Sequential learning theory for Markov genealogy processes

Cet article présente un cadre basé sur les filtrations pour analyser comment l'ajout de taxons améliore l'inférence phylodynamique, en décomposant la réduction de variance attendue et en établissant une limite fondamentale sur ce que les données de séquence peuvent révéler sur la généalogie latente en raison de l'écart irréductible entre un analyste et un oracle.

L'essentiel

🌳 Le mystère de l'arbre généalogique : Pourquoi ajouter plus de données ne garantit pas toujours de mieux comprendre

Imaginez que vous êtes un détective privé chargé de reconstruire l'histoire d'une famille (un virus, une espèce animale, etc.) en utilisant uniquement des échantillons d'ADN. C'est ce qu'on appelle la phylogénétique.

La question centrale de ce papier est simple : « Si j'ajoute un nouvel échantillon (un nouveau membre de la famille) à mon analyse, est-ce que je vais forcément mieux comprendre l'histoire ? »

La réponse intuitive serait « Oui, plus on a de preuves, mieux c'est ». Mais dans la réalité, les scientifiques ont remarqué que parfois, ajouter un nouvel échantillon rend les choses plus floues, plus confuses, ou même pire. Ce papier explique pourquoi cela arrive et quand cela arrive.

Voici les idées clés, expliquées avec des métaphores :

1. Le jeu de la « Boîte Noire » et le Fil d'Ariane

Les chercheurs utilisent un cadre mathématique appelé « filtrage ». Imaginez que vous essayez de reconstituer un puzzle, mais vous ne pouvez pas voir l'image finale. Vous recevez les pièces une par une, dans un ordre aléatoire.

• L'ordre compte : L'ordre dans lequel vous recevez les pièces (les séquences d'ADN) change votre perception de l'image en cours de route.
• La cible bouge : Si vous essayez de deviner la date de naissance du grand-père (un paramètre fixe), chaque nouvelle pièce vous rapproche de la vérité. Mais si vous essayez de deviner la date de naissance du membre le plus récent de la famille (qui change à chaque fois que vous ajoutez quelqu'un), la cible elle-même bouge ! C'est comme essayer de viser une cible qui se déplace pendant que vous tirez.

2. Les trois ingrédients de la confusion

Le papier décompose pourquoi l'ajout d'un nouvel échantillon change notre incertitude en trois ingrédients :

1. L'Apprentissage (Learning) : C'est la bonne nouvelle. La nouvelle pièce vous donne de l'information réelle.
2. Le Décalage (Mismatch) : C'est le problème. La pièce que vous venez d'ajouter pourrait vous faire réaliser que votre estimation précédente de la « cible en mouvement » était complètement fausse. Vous devez recalculer tout le tableau.
3. La Corrélation : C'est la façon dont ces deux effets interagissent. Parfois, le fait de corriger votre erreur sur la cible annule le gain d'information.

L'analogie du voyage :
Imaginez que vous conduisez vers une ville inconnue (la vérité).

• L'apprentissage, c'est quand vous voyez un panneau routier qui vous dit « Vous êtes à 10 km ».
• Le décalage, c'est quand vous réalisez soudainement que vous aviez mal compris la carte et que vous n'étiez pas sur la bonne route.
• Parfois, le fait de réaliser que vous êtes sur la mauvaise route (décalage) vous fait paniquer et perdre plus de temps que le panneau ne vous en a fait gagner.

3. Le concept d'« Absorption » : Quand on a trouvé la réponse

Certains types de questions ont une propriété spéciale appelée « absorption ».

• Exemple : Imaginez que vous cherchez l'âge du plus vieil ancêtre commun de tous les membres de la famille.
• Une fois que vous avez trouvé deux membres qui descendent de deux branches différentes de l'arbre, vous savez immédiatement que l'ancêtre commun est au moins aussi vieux que le point où ces branches se rejoignent. Ajouter d'autres membres de la même branche ne changera plus cette date limite.
• C'est comme si vous aviez trouvé la clé de la porte : une fois la porte ouverte, ajouter d'autres clés ne change rien à l'état de la porte.

4. Le Dilemme du « Oracle » vs l'Analyste

C'est le point le plus fascinant du papier.

