PhylaFlow: Hybrid Flow Matching in Billera-Holmes-Vogtmann Tree Space for Phylogenetic Inference

ملخص تقني: PhylaFlow – مطابقة التدفق الهجين في فضاء أشجار Billera–Holmes–Vogtmann

بيان المشكلة
يُعد الاستدلال الفيلوجيني (نشوء السلالات) مشكلة تحسين هجينة في جوهرها: فهو يتضمن تحسيناً مستمراً على أطوال الفروع وبحثاً منفصلاً عبر توبولوجيا الأشجار. غالباً ما تعاني طرق بايز التقليدية، مثل سلسلة ماركوف مونت كارلو (MCMC) المستخدمة في برنامج MrBayes، من فترات "الإحماء" (burn-in) حيث تستهلك السلاسل موارد حوسبية مفرطة في استكشاف مناطق ذات احتمالية منخفضة قبل اكتشاف أحواض التوزيع البعدي ذات الصلة. يمثل هذا تحدياً كبيراً لأن فضاء الأشجار الفيلوجينية ليس فضاءً إقليدياً بحتاً؛ حيث تحدث التغيرات التوبولوجية عبر عمليات انكماش وتوسع الحواف المنفصلة، بينما تتغير أطوال الفروع بشكل مستمر. يوفر فضاء الأشجار (BHV) هندسة معيارية لهذا الهيكل، حيث يمثل كل توبولوجيا كأورثانت (orthant) إقليدي، وتتمثل الانتقالات التوبولوجية كحركة عبر حدود مشتركة منخفضة الأبعاد. ومع ذلك، فإن النهج العصبية الحالية غالباً ما تحاول إما استبدال MCMC بالكامل عبر تقريبات تباينية أو توليد أشجار واحدة عالية الدرجة دون تعلم ديناميكيات النقل المستمرة-المنفصلة المطلوبة للتنقل عبر هندسة BHV بفعالية.

المنهجية
يقدم المؤلفون PhylaFlow، وهو نموذج مطابقة تدفق هجين مصمم لتعلم "نقل حوض التوزيع البعدي" داخل فضاء أشجار BHV. بدلاً من استبدال الاستدلال البايزي، يعمل PhylaFlow كآلية تهيئة مدمجة وآلية اقتراح تنقل الأشجار العشوائية نحو المناطق التي يدعمها التوزيع البعدي.

• الصياغة الهندسية: يعمل النموذج ضمن فضاء مترية BHV. وهو يعامل مهمة الاستدلال كمسألة نقل أمثل، حيث يتعلم خريطة تدفع عينات من توزيع أساسي (أشجار بداية عشوائية) نحو تقريب لتوزيع الهدف البعدي.
• البنية الهجينة: يستخدم PhylaFlow محول رسوم بيانية (graph transformer) لمعالجة حالات الأشجار (التوبولوجيا وأطوال الفروع) مشروطة بتضمينات التسلسل والزمن. تستخدم البنية ثلاث رؤوس متميزة للتعامل مع الطبيعة الهجينة للفضاء:
  1. رأس السرعة (Velocity Head): يتنبأ بسرعات طول الفرع المستمرة ضمن توبولوجيا ثابتة (أورثانت)، ويصيغ الحركة عبر حقل متجه يعتمد على الزمن.
  2. رأس الاصطدام الأول (First-Hit Head): يتنبأ بالحواف الداخلية التي ستنكمش إلى الصفر أولاً، مما يحدد الحدث الحدودي التالي حيث يكون التغير التوبولوجي وشيكاً.
  3. رأس التوبولوجيا (Topology Head): وحدة ذاتية الانحدار (autoregressive) تقوم بحل حالة التعدد التفرعي (polytomy) الناتجة عن الانهيار الحدودي إلى توبولوجيا جديدة صالحة، وذلك عبر التنبؤ بتسلسل من إجراءات المجموعات الفرعية المهيكلة.
• هدف التدريب: يتم تدريب النموذج على مسارات جيوديسية (geodesic paths) لـ BHV تحت إشراف، تربط بين أشجار البداية العشوائية والأشجار المستهدفة المستخرجة من تشغيل قصير للتوزيع البعدي. تجمع دالة الخسارة بين مطابقة التدفق المستمر (لأطوال الفروع)، والتصنيف الثنائي (لأحداث انهيار الحواف)، والتقاطع المتبادل ذاتي الانحدار (للانتقالات التوبولوجية).
• الاستدلال والتحسين: في مرحلة الاستدلال، يولد PhylaFlow أشجاراً مرشحة من بدايات عشوائية. تُستخدم هذه الأشجار لتهيئة سلاسل MrBayes القياسية من أجل التحسين القائم على الاحتمالية. كما يقترح المؤلفون متغير PhylaFlow-MCMC، حيث يُستخدم الهيكل المنقسم المتعلم من PhylaFlow لتوجيه اقتراحات NNI (تبادل الجار الأقرب) المحلية أثناء تشغيل MCMC، مما يوجه السلسلة نحو الانقسامات المدعومة بعدياً.

