Identifiability of phylogenetic networks and quintet concordance factors

Resumen Técnico: Identificabilidad de Redes Filogenéticas y Factores de Concordancia de Quintetos

Planteamiento del Problema
Las redes filogenéticas son cada vez más necesarias para modelar historias evolutivas que involucran hibridación, mezcla y flujo génico lateral, los cuales violan los supuestos de los modelos de árboles estándar. Sin embargo, inferir estas redes es computacionalmente y estadísticamente desafiante. Un prerrequisito fundamental para cualquier método de inferencia es la identificabilidad: la capacidad de determinar de manera única las características de la red (como la ubicación de la raíz, las estructuras de ciclos y los nodos híbridos) a partir de la distribución de los datos generados por el modelo.

Mientras que el uso de los Factores de Concordancia (CF) de cuartetos—frecuencias de relaciones topológicas de 4 taxones en árboles de genes—ha facilitado la inferencia bajo el modelo del Coalescente Multiespecie de Red (NMSC), este sufre de problemas conocidos de no identificabilidad. Específicamente, los CF de cuartetos no pueden identificar la ubicación de la raíz de una red ni ciertas características de ciclos pequeños (por ejemplo, la presencia de 2-ciclos o el nodo híbrido específico dentro de 3-ciclos o 4-ciclos). Los autores postulan que los CF de quintetos (frecuencias de relaciones de 5 taxones) pueden resolver estas ambigüedidades, ya que se ha demostrado que identifican las ubicaciones de la raíz en árboles filogenéticos. Sin embargo, la complejidad algebraica de computar los CF de quintetos para redes ha dificultado un estudio sistemático de sus propiedades de identificabilidad.

Metodología
El artículo emplea una combinación de desarrollo algorítmico, computación simbólica y geometría algebraica para investigar la identificabilidad de las redes filogenéticas de nivel 1 utilizando CF de quintetos.

1. Algoritmo Simbólico para el Cálculo de CF:
   Los autores desarrollan un nuevo algoritmo recursivo para calcular fórmulas simbólicas para la probabilidad de cualquier árbol de genes no enraizado (o subárbol de $m$-taxones) bajo el modelo NMSC.

   • A diferencia de métodos anteriores que enumeran todas las historias de coalescencia (lo cual es computacionalmente inviable para la derivación simbólica), este algoritmo reduce la red y el árbol de genes considerando historias de coalescencia parciales dentro de bordes individuales.
   • Maneja tanto bordes de árbol como bordes híbridos. Para los bordes híbridos, "divide" recursivamente el nodo híbrido basándose en la partición de los linajes descendientes que entran en cada borde parental, ponderada por los parámetros de hibridación ($\lambda$).
   • El algoritmo transforma las longitudes de los bordes en probabilidades de borde ($x = e^{-\ell}$), asegurando que los CF resultantes sean funciones polinómicas de los parámetros.
   • Este algoritmo está implementado en Macaulay2, lo que permite la generación de parametrizaciones simbólicas para redes arbitrarias.

2. Marco Algebraico para la Identificabilidad:
   Los autores tratan el mapa de parámetros de la red a los CF como un mapa polinomial. Analizan los ideales evanescentes ($I_N$) y las variedades algebraicas ($V_N$) asociados con estos mapas.

   • Dos redes son genéricamente distinguibles si sus variedades asociadas difieren.
   • Dado que el cálculo de bases de Gröbner completas para polinomios de alto grado es a menudo inviable, los autores utilizan matroides algebraicas para distinguir variedades cuando no se pueden calcular los ideales completos.
   • Emplean técnicas de homogeneización y parametrización implícita multigraduada para calcular invariantes de bajo grado (hasta grado 4) y verificar la primalidad y la dimensión para confirmar cuándo se han encontrado los ideales completos.

3. Alcance del Análisis:
   El estudio se centra en redes de nivel 1, binarias, enraizadas y de 5 taxones sin 2-ciclos. La exclusión de 2-ciclos es necesaria porque su inclusión resultaría en un número infinito de topologías de red para 5 taxones. El análisis cubre todas las posibles "árboles de blobs" (la estructura de árbol subyacente de la red) para 5 taxones.

