Modelli generativi profondi per l’inferenza filogenetica con processi evolutivi complessi

Abstract degli autori

L’inferenza degli alberi filogenetici a partire dalle sequenze è fondamentale per comprendere le relazioni evolutive, con applicazioni che vanno dal monitoraggio della diffusione dei patogeni alla ricostruzione della storia della vita. Tradizionalmente, si ottengono distribuzioni a posteriori sugli alberi con metodi basati sulla verosimiglianza, come MCMC. Tuttavia, la verosimiglianza è disponibile solo per modelli evolutivi semplici, fondati su ipotesi restrittive. Con modelli evolutivi realistici, l’inferenza mediante i metodi convenzionali è proibitivamente costosa, imprecisa o persino impossibile. In pratica, si finisce per usare il metodo convenzionale più flessibile possibile, pur ritenendo che il modello sia specificato in modo errato. In linea di principio, potremmo ricorrere all’inferenza basata sulla simulazione: simulare dati relativi ad alberi e sequenze a partire da un modello evolutivo e addestrare una rete neurale a prevedere la distribuzione a posteriori sugli alberi date le sequenze. Rappresentare complesse distribuzioni a posteriori sugli alberi e addestrare un modello a riprodurle pone però una sfida matematica. Presentiamo una famiglia flessibile di modelli generativi condizionati di alberi. I nostri modelli costruiscono gli alberi in modo iterativo secondo tre paradigmi naturali -- dall’alto verso il basso, dal centro verso l’esterno o dal basso verso l’alto -- e sono addestrati con un framework di diffusione discreta. Su dataset reali e sintetici fino a $65$ taxa e $>10^5$ token, i nostri modelli ricostruiscono le distribuzioni a posteriori ottenute con MCMC con una precisione molto superiore a quella di Phyloformer 2, il precedente metodo basato sulla simulazione più avanzato. Infine, li confrontiamo con IQ-Tree, un diffuso metodo convenzionale flessibile, ma fondato su un modello specificato in modo errato. Su dati semplici, i nostri modelli producono stime degli alberi equivalenti alle sue; su dati più realistici, il nostro metodo è invece sistematicamente più preciso.