Sequential learning theory for Markov genealogy processes

Este artículo introduce un marco basado en filtraciones para la inferencia filodinámica secuencial que descompone la reducción de varianza al añadir taxones en componentes de aprendizaje, discrepancia y covarianza, demostrando que existe una brecha fundamental e irreducible entre un oráculo que conoce el estado de absorción latente y el analista, lo que establece un límite teórico sobre lo que los datos de secuencia pueden revelar por sí solos.

Lo esencial

Imagina que estás intentando reconstruir la historia familiar de una tribu antigua, pero solo tienes acceso a un puñado de cartas viejas (las secuencias de ADN) que han llegado a tus manos. Tu objetivo es entender cómo se relacionan todos los miembros de esa tribu, cuándo vivieron sus ancestros comunes y cómo evolucionaron.

Este artículo de David J. Pascall es como un manual de instrucciones para entender cuándo ayuda y cuándo perjudica añadir más cartas (más secuencias de ADN) a tu investigación.

Aquí tienes la explicación sencilla, usando analogías cotidianas:

1. El problema: ¿Más datos siempre es mejor?

En la vida real, a veces piensas: "Si tengo una foto borrosa de un árbol genealógico, si consigo otra foto, ¡la imagen será más clara!".
Pero en la ciencia de la evolución (filodinámica), a veces ocurre lo contrario. Añadir más datos puede:

• Hacer que la imagen se vuelva más borrosa (aumentar la incertidumbre).
• Confundir al ordenador que hace los cálculos.
• Destacar errores en tu teoría inicial.

El autor se pregunta: ¿Por qué pasa esto y cómo podemos predecirlo?

2. La solución: El juego de "Revelar Tarjetas"

Para entenderlo, el autor inventa un experimento mental. Imagina que tienes un mazo de cartas que representan a todos los individuos que podrías estudiar. En lugar de verlos todos a la vez, revelas las cartas una por una, en un orden aleatorio.

• La Filtración (El orden): Es como ir descubriendo las cartas de tu mano una a una. Cada vez que sacas una carta, tienes un poco más de información, pero también te das cuenta de que tu objetivo (el árbol completo) podría estar cambiando de forma.
• El Objetivo (El Estimando): ¿Qué estás intentando calcular?
  • Caso A (Fijo): Quieres saber la tasa de mutación (como la velocidad a la que cambian las cartas). Aquí, más cartas siempre ayudan. Es como aprender a leer: con más texto, sabes mejor el alfabeto.
  • Caso B (Cambiante): Quieres saber la fecha de nacimiento del ancestro común de solo las cartas que has sacado hasta ahora. Aquí es donde se pone raro. Si sacas una carta nueva, el "ancestro común" de tu grupo actual puede cambiar de fecha. El objetivo se mueve mientras tú intentas alcanzarlo.

3. La Descomposición: ¿Qué está pasando realmente?

El autor dice que cuando añades una nueva carta, el cambio en tu confianza (varianza) se divide en tres partes, como si fueran tres ingredientes en una sopa:

1. Aprendizaje (Learning): La parte buena. Obtienes nueva información que aclara las cosas.
2. Desajuste (Mismatch): La parte confusa. Tu objetivo actual (lo que calculas con las cartas que tienes) no es lo mismo que el objetivo final (lo que calcularías con todas las cartas). A veces, añadir una carta hace que tu objetivo actual se aleje del final, creando confusión.
3. Covarianza: Cómo interactúan esos dos efectos anteriores.

La gran revelación: A veces, el "Desajuste" es tan fuerte que anula el "Aprendizaje", haciendo que tu estimación sea peor al añadir datos.

4. El Oráculo vs. El Analista (El secreto de la caja negra)

Aquí entra la parte más fascinante. El autor introduce dos personajes:

• El Analista (Tú): Ves las cartas una por una y tratas de adivinar la historia. No sabes si ya has descubierto la respuesta completa o si aún te falta mucho.
• El Oráculo (Un Dios): Es un personaje que tiene el mismo mazo de cartas, pero sabe el secreto: sabe exactamente en qué momento, al revelar las cartas, el objetivo se "fija" y deja de cambiar.

La analogía del "Punto de No Retorno":
Imagina que estás adivinando la fecha de un evento histórico.

