy trình tiếp diễn.

Với độ phức tạp thuật toán xấp xỉ bậc ba theo số lượng chuỗi, phương pháp Neighbor-Joining thực thi cực kỳ nhanh chóng và có khả năng xử lý hiệu quả các bộ dữ liệu lớn gồm hàng nghìn trình tự. Nền tảng phân tích sinh học phân tử kinh điển MEGA7 do Sudhir Kumar và cộng sự giới thiệu năm 2016 đã tích hợp thuật toán Neighbor-Joining như một công cụ tiêu chuẩn hàng đầu để dựng cây phát sinh chủng loại nhanh và tin cậy.

Ứng dụng thực tiễn trong nghiên cứu tiến hóa và dịch tễ học

Đồng hồ phân tử và xác định niên đại phân nhánh tiến hóa

Giả thuyết đồng hồ phân tử do Emile Zuckerkandl và Linus Pauling đề xuất năm 1965 khẳng định rằng các đại phân tử sinh học tích lũy đột biến thay thế với tốc độ xấp xỉ không đổi theo thời gian địa chất. Khi kết hợp với khoảng cách tiến hóa, mối quan hệ tuyến tính này được biểu diễn qua phương trình:

d = 2rt

trong đó $d$ là khoảng cách tiến hóa tích lũy giữa hai dòng dõi, $r$ là tốc độ thay thế trung bình trên mỗi vị trí chuỗi trong một đơn vị thời gian (năm), và $t$ là thời gian đã trôi qua kể từ khi hai dòng dõi phân kỳ từ tổ tiên chung gần nhất. Hệ số 2 phản ánh thực tế rằng đột biến tích lũy đồng thời và độc lập trên cả hai nhánh dòng dõi rẽ ra từ nút tổ tiên chung.

Ứng dụng kinh điển của phương trình này được thể hiện trong công trình năm 1985 của Hasegawa, Kishino và Yano, khi các tác giả sử dụng khoảng cách tiến hóa của chuỗi ADN ty thể để định tuổi thời điểm phân nhánh tiến hóa giữa con người và các loài vượn người lớn (tinh tinh và gorilla). Nhờ việc hiệu chỉnh các đột biến chuyển tiếp và đảo chuyển kết hợp dữ liệu hóa thạch chuẩn hóa, các nhà khoa học đã xác định chính xác thời điểm loài người phân tách khỏi tổ tiên chung với tinh tinh.

Giám sát dịch tễ học phân tử và theo dõi biến chủng virus

Trong dịch tễ học hiện đại, khoảng cách tiến hóa là công cụ cốt lõi để theo dõi sự lây lan và biến đổi của các mầm bệnh truyền nhiễm nguy hiểm. Bằng cách tính toán ma trận khoảng cách di truyền giữa các mẫu bệnh phẩm phân lập từ bệnh nhân, các nhà nghiên cứu có thể tái dựng đường lây truyền, xác định nguồn gốc ổ dịch và phân loại các biến chủng virus.

Trong đại dịch SARS-CoV-2 toàn cầu bùng phát năm 2020, việc giải trình tự hệ gen quy mô lớn và tính toán khoảng cách tiến hóa theo thời gian thực thông qua các hệ thống giám sát như Nextstrain đã cho phép theo dõi sát sao sự tích lũy đột biến trên protein gai (Spike protein). Các ma trận khoảng cách di truyền giúp phân biệt chính xác giữa các biến thể Alpha, Beta, Delta và Omicron, từ đó hỗ trợ đắc lực cho việc dự báo khả năng lẩn tránh miễn dịch và điều chỉnh chiến lược tiêm chủng vắc-xin trên toàn thế giới.

Hạn chế phương pháp luận và các thách thức tính toán

Hiện tượng bão hòa đột biến

Bão hòa đột biến (mutational saturation) xảy ra khi thời gian phân kỳ giữa các dòng dõi quá lớn, dẫn đến việc phần lớn các vị trí trên chuỗi sinh học đã trải qua nhiều lần đột biến lặp lại. Khi bão hòa đạt mức cực đại, tín hiệu phát sinh chủng loại lịch sử bị xóa nhòa hoàn toàn bởi nhiễu ngẫu nhiên. Trong tình huống này, ngay cả các mô hình phức tạp như GTR cũng gặp khó khăn trong việc khôi phục chính xác khoảng cách tiến hóa thực tế.

Bất đồng nhất tốc độ tiến hóa theo dòng dõi và vị trí

Các mô hình khoảng cách cổ điển thường giả định rằng mọi vị trí trên chuỗi sinh học đều có tốc độ tiến hóa như nhau. Tuy nhiên, trong thực tế sinh học, các axit amin thuộc trung tâm hoạt động của enzyme hoặc các nucleotit thuộc vùng điều hòa quan trọng chịu áp lực chọn lọc thanh lọc rất mạnh nên gần như bất biến. Ngược lại, các vùng không mã hóa hoặc các vị trí suy biến trên codon có tốc độ đột biến rất cao. Để bù trừ hiện tượng bất đồng nhất này, các nhà nghiên cứu thường kết hợp phân bố Gamma ( $\Gamma$ ) vào mô hình thay thế, cho phép tốc độ biến thiên linh hoạt giữa các vị trí chuỗi.

Hiện tượng hút nhánh dài (Long-Branch Attraction)

Hiện tượng hút nhánh dài (Long-Branch Attraction, LBA) được Joseph Felsenstein mô tả chi tiết vào năm 1978 như một sai lệch hệ thống nguy hiểm trong suy luận phát sinh chủng loại. Khi hai dòng dõi phân kỳ tiến hóa với tốc độ đặc biệt nhanh hoặc trải qua thời gian phân kỳ rất dài độc lập với nhau, chúng tích lũy một lượng lớn đột biến ngẫu nhiên. Một tỷ lệ nhất định các đột biến này tình cờ trở thành đột biến song song hoặc đảo chuyển hội tụ, tạo ra cảm giác giả tạo rằng hai chuỗi có nhiều điểm chung.

Khi đó, các thuật toán dựa trên khoảng cách có thể gom nhầm hai nhánh dài này lại với nhau thành một nhóm có quan hệ họ hàng giả tạo gần gũi, thay vì xếp chúng vào đúng vị trí phân loại tự nhiên. Để giảm thiểu nguy cơ hút nhánh dài, các nhà nghiên cứu cần bổ sung các đơn vị phân loại trung gian (taxon sampling) để bẻ gãy các nhánh dài, hoặc lựa chọn các mô hình thay thế phức tạp có tính đến sự biến thiên tốc độ giữa các vị trí chuỗi.