• L'Analyste (Vous) : Vous voyez les pièces du puzzle une par une. Vous ne savez pas si vous avez déjà trouvé la réponse finale ou si vous êtes encore en train de chercher. Vous devez garder une marge de doute.
• L'Oracle : Imaginez un dieu qui regarde le puzzle complet d'un coup d'œil. Il sait exactement si, à l'étape actuelle, vous avez déjà trouvé la réponse définitive (l'état d'« absorption »).

Le résultat choc :
L'Oracle a toujours moins d'incertitude que vous, même après avoir vu toutes les pièces. Pourquoi ?
Parce que vous, l'analyste, vous ne savez pas si vous avez déjà atteint la vérité. Vous devez continuer à vous poser des questions : « Est-ce que j'ai assez de preuves ? Est-ce que je suis bloqué ? ». Cette ignorance de votre propre statut crée une incertitude supplémentaire que l'Oracle n'a pas.

5. La limite fondamentale

Le papier conclut avec une vérité un peu triste mais importante : Il y a une limite à ce que l'on peut apprendre uniquement avec les données.

Même si vous avez toutes les séquences d'ADN disponibles, vous ne pourrez jamais atteindre la certitude absolue d'un Oracle qui connaît la structure cachée de l'arbre généalogique. Il existe un « fossé » (un écart) entre ce que vous savez et ce que la réalité est, et ce fossé ne peut pas être comblé juste en ajoutant plus de données. C'est une limite fondamentale de la science basée sur l'échantillonnage.

En résumé

Ce papier nous dit que :

1. Ajouter des données n'est pas toujours une bonne chose si la question que vous posez change avec les données.
2. Parfois, on peut être « bloqué » dans une situation où l'on ne sait pas si on a déjà trouvé la réponse.
3. Cette ignorance de notre propre état de connaissance crée une incertitude inévitable.
4. Il y a une barrière invisible : on ne pourra jamais savoir tout ce qu'il y a à savoir sur l'histoire cachée d'une famille juste en regardant ses membres actuels.

C'est une étude profonde sur les limites de notre capacité à comprendre le passé à partir du présent.

Résumé technique

Voici un résumé technique détaillé de l'article "Sequential learning theory for Markov genealogy processes" de David J. Pascall, présenté en français.

1. Problématique

En inférence phylodynamique, une question fondamentale reste sans réponse théorique solide : l'ajout de taxons (séquences) à une analyse améliore-t-il toujours l'estimation des paramètres ? Les praticiens observent empiriquement que ce n'est pas toujours le cas : des séquences supplémentaires peuvent augmenter l'incertitude postérieure, dégrader le mélange des chaînes de Markov (MCMC) ou amplifier les erreurs de spécification du modèle.

L'article vise à combler ce manque de fondements théoriques pour comprendre quand et pourquoi l'ajout de taxons aide ou nuit, en particulier pour des estimands (quantités à estimer) qui changent avec l'échantillon, comme l'âge du dernier ancêtre commun (tMRCA) des taxons inclus.

2. Méthodologie

L'auteur propose un cadre basé sur la théorie des filtrations et l'analyse bayésienne séquentielle.

• Modélisation de l'espace de probabilité : Le cadre repose sur un processus de généalogie markovien (MGP) avec échantillonnage et mutation. Les variables incluent les paramètres $\Theta$, la généalogie latente $G$, et le nombre d'échantillons observés.
• Ordonnancement aléatoire : Pour étudier l'ajout séquentiel de taxons, l'auteur introduit une permutation uniforme aléatoire $\Lambda$ des taxons observés. Cela permet de définir une séquence de données $D_n = (Y_1, ..., Y_n)$ où $Y_k$ est le $k$-ième taxon selon cet ordre.
• Filtration naturelle : On définit une filtration $(F_n)$ où $F_n = \sigma(D_n)$ représente l'information disponible après l'observation des $n$ premiers taxons.
• Classification des estimands : Les quantités à estimer ($K$) sont classées selon leur comportement par rapport à une cible limite $K_\infty$ (la valeur obtenue si la généalogie complète latente était observée) :
  • Fixes : Ne changent pas avec $n$ (ex: taux de substitution).
  • Absorbants : