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

Resumen Técnico: PhylaFlow – Emparejamiento de Flujos Híbrido en el Espacio de Árboles Billera–Holmes–Vogtmann

Planteamiento del Problema
La inferencia filogenética es fundamentalmente un problema de optimización híbrido: implica una optimización continua sobre las longitudes de las ramas y una búsqueda discreta sobre las topologías de los árboles. Los métodos bayesianos tradicionales, como el Muestreo de Cadenas de Markov Monte Carlo (MCMC) implementado en MrBayes, a menudo luchan con los períodos de "calentamiento" (burn-in) donde las cadenas gastan recursos computacionales excesivos explorando regiones de baja probabilidad del espacio de árboles antes de descubrir cuencas relevantes para la distribución posterior. Esto es particularmente desafiante porque el espacio de los árboles filogenéticos no es puramente euclidiano; los cambios topológicos ocurren mediante contracciones y expansiones discretas de aristas, mientras que las longitudes de las ramas varían continuamente. El espacio de árboles Billera–Holmes–Vogtmann (BHV) proporciona una geometría canónica para esta estructura, representando cada topología como un ortante euclidiano y las transiciones topológicas como movimientos a través de límites compartidos de dimensión inferior. Sin embargo, los enfoques neuronales existentes a menudo intentan reemplazar por completo el MCMC con aproximaciones variacionales o generan árboles individuales de alta puntuación sin aprender la dinámica de transporte continuo-discreto requerida para navegar eficazmente la geometría del BHV.

Metodología
Los autores introducen PhylaFlow, un modelo de emparejamiento de flujos híbrido diseñado para aprender el "transporte de cuencas posteriores" dentro del espacio de árboles BHV. En lugar de reemplazar la inferencia bayesiana, PhylaFlow actúa como un inicializador amortizado y un mecanismo de propuesta que transporta árboles de partida arbitrarios hacia regiones respaldadas por la distribución posterior.

• Formulación Geométrica: El modelo opera dentro del espacio métrico BHV. Trata la tarea de inferencia como un problema de transporte óptimo, aprendiendo un mapa que empuja hacia adelante muestras desde una distribución base (árboles de partida aleatorios) hacia una aproximación de la distribución posterior objetivo.
• Arquitectura Híbrida: PhylaFlow emplea un transformador de grafos para procesar estados de árboles (topología y longitudes de las ramas) condicionados a incrustaciones de secuencias y tiempo. La arquitectura utiliza tres cabezas distintas para manejar la naturaleza híbrida del espacio:
  1. Cabeza de Velocidad: Predice velocidades continuas de longitudes de ramas dentro de una topología fija (ortante), modelando el movimiento mediante un campo vectorial dependiente del tiempo.
  2. Cabeza de Primer Impacto: Predice qué aristas internas se contraerán a cero primero, identificando el siguiente evento de límite donde un cambio topológico es inminente.
  3. Cabeza de Topología: Un módulo autoregresivo que resuelve la politomía resultante (árbol no resuelto) después de un colapso de límite en una nueva topología válida, prediciendo una secuencia de acciones de subconjuntos estructurados.
• Objetivo de Entrenamiento: El modelo se entrena sobre geodésicas supervisadas del BHV que conectan árboles de partida aleatorios con árboles objetivo muestreados de una posterior de ejecución corta. La función de pérdida combina el emparejamiento de flujos continuo (para longitudes de ramas), clasificación binaria (para eventos de colapso de aristas) y entropía cruzada autoregresiva (para transiciones topológicas).
• Inferencia y Refinamiento: En la inferencia, PhylaFlow genera árboles candidatos a partir de inicios aleatorios. Estos árboles se utilizan luego para inicializar cadenas estándar de MrBayes para un refinamiento basado en verosimilitud. Los autores también proponen una variante PhylaFlow-MCMC, donde la estructura de divisiones aprendida por PhylaFlow se utiliza para sesgar las propuestas locales de Intercambio de Vecinos Más Cercanos (NNI) durante la ejecución del MCMC, guiando la cadena hacia divisiones respaldadas por la posterior.

