Resumen Técnico: Inferencia de Árboles Filogenéticos con Atención Axial Tropical

Planteamiento del Problema

La reconstrucción de árboles filogenéticos es un problema de optimización combinatoria dirigido a inferir relaciones evolutivas a partir de alineamientos múltiples de secuencias (MSA). Aunque existen enfoques estadísticos estándar (por ejemplo, Máxima Verosimilitud, Inferencia Bayesiana) y métodos basados en distancias (por ejemplo, Unión Vecina, Evolución Mínima Balanceada), estos enfrentan desafíos significativos. Los métodos basados en distancias requieren estimar una matriz de distancias por pares y luego proyectarla sobre el espacio de árboles filogenéticos válidos. Este espacio no es una variedad euclidiana suave, sino un subespacio estructurado no euclidiano definido por restricciones poliedrales (específicamente la condición de cuatro puntos y desigualdades ultramétricas).

Las recientes aproximaciones de aprendizaje profundo, como Phyloformer y Phyloformer 2, utilizan arquitecturas transformadoras con atención estándar de producto punto softmax para predecir matrices de distancias directamente a partir de MSAs. Sin embargo, estos modelos operan en el espacio euclidiano y dependen de distribuciones de probabilidad suaves y densas. Los autores argumentan que esta incompatibilidad geométrica falla en capturar la estructura combinatoria y lineal a trozos inherente a las métricas de árboles, lo que conduce a resultados que pueden violar las restricciones de los árboles y tienen dificultades para generalizar bajo cambios de distribución (por ejemplo, cambios en la longitud de la secuencia o modelos evolutivos).

Metodología

El artículo propone una arquitectura neuronal de Atención Axial Tropical diseñada para alinear el sesgo inductivo del modelo con la geometría del espacio de árboles filogenéticos.

1. Fundamento Teórico: Geometría Tropical

La idea teórica central es el isomorfismo entre el espacio de árboles filogenéticos con $n$ especies y la Grasmanniana tropical. El álgebra tropical reemplaza la suma y la multiplicación estándar por $\max$ y suma, respectivamente (el semianillo max-plus).

• Métricas de Árbol: Las métricas de árbol válidas se caracterizan por la condición de cuatro puntos, que involucra operaciones de máximo en lugar de combinaciones lineales.
• Ultramétricas: Los árboles equidistantes enraizados satisfacen la condición ultramétrica, también gobernada por operaciones de máximo.
• Espacio Métrico: Los autores utilizan la métrica proyectiva de Hilbert (métrica tropical) en el espacio cociente $\mathbb{R}^D / \mathbb{R}\mathbf{1}$, que es invariante a desplazamientos aditivos y sensible a la estructura relativa, a diferencia de las métricas euclidianas estándar.

2. Arquitectura del Modelo

El modelo extiende la arquitectura Phyloformer reemplazando la atención softmax estándar con Atención Axial Tropical:

• Procesamiento de Entrada: Los MSAs se codifican en uno caliente (one-hot) y se incrustan. Los pares no ordenados de hojas se concatenan para formar un tensor que representa las relaciones por pares a través de las posiciones de la secuencia.
• Mecanismo de Atención Tropical:
  • Las consultas ($Q$), claves ($K$) y valores ($V$) se calculan mediante proyecciones lineales tropicales (usando $\max$ y $+$) en el semianillo max-plus.
  • Las puntuaciones de atención se calculan utilizando la métrica tropical: $S_{i,j} = -(\max(k_j - q_i) - \min(k_j - q_i))$.
  • La agregación se realiza mediante multiplicación de matrices tropical: $\text{Attn}(Q, K, V)_i = \max_j (S_{i,j} + v_j)$.
  • Esto reemplaza el promediado "suave" del softmax con un mecanismo de selección "agudo" que preserva los límites de decisión lineales a trozos.
• Descomposición Axial: El modelo aplica atención a lo largo de dos ejes: el eje de secuencia (para aprender evidencia de mutación a través de los sitios de alineamiento) y el eje de pares (para aprender relaciones entre pares de hojas, imponiendo restricciones geométricas de árboles).
• Salida: Una proyección feed-forward punto a punto colapsa la dimensión del canal para predecir distancias por pares, seguida de una activación Softplus para asegurar la no negatividad.

