Bayesian Credible Sets for Phylogenetic Tree Topologies with Applications to Coverage Analysis and Cross-Model Comparison

Cet article présente des algorithmes efficaces pour construire des ensembles crédibles bayésiens de topologies d'arbres phylogénétiques en utilisant des distributions de clades conditionnels (CCD), permettant l'estimation des niveaux de crédibilité pour les arbres et sous-arbres individuels tout en fournissant de nouveaux outils pour la validation des modèles et l'analyse de couverture dans des espaces d'arbres complexes.

L'essentiel

Le Grand Problème : Trouver une Aiguille dans une Botte de Foin

Imaginez que vous essayez de reconstituer l'arbre généalogique d'un groupe d'animaux (comme des chats, des chiens et des lions) à partir de leur ADN. Dans le monde scientifique, cela s'appelle la phylogénie bayésienne. Les scientifiques utilisent une méthode informatique puissante (appelée MCMC) pour exécuter des milliers de simulations et deviner à quoi ressemble le « vrai » arbre généalogique.

Pour des choses simples, comme estimer la vitesse moyenne d'une voiture, c'est facile. Vous obtenez un tas de chiffres et vous pouvez dire : « Nous sommes sûrs à 95 % que la vitesse se situe entre 80 et 100 km/h. » Cela s'appelle un Intervalle de Crédibilité.

Mais pour les arbres généalogiques, c'est beaucoup plus difficile.

• La Botte de Foin : Le nombre d'arbres généalogiques possibles est astronomiquement énorme. Si vous avez 50 animaux, le nombre d'arbres possibles est plus grand que le nombre d'atomes dans l'univers.
• Les Aiguilles : Lorsque les scientifiques lancent leurs simulations, ils ne trouvent généralement qu'une poignée minuscule d'arbres. Dans les cas difficiles, chaque arbre qu'ils trouvent est unique (aucun deux ne sont identiques).
• L'Ancienne Méthode : Auparavant, les scientifiques tentaient de construire une « zone de sécurité à 95 % » en comptant simplement la fréquence à laquelle ils voyaient des arbres spécifiques. Si un arbre n'apparaissait jamais dans leurs 10 000 simulations, l'ancienne méthode disait : « Cet arbre a 0 % de chances d'être réel. » C'est un gros problème car le vrai arbre pourrait être celui qu'ils viennent de manquer.

La Solution : Une Carte Intelligente (CCD)

Les auteurs, Jonathan Klawitter et Alexei Drummond, ont créé une nouvelle façon de résoudre ce problème. Au lieu de simplement compter les arbres qu'ils ont trouvés, ils ont construit une carte intelligente de toute la forêt des possibilités.

Ils appellent cette carte une Distribution Conditionnelle des Clades (CCD).

• L'Analogie : Imaginez que vous essayez de décrire une ville. Au lieu de lister chaque maison individuelle (ce qui est impossible), vous listez les quartiers (clades) et les rues qui les relient (splits).
• Comment ça marche : La carte suppose que si vous savez comment un petit groupe d'animaux est apparenté (un « clade »), vous pouvez prédire comment ils s'intègrent dans le tableau d'ensemble sans avoir besoin de connaître les détails exacts de l'arbre entier. En combinant ces petits morceaux fiables, la carte peut estimer la probabilité de millions d'arbres, même ceux que l'ordinateur n'a jamais visités en réalité.

Les Nouveaux Outils : Ensembles de Crédibilité pour les Arbres

En utilisant cette carte intelligente, les auteurs ont développé trois nouvelles façons de trouver la « zone de sécurité à 95 % » (l'Ensemble de Crédibilité) pour les formes d'arbres :