Contribuciones Clave

• Nuevo Algoritmo: Un algoritmo recursivo y simbólico para calcular los Factores de Concordancia de $m$-tet en redes filogenéticas arbitrarias bajo el NMSC, implementado en Macaulay2.
• Clasificación Sistemática: Una clasificación exhaustiva de las variedades algebraicas generadas por los CF de quintetos para las 190 redes de nivel 1 enraizadas de 5 taxones (excluyendo 2-ciclos).
• Resultados de Identificabilidad: Una caracterización detallada de qué características de la red se vuelven identificables al pasar de cuartetos a quintetos.

Resultados
Los resultados computacionales arrojan declaraciones de identificabilidad específicas para diferentes topologías de red:

• Árbol de Blobs (Totalmente Resuelto):

  • Los CF de quintetos pueden determinar la presencia de un 3-ciclo en el vértice central del árbol de blobs.
  • Si existe un 3-ciclo central, la presencia de 3-ciclos adicionales en las posiciones de "cherry" (adyacentes a pares de taxones específicos) no puede determinarse.
  • La ubicación de la raíz es generalmente identificable, excepto cuando la raíz se encuentra dentro de un "cluster" (un 3-ciclo y sus bordes colgantes) donde la posición exacta de la raíz dentro de ese cluster no puede distinguirse.
  • Los nodos híbridos dentro de 3-ciclos no son generalmente identificables, excepto por las restricciones impuestas por la ubicación de la raíz.

• Árbol de Blobs (4-multifurcación):

  • El nodo híbrido de un 4-ciclo es identificable.
  • La ubicación de la raíz es identificable en muchos casos, aunque persiste cierta ambigüedad cuando la raíz se encuentra en un cluster que contiene un 3-ciclo.
  • La presencia de un 3-ciclo en un cluster específico solo es detectable si la raíz se encuentra dentro de dicho cluster.
  • Nota: Para ciertas ubicaciones de la raíz en el 4-ciclo, los autores encontraron evidencia numérica (vía conjuntos de testigos pseudo y continuación de homotopía) que sugiere distinguibilidad, pero no pudieron proporcionar una prueba algebraica rigurosa debido al alto grado de invariantes faltantes (grados 13, 29 o 62).

• Árbol de Blobs (5-multifurcación):

  • Tanto la raíz de la red como las ubicaciones de los nodos híbridos son identificables.

Significancia y Reivindicaciones
El artículo afirma que los CF de quintetos proporcionan estrictamente más información que los CF de cuartetos respecto a la ubicación de la raíz y las estructuras de ciclos pequeños (específicamente 3-ciclos) en redes de nivel 1.

• Fundamento para la Inferencia: Los autores enfatizan que la identificabilidad es un prerrequisito necesario para la consistencia estadística. Al establecer qué características son identificables, este trabajo sienta las bases teóricas para futuros métodos de inferencia que utilicen CF de quintetos.
• Limitaciones: Los autores son modestos en sus afirmaciones, señalando que:
  • Los resultados son específicos para redes de nivel 1, de 5 taxones y sin 2-ciclos.
  • Algunos resultados de no identificabilidad se basan en invariantes de bajo grado y en matroides en lugar de cálculos de ideales completos, lo que significa que reflejan la indistinguibilidad con respecto a las relaciones algebraicas actualmente conocidas, más que pruebas definitivas de equivalencia.
  • El estudio no aborda los 2-ciclos, que serán objeto de trabajos futuros, ya que su inclusión crea una clase infinita de redes.
  • El análisis se centra en la distinguibilidad algebraica; las restricciones semialgebraicas (desigualdades) requeridas para la identificabilidad de parámetros reales no se exploran completamente.

En resumen, el trabajo demuestra que, si bien los quintetos resuelven varias ambigüedades inherentes a los métodos basados en cuartetos (particularmente respecto a la colocación de la raíz), no eliminan todos los problemas de identificabilidad, especialmente en lo que respecta a la ubicación precisa de las raíces dentro de clusters de ciclos complejos.