المساهمات الرئيسية

1. مطابقة التدفق الهجين في فضاء BHV: يثبت البحث أن نماذج النقل العصبية يمكنها تعلم حركة ذات معنى عبر هندسة BHV الهجينة، من خلال الربط بين تطور أطوال الفروع المستمر والانتقالات التوبولوجية المنفصلة.
2. التهيئة المدمجة: يوفر PhylaFlow آلية اقتراح مدركة للهندسة تقلل بشكل كبير من المسافة (مقاسة بـ Tree-KL) بين أشجار البداية العشوائية وأحواض التوزيع البعدي ذات الصلة قبل أي عملية تحسين تعتمد على الاحتمالية.
3. التحسين الموجه بالانقسام: يقدم العمل طريقة لاستخدام الانقسامات المتعلمة لتوجيه الاقتراحات، مما يحسن أداء MCMC في الحالات "الصعبة" حيث تكافح التحركات المحلية القياسية للخروج من الأحواض دون المستوى الأمثل.
4. الاشتراط بالتسلسل: يظهر المؤلفون أن عملية النقل يمكن اشتراطها بتضمينات التسلسل (تضمينات Phyla)، مما يسمح للنموذج بتوجيه النقل نحو هياكل انقسام خاصة بالبيانات، رغم أن استعادة التوبولوجيا الدقيقة في إعداد مشترك لا يزال في مرحلة أولية.

النتائج
تم تقييم النموذج عبر ثمانية مجموعات بيانات مرجعية (DS1–DS8) تغطي أنظمة تطورية متنوعة، وأظهر PhylaFlow تحسينات جوهرية مقارنة بالخطوط المرجعية القياسية:

• الجودة الأولية: قبل تحسين MCMC، حقق PhylaFlow أدنى قيمة لـ Tree-KL (التباعد عن التوزيع البعدي طويل المدى) في جميع مجموعات البيانات الثمانية مقارنة بالبدايات العشوائية، والحد الأقصى للبارسيموني (Maximum Parsimony)، والحد الأقصى للاحتمالية (IQ-TREE)، والبدايات القائمة على UShER.
• كفاءة التحسين: بعد ميزانية محدودة (100 ألف جيل) من تحسين MrBayes، تفوق التهيئة المباشرة لـ PhylaFlow على الطرق الأخرى غير الموجهة في خمس من أصل ثماني مجموعات بيانات.
• الأداء في الحالات الصعبة: حقق متغير PhylaFlow-MCMC، الذي يستخدم الانقسامات المتعلمة لتوجيه الاقتراحات، أفضل Tree-KL نهائي في أصعب مجموعات البيانات (DS3, DS5, DS6, DS7)، متفوقاً بشكل كبير على كل من الخطوط المرجعية القياسية والضوابط العصبية القوية مثل PhyloGFN تحت نفس ميزانية الحوسبة.
• المقارنة مع الضوابط: تفوق PhylaFlow على خطوط الإحماء القصيرة في سبع من أصل ثماني مجموعات بيانات، وعلى PhyloGFN في خمس من أصل ثماني مجموعات بيانات. وبينما يعد PhyloGFN عينة قوية مدربة على الاحتمالية، فإن PhylaFlow يوفر مساراً أكثر كفاءة حوسبياً للوصول إلى هندسة التوزيع البعدي المفيدة، مع أوقات إعداد أقل عموماً من PhyloGFN في مجموعات البيانات الأكبر.
• معقولية الاحتمالية: تحافظ الأشجار المولدة على ملفات احتمالية معقولة، مما يشير إلى أن النموذج يتعلم بنية بعدية قابلة لإعادة الاستخدام وليس مجرد إنتاج أشجار معزولة عالية الدرجة.

الأهمية والادعاءات
يزعم البحث أن PhylaFlow يمثل نموذجاً مبكراً للنمذجة القابلة للتفاضل والمدركة للهندسة في الاستدلال الفيلوجيني. تكمن أهميته الأساسية في إثبات أن النقل القابل للتطبيق في فضاء أشجار BHV هو أمر قابل للتعلم. يضع المؤلفون PhylaFlow ليس كبديل للاستدلال البايزي، بل كآلية تكميلية تحسن كفاءة اكتشاف أحواض التوزيع البعدي. ومن خلال تعلم "الحركة" عبر فضاء الأشجار، يقلل النموذج من وقت الإحماء المطلوب لتصل سلاسل MCMC إلى المناطق ذات الاحتمالية العالية. تشير النتائج إلى أن مطابقة التدفق الهجين يمكنها التقاط هندسة بعدية قابلة للتطبيق، مما يقدم نموذجاً جديداً لتهيئة وتوجيه الاستدلال الفيلوجيني الذي يحترم البنية التوليفية-المستمرة المتأصلة في فضاء الأشجار. يظل المؤلفون متواضعين فيما يتعلق بالتجارب المشروطة بالتسلسل، مشيرين إلى أنه بينما يمكن للتضمينات توجيه استعادة الانقسام، فإن استعادة التوبولوجيا الدقيقة في إعداد مشترك عبر مجموعات بيانات مختلفة لا يزال أمراً أولياً.