1. La Méthode de Fréquence (L'Ancienne Façon) : Comptez simplement les arbres que vous avez vus. Problème : Si vous avez manqué le vrai arbre, vous ne pouvez pas le trouver.
2. La Méthode de Probabilité (La Nouvelle Façon) : Utilisez la carte intelligente pour estimer la probabilité de n'importe quel arbre. Vous tirez 10 000 arbres de la carte, vous les triez par ordre de probabilité, et vous tracez une ligne au niveau des 95 % les plus probables. Cette ligne devient votre « zone de sécurité ».
3. La Méthode Clade/Split (La Nouvelle Façon) : C'est l'outil le plus unique. Au lieu de regarder uniquement les arbres entiers, il examine les branches (clades). Il demande : « Quelles branches sont si improbables que nous devrions les éliminer de notre carte ? » En élaguant les branches les moins probables, il crée une carte plus petite et plus épurée qui contient toujours 95 % de la probabilité.

Pourquoi Cela Compte : Vérifier le Travail

Les auteurs n'ont pas seulement construit ces outils ; ils les ont testés pour voir s'ils fonctionnent correctement.

• Le Test « Course Dorée » : Ils ont créé de fausses données où ils connaissaient la vraie réponse exacte. Ils ont exécuté leurs nouveaux outils et vérifié : « Notre zone de sécurité à 95 % incluait-elle réellement l'arbre vrai ? »
  • Résultat : L'ancienne méthode de fréquence a échoué lamentablement sur des données complexes (elle a manqué l'arbre vrai). Les nouvelles méthodes CCD étaient beaucoup meilleures pour attraper l'arbre vrai.
• Le Test « Uniformité » : Ils ont vérifié si leurs outils étaient honnêtes. S'ils disent « 95 % », l'arbre vrai apparaît-il 95 % du temps ?
  • Résultat : Les cartes les plus complexes (CCD1 et CCD2) étaient très honnêtes et précises. La carte la plus simple (CCD0) était un peu trop simpliste et a manqué le coup.

Application Réelle : Résoudre des Désaccords

Les auteurs ont utilisé leurs nouveaux outils pour trancher un débat scientifique. Ils ont examiné trois groupes différents (poulpes, une enzyme spécifique et des langues anciennes) et ont demandé : « Est-ce que cela change quelque chose si nous supposons que l'évolution s'est produite lentement et régulièrement, ou si elle s'est produite par saccades soudaines ? »

• L'Ancienne Façon : Vous pourriez regarder les deux arbres résultants et dire : « Ils semblent différents ! »
• La Nouvelle Façon : Ils ont placé l'arbre « lent » à l'intérieur de la carte « saccadée » et ont demandé : « Cet arbre est-il une possibilité probable ? »
• La Réponse : Oui ! Bien que les arbres semblent différents, l'arbre « lent » se trouvait toujours dans la zone de sécurité à 95 % de la carte « saccadée ». Cela signifie que la différence n'était pas statistiquement significative. Les nouveaux outils leur ont permis de dire : « Les données soutiennent les deux idées », plutôt que de simplement en choisir une.

Résumé

• Le Problème : Compter les arbres ne fonctionne pas lorsqu'il y a trop d'arbres uniques pour les compter.
• La Solution : Construire une carte intelligente (CCD) qui comprend les règles de construction des arbres, nous permettant d'estimer les probabilités pour des arbres que nous n'avons jamais vus.
• L'Avantage : Nous pouvons maintenant créer des « zones de sécurité » précises pour les formes d'arbres, vérifier si nos modèles informatiques fonctionnent correctement et trancher des débats scientifiques sur la question de savoir si différentes formes d'arbres sont réellement différentes ou simplement du bruit aléatoire.

Les auteurs ont rendu leur code disponible gratuitement afin que d'autres scientifiques puissent utiliser ces nouveaux outils pour obtenir des réponses plus fiables concernant l'arbre de la vie.