• Si ya has visto a dos personas que vivieron en épocas muy diferentes, sabes que el evento ocurrió antes que ambas. En ese momento, añadir más personas no cambiará la fecha del evento; ya la has "absorbido".
• El Oráculo sabe exactamente cuándo llegaste a ese punto. Para él, añadir más cartas es puro aprendizaje (siempre mejora).
• Tú (el Analista) no sabes si ya llegaste a ese punto. Tienes que seguir adivinando si la nueva carta cambiará la fecha o no. Esta duda extra es lo que te hace tener más incertidumbre que al Oráculo.

5. La Conclusión: El Límite Fundamental

El artículo demuestra algo profundo y un poco triste para los científicos: Hay un límite a lo que podemos saber solo con los datos que tenemos.

Incluso si ves todas las cartas que existen en tu muestra, tu incertidumbre seguirá siendo mayor que la del Oráculo. ¿Por qué? Porque el Oráculo sabe la estructura oculta del árbol genealógico (qué ramas están conectadas y cuáles no) de una manera que tú, solo viendo las puntas de las ramas (las secuencias de ADN), no puedes deducir al 100%.

En resumen:
Añadir más datos de ADN no siempre mejora la imagen porque, a veces, el objetivo que buscas se mueve. Existe una "brecha" inevitable entre lo que sabemos con los datos visibles y lo que sabríamos si pudiéramos ver la estructura oculta completa del árbol genealógico. A veces, la incertidumbre no es por falta de datos, sino por la naturaleza misma de cómo se oculta la historia en esos datos.

Resumen técnico

Resumen Técnico: Teoría de Aprendizaje Secuencial para Procesos de Genealogía de Markov

1. Planteamiento del Problema

En la inferencia filodinámica, surge una pregunta fundamental: ¿La adición de nuevos taxones (secuencias) a un análisis mejora siempre la estimación de los parámetros?

• Observación empírica: Los practicantes han notado que esto no siempre es cierto. A veces, añadir secuencias aumenta la incertidumbre posterior, degrada la mezcla de los algoritmos MCMC o amplifica errores de especificación del modelo.
• Vacío teórico: Actualmente, carecemos de fundamentos teóricos sólidos para explicar cuándo y por qué la adición de taxones ayuda o perjudica.
• Objetivo: El artículo busca establecer un marco teórico para entender la dinámica del aprendizaje secuencial en procesos de genealogía de Markov (MGP), diferenciando entre estimandos fijos (como tasas de mutación) y estimandos que cambian con la muestra (como el tMRCA de los tips incluidos).

2. Metodología y Marco Matemático

El autor introduce un marco basado en filtraciones y análisis bayesiano secuencial.

• Espacio de Probabilidad y Definiciones:
  • Se define un espacio de probabilidad $(\Omega, \mathcal{F}, P)$ que soporta un elemento aleatorio $\Delta = (\Theta, G, \Lambda)$.
  • $\Theta$: Parámetros del proceso de genealogía de Markov.
  • $G$: El árbol genealógico latente (variable aleatoria marcada).
  • $\Lambda$: Una permutación aleatoria uniforme de los $f(G)$ tips observados. Esta permutación es clave para crear un ordenamiento aleatorio de los datos.
• Construcción de la Filtración:
  • Se define un ordenamiento de los datos $Y_k = (x_{\Lambda(k)}, t_{\Lambda(k)})$ basado en la permutación $\Lambda$.
  • Se construye una filtración natural $\mathcal{F}_n = \sigma(D_n)$, donde $D_n$ son los primeros $n$ tips observados según el orden de $\Lambda$.
  • Esto permite aplicar resultados estándar del análisis bayesiano secuencial a la inferencia filodinámica.
• Clasificación de Estimandos:
  Se introduce una taxonomía de estimandos secuenciales ($K_n$) basada en su comportamiento respecto a un objetivo límite ($K_\infty$, el valor que se obtendría si se observara toda la genealogía latente):
  1. Fijos: $K_n$ es constante.
  2. Absorbentes Monotónicos: La diferencia $|K_\infty - K_n|$ es no creciente y existe probabilidad positiva de alcanzar $K_\infty$ antes del final, momento en el cual se "absorbe" (permanece igual).
  3. Absorbentes No Monotónicos: Pueden alcanzar $K_\infty$ y quedarse ahí, pero la trayectoria no es estrictamente monotónica.
  4. No Absorbentes: Nunca garantizan alcanzar $K_\infty$ o la igualdad no se mantiene.
  5. Mixtos y Terminales: Otras combinaciones de comportamiento de la trayectoria.