3. Funciones de Pérdida

El objetivo de entrenamiento combina tres componentes para imponer tanto precisión como consistencia geométrica:

1. Pérdida $\ell_1$: Mide el error absoluto coordenada a coordenada en el espacio euclidiano ambiente para asegurar la proximidad a la verdad fundamental.
2. Pérdida Simétrica Tropical: Utiliza la métrica proyectiva de Hilbert ($d_{tr}$) para penalizar distorsiones en la geometría tropical, incentivando al modelo a preservar la estructura relativa de las distancias en lugar de solo los valores absolutos.
3. Penalización Ultramétrica: Penaliza las violaciones de la condición ultramétrica (donde las dos distancias más grandes en cualquier tripleta deben ser iguales).

• Estrategia de Entrenamiento: La penalización ultramétrica se activa solo después de las primeras 20 épocas para permitir que el modelo aprenda primero la geometría de distancias gruesa antes de imponer restricciones estrictas de árboles.

Resultados Clave

El modelo fue evaluado frente a Phyloformer y Phyloformer 2 en tres tipos de conjuntos de datos:

1. Simulación Dentro de la Distribución: En datos generados con el mismo proceso de nacimiento-muerte que el conjunto de entrenamiento (variando conteos de hojas $n=10$ a $n=100$), el modelo tropical tuvo un rendimiento competitivo, logrando generalmente resultados entre Phyloformer y Phyloformer 2 en métricas topológicas (Robinson-Foulds) y de longitud de rama.
2. Simulación Fuera de la Distribución (OOD): En datos generados utilizando un proceso de simulación diferente (benchmark PhyML con modelos GTR), el modelo tropical demostró una robustez superior. Logró una precisión topológica comparable a Phyloformer 2 mientras superaba significativamente a ambas líneas base en métricas sensibles a la longitud de rama (distancias RF ponderadas y KF).
3. Conjuntos de Datos Empíricos (DS1–DS11): En datos biológicos del mundo real donde los árboles verdaderos son desconocidos, la evaluación se centró en la consistencia matriz-a-árbol. El modelo tropical produjo matrices de distancias que estaban sustancialmente más cerca (tanto en MAE como en Distancia Tropical) de sus métricas de árbol BME inducidas (Evolución Mínima Balanceada) que los modelos de línea base. Esto indica que el modelo tropical aprende una representación más consistente con la estructura poliedral subyacente del espacio de árboles.

Significado y Afirmaciones

El artículo afirma que la dificultad de la inferencia filogenética no es meramente computacional sino estructural, derivada de la naturaleza no euclidiana y combinatoria del espacio de árboles.

• Sesgo Inductivo Geométrico: La contribución principal es demostrar que reemplazar la atención euclidiana con atención tropical proporciona un marco geométrico natural para la inferencia filogenética. Al alinear las operaciones de la red (max-plus) con las restricciones de las métricas de árboles (condición de cuatro puntos), el modelo aprende representaciones que son inherentemente más consistentes con la topología del árbol.
• Robustez ante Cambios de Distribución: Los resultados sugieren que la atención tropical actúa como un sesgo inductivo robusto, particularmente cuando los modelos se prueban en distribuciones de datos diferentes al conjunto de entrenamiento.
• Consistencia sobre Precisión Pura: Aunque el modelo no supera universalmente a las líneas base en todas las métricas en configuraciones dentro de la distribución, produce consistentemente resultados que son más coherentes con la definición matemática de una métrica de árbol. Esto es particularmente valioso para tareas posteriores donde la validez de la matriz de distancias es crítica.

Los autores concluyen que la atención axial tropical ofrece un enfoque principiado para la inferencia filogenética neuronal, cerrando la brecha entre las arquitecturas de aprendizaje profundo y la geometría algebraica de los árboles evolutivos.