Résumé technique

Résumé technique : Ensembles crédibles bayésiens pour les topologies d'arbres phylogénétiques

Énoncé du problème
En inférence phylogénétique bayésienne, les intervalles et ensembles crédibles sont des outils standards pour quantifier l'incertitude des paramètres continus (par exemple, les taux de substitution, les taux d'horloge). Cependant, définir des ensembles crédibles analogues pour les topologies d'arbres discrètes reste un défi majeur. L'espace des topologies d'arbres croît de manière super-exponentielle avec le nombre de taxons, et pour des jeux de données présentant des distributions a posteriori diffuses, les échantillons de la chaîne de Markov Monte Carlo (MCMC) consistent souvent en des arbres uniques sans topologies répétées. Les approches traditionnelles basées sur la fréquence, qui classent les arbres échantillonnés par leur fréquence de visite, deviennent inadéquates dans ces scénarios car elles ne peuvent attribuer de probabilités aux arbres non échantillonnés et échouent à capturer la masse a posteriori réelle lorsque le mode n'est pas échantillonné. De plus, les ensembles de confiance fréquentistes (par exemple, via les tests SH ou AU) ne fournissent pas de distribution de probabilité sur les topologies et sont fondamentalement différents des ensembles crédibles bayésiens.

Méthodologie
Les auteurs proposent de nouvelles méthodes pour estimer les niveaux de crédibilité pour les topologies d'arbres individuelles et pour construire des ensembles crédibles en utilisant des distributions d'arbres traitables, spécifiquement les Distributions Conditionnelles de Clades (CCD) et les Graphes Acycliques Dirigés de Sous-clivages (sDAG). Ces modèles supposent une indépendance entre les clades ou les clivages de clades pour représenter de manière compacte un vaste nombre d'arbres.

L'article introduit trois approches principales pour construire des ensembles crédibles :

1. Ensembles crédibles basés sur la fréquence : La méthode de référence où les arbres d'un échantillon MCMC sont triés par fréquence, et un ensemble est formé en accumulant des arbres jusqu'à atteindre une masse de probabilité cible ($\alpha$). Cette méthode est limitée aux arbres échantillonnés.
2. Ensembles crédibles basés sur la probabilité : Une nouvelle méthode qui échantillonne des arbres à partir d'un modèle CCD ajusté. Elle établit un seuil de probabilité ($p_j$) tel que tout arbre ayant une probabilité $\ge p_j$ est inclus dans l'ensemble crédible $\alpha$. Cela permet d'attribuer des niveaux de crédibilité aux arbres non échantillonnés représentables par le CCD.
3. Ensembles crédibles basés sur les clades et les clivages de clades (CCD crédibles) : Un concept novateur où un CCD crédible $\alpha$ est défini comme un sous-graphe du graphe CCD original contenant au moins une masse de probabilité $\alpha$ avec le moins de clades ou de clivages de clades.
   • Construction : Pour le CCD0, l'algorithme retire itérativement le clade ayant la probabilité de modèle la plus faible jusqu'à ce que la masse restante égale la cible. Pour le CCD1 et le CCD2, le processus retire les clivages de clades et propage la renormalisation de la probabilité vers le haut pour maintenir la cohérence.
   • Sortie : Cette méthode produit un « CCD crédible », une distribution complète et traitable à partir de laquelle des arbres peuvent être échantillonnés et qui attribue des niveaux de crédibilité aux clades et clivages individuels, et non pas seulement aux arbres entiers.

Les auteurs fournissent des algorithmes pour calculer efficacement ces ensembles, déterminer le niveau de crédibilité d'arbres ou de sous-arbres spécifiques, et effectuer des vérifications de containment. Ils introduisent également un cadre pour la Validation d'Uniformité des Rangs (RUV) et les graphiques de Fonction de Distribution Cumulative Empirique (ECDF) spécifiquement pour les topologies d'arbres, étendant l'analyse de couverture standard (généralement utilisée pour les paramètres continus) aux espaces d'arbres discrets.