3. Contribuciones Clave y Resultados Principales

A. Descomposición de la Variance (Teorema 1)
El autor descompone el cambio en la varianza posterior al añadir un taxón en tres componentes:

1. Componente de Aprendizaje: Cambio en la incertidumbre sobre el objetivo secuencial actual ($K_n$).
2. Componente de Desajuste (Mismatch): Cambio en la incertidumbre sobre la distancia entre el objetivo actual y el límite ($K_\infty - K_n$).
3. Componente de Covarianza: Cómo cambian las incertidumbres de los dos anteriores en relación entre sí.

• Resultado: Aunque individualmente estos términos pueden ser negativos (aumentar la incertidumbre), su suma es no negativa en expectativa, garantizando que la incertidumbre sobre el objetivo límite disminuye en promedio.

B. El Oráculo y la Absorción (Lemmas 2 y Corolario 1)
Se introduce un "oráculo" hipotético que conoce el estado de absorción ($\tau$), es decir, sabe si la genealogía actual ya ha alcanzado el valor límite ($K_n = K_\infty$).

• El oráculo tiene una filtración expandida $\mathcal{F}'_n = \sigma(D_n, \tau)$.
• Resultado: El oráculo obtiene garantías de aprendizaje "evento a evento" (en cada paso específico) que el analista no puede acceder. Para el oráculo, una vez absorbido, el aprendizaje es clásico y determinista. El analista, al no saber si ha ocurrido la absorción, debe cargar con la incertidumbre del desajuste y la covarianza.

C. La Brecha Irreducible (Teorema 3)
Este es el resultado más profundo del trabajo. Se demuestra que la diferencia entre la incertidumbre del analista y la del oráculo es irreducible bajo procesos de muestreo estocástico.

• Incluso después de observar todos los tips muestreados, la varianza posterior del analista es estrictamente mayor que la varianza esperada del oráculo.
• Esto establece un límite fundamental sobre lo que los datos de secuencia por sí solos pueden revelar sobre la genealogía latente sin conocer la estructura del proceso subyacente (específicamente, si el objetivo ya se ha estabilizado).
• Ejemplo Práctico (tMRCA): Para el tiempo al ancestro común más reciente (tMRCA), si un conjunto de tips "abarca" (straddles) la raíz del árbol, el tMRCA se fija en la edad de la raíz. El oráculo sabe si esto ha ocurrido; el analista solo tiene una probabilidad de que haya ocurrido. Esta ignorancia sobre el estado de "abarcado" genera una incertidumbre residual que no se puede eliminar solo con más datos de secuencia.

4. Significado e Implicaciones

• Fundamentación Teórica: El trabajo proporciona la primera explicación teórica rigurosa de por qué añadir datos a veces no mejora la inferencia filodinámica. No es un fallo del modelo, sino una propiedad inherente a estimandos que cambian con la muestra (como el tMRCA).
• Límites del Aprendizaje: Establece que existe una barrera fundamental de información. La estructura latente de la genealogía contiene información (el estado de absorción) que es inaccesible para el analista basado únicamente en las secuencias observadas, creando una brecha de incertidumbre que no se puede cerrar.
• Clasificación de Estimandos: La taxonomía de clases de aprendizaje (absorbentes, no absorbentes, monotónicos, etc.) ofrece una herramienta práctica para que los investigadores anticipen el comportamiento de sus estimadores al aumentar el tamaño de la muestra.
• Implicaciones para la Práctica: Sugiere que para estimandos "absorbentes" (como el tMRCA), la mejora en la precisión puede estancarse o comportarse de manera no intuitiva una vez que se ha alcanzado cierta estructura topológica en el árbol, independientemente de la cantidad de secuencias adicionales, debido a la incertidumbre sobre si esa estructura ya se ha alcanzado.

En resumen, Pascall demuestra que la inferencia filodinámica secuencial no es simplemente un proceso de acumulación de información, sino un proceso complejo donde la incertidumbre sobre la estructura del árbol (si ya hemos visto lo suficiente) limita lo que podemos aprender sobre los parámetros, incluso con datos infinitos de secuencias.