Contribuciones Clave

1. Emparejamiento de Flujos Híbrido en el Espacio BHV: El artículo demuestra que los modelos de transporte neuronal pueden aprender movimientos significativos a través de la geometría híbrida del espacio de árboles, acoplando la evolución continua de las longitudes de las ramas con transiciones topológicas discretas.
2. Inicialización Amortizada: PhylaFlow proporciona un mecanismo de propuesta consciente de la geometría que reduce significativamente la distancia (medida por Tree-KL) entre árboles de partida aleatorios y cuencas relevantes para la posterior antes de que ocurra cualquier refinamiento basado en verosimilitud.
3. Refinamiento Guiado por Divisiones: El trabajo introduce un método para utilizar la geometría posterior aprendida para guiar las propuestas del MCMC, mejorando el rendimiento en casos "difíciles" donde los movimientos locales estándar luchan por escapar de cuencas subóptimas.
4. Condicionamiento por Secuencia: Los autores muestran que el proceso de transporte puede condicionarse a incrustaciones de secuencias (incrustaciones Phyla), permitiendo que el modelo dirija el transporte hacia estructuras de divisiones específicas del conjunto de datos, aunque la recuperación exacta de la topología en un entorno conjunto sigue siendo preliminar.

Resultados
Evaluado en ocho conjuntos de datos de referencia (DS1–DS8) que abarcan diversos regímenes evolutivos, PhylaFlow demuestra mejoras sustanciales sobre las líneas base estándar:

• Calidad Inicial: Antes del refinamiento MCMC, PhylaFlow logra el Tree-KL inicial más bajo (divergencia de la posterior de ejecución larga) en los ocho conjuntos de datos en comparación con inicializadores aleatorios, de máxima parsimonia, de máxima verosimilitud (IQ-TREE) y basados en UShER.
• Eficiencia de Refinamiento: Después del refinamiento de MrBayes con presupuesto finito (100k generaciones), la inicialización directa de PhylaFlow supera a otros métodos no guiados en cinco de los ocho conjuntos de datos.
• Rendimiento en Casos Difíciles: La variante PhylaFlow-MCMC, que utiliza divisiones aprendidas para guiar las propuestas, logra el Tree-KL final mejor en los conjuntos de datos más difíciles (DS3, DS5, DS6, DS7), superando significativamente tanto a las líneas base estándar como a controles neuronales fuertes como PhyloGFN bajo el mismo presupuesto computacional.
• Comparación con Controles: PhylaFlow supera a las líneas base de calentamiento corto en siete de los ocho conjuntos de datos y a PhyloGFN en cinco de los ocho conjuntos de datos. Aunque PhyloGFN es un muestreador fuerte entrenado por verosimilitud, PhylaFlow ofrece un camino más eficiente computacionalmente hacia una geometría posterior útil, con tiempos de configuración generalmente más bajos que PhyloGFN en conjuntos de datos más grandes.
• Plausibilidad de Verosimilitud: Los árboles generados mantienen perfiles de verosimilitud plausibles, lo que indica que el modelo aprende una estructura posterior reutilizable en lugar de simplemente producir árboles aislados de alta puntuación.

Significado y Afirmaciones
El artículo afirma que PhylaFlow proporciona un ejemplo temprano de modelado diferenciable y consciente de la geometría para la inferencia filogenética. Su significado principal radica en demostrar que el transporte accionable en el espacio de árboles BHV es aprendible. Los autores posicionan a PhylaFlow no como un reemplazo para la inferencia bayesiana, sino como un mecanismo complementario que mejora la eficiencia del descubrimiento de cuencas posteriores. Al aprender el "movimiento" a través del espacio de árboles, el modelo reduce el tiempo de calentamiento requerido para que las cadenas MCMC alcancen regiones de alta posterior. Los resultados sugieren que el emparejamiento de flujos híbrido puede capturar una geometría posterior accionable, ofreciendo un nuevo paradigma para inicializar y guiar la inferencia filogenética que respeta la estructura combinatoria-continua intrínseca del espacio de árboles. Los autores permanecen modestos respecto a los experimentos condicionados por secuencia, señalando que, aunque las incrustaciones pueden dirigir la recuperación de divisiones, la recuperación exacta de la topología posterior en un entorno conjunto y cruzado entre conjuntos de datos sigue siendo preliminar.