Contributions clés

• Méthodes d'estimation novatrices : Introduction d'algorithmes efficaces pour estimer le niveau de crédibilité des topologies d'arbres individuelles en utilisant des modèles CCD, surmontant les limites des méthodes basées sur la fréquence dans les distributions a posteriori diffuses.
• Concept de CCD crédible $\alpha$ : Définition et construction d'un « CCD crédible », une distribution élaguée qui encapsule une masse de probabilité spécifique tout en conservant la capacité d'échantillonner et d'évaluer des sous-composantes (clades/clivages).
• Cadre de validation : Adaptation des études de simulation bien calibrées (WCSS) aux topologies d'arbres, permettant l'utilisation de graphiques ECDF et de la validation d'uniformité des rangs pour évaluer l'ajustement du modèle et la couverture pour les topologies d'arbres, et non seulement pour les paramètres continus.
• Implémentation logicielle : Une implémentation open-source de ces méthodes est fournie dans le package CCD pour BEAST2.

Résultats
Les méthodes ont été évaluées sur des jeux de données simulés (modèles Yule et Coalescent avec des tailles de taxons variables) et des jeux de données empiriques (Céphalopodes, aaRS, langues indo-européennes).

• Comparaison des méthodes : Sur des jeux de données « triviaux » avec des distributions a posteriori étroites, toutes les méthodes ont performé de manière similaire. Cependant, sur des jeux de données avec des distributions a posteriori diffuses, les ensembles crédibles basés sur la probabilité dérivés des modèles CCD1 et CCD2 ont démontré une sensibilité et une spécificité supérieures par rapport aux méthodes basées sur la fréquence et aux méthodes basées sur le CCD0. Le CCD1 et le CCD2 ont mieux capturé la forme de la distribution a posteriori que le CCD0 plus simple.
• Évaluation du modèle : Dans les études de simulation bien calibrées (WCSS), les méthodes basées sur la fréquence ont échoué à contenir l'arbre vrai dans les grands jeux de données (attribuant des niveaux de crédibilité à l'arbre vrai dans seulement ~10 % des réplicats). Les méthodes basées sur le CCD1 ont montré une bonne calibration (courbes ECDF dans les intervalles de confiance à 95 %) pour les petits jeux de données, tandis que le CCD2 a montré une légère sous-estimation pour les grands jeux de données, probablement dû aux exigences élevées en données pour l'estimation des paramètres. Le CCD0 a systématiquement sous-estimé le niveau de crédibilité de l'arbre vrai, suggérant qu'il aplatit trop le paysage de probabilité.
• Comparaison inter-modèles : Les méthodes ont été appliquées pour comparer les distributions a posteriori sous des modèles d'horloge graduelle vs graduelle + abrupte. Bien que les arbres du Maximum A Posteriori (MAP) aient différé significativement en topologie, ils se situaient bien à l'intérieur des ensembles crédibles du modèle opposé (faibles niveaux de crédibilité), indiquant que les différences topologiques n'étaient pas statistiquement significatives compte tenu de l'incertitude a posteriori.

Signification et affirmations
Les auteurs affirment que leurs méthodes constituent une avancée nécessaire pour la phylogénétique bayésienne en permettant une quantification rigoureuse de l'incertitude pour les topologies d'arbres dans des scénarios où le comptage fréquentiel traditionnel échoue. En tirant parti de la structure d'indépendance des CCD, ces méthodes permettent aux chercheurs de :

1. Attribuer des niveaux de crédibilité aux arbres non échantillonnés.
2. Conduire des tests d'hypothèse ciblés sur des clades ou des clivages spécifiques, et non seulement sur des arbres entiers.
3. Effectuer des analyses de couverture et une validation d'uniformité des rangs pour les topologies d'arbres, complétant les analyses standard pour les paramètres continus.

L'article note modestement que la qualité de ces ensembles crédibles est limitée par la qualité du modèle CCD sous-jacent. Plus précisément, les hypothèses d'indépendance des CCD peuvent être violées par de fortes corrélations entre des clades distants, et les modèles actuels n'intègrent pas d'informations temporelles, ce qui peut expliquer une performance réduite sur les données horodatées. Les auteurs suggèrent que, bien que le CCD1 et le CCD2 soient prometteurs, les travaux futurs devraient se concentrer sur l'intégration de données temporelles et le raffinement des directives de sélection de modèles.