用于复杂进化过程下系统发育推断的深度生成模型

arXiv:2610.19053v1 公告类型：新论文 摘要：根据序列推断系统发育树在理解进化关系方面发挥着核心作用，其应用涵盖从追踪病原体传播到重建生命演化史的诸多领域。传统上，研究人员使用 MCMC 等基于似然的方法获得树的后验分布。然而，只有带有限制性假设的简单进化模型才能提供可计算的似然。对于现实的进化模型，使用传统方法进行推断的计算成本高得难以承受，结果不准确，甚至根本无法实现。在实践中，研究人员退而求其次，采用尽可能灵活的传统方法，即使他们预期该方法存在模型设定偏误。原则上，我们可以采用基于模拟的推断：利用进化模型模拟生成树和序列数据，并训练神经网络，以根据给定序列预测树的后验分布。然而，如何表示和学习树空间上的复杂后验分布是一项数学挑战。在此，我们提出了一类灵活的树条件生成模型。我们的模型采用三种自然的范式——自顶向下、从中间向外或自底向上——迭代构建树，并使用离散扩散框架进行训练。在包含多达 $65$ 个分类单元、超过 $10^5$ 个词元的真实和合成数据集上，我们的模型对 MCMC 后验分布的还原精度远高于此前最先进的基于模拟的方法 Phyloformer 2。最后，我们与 IQ-Tree 进行了比较，这是一种广泛使用、灵活但存在模型设定偏误的传统方法。在简单数据上，我们的模型与其树估计结果相当；但在更贴近现实的数据上，我们的方法能够稳定地取得更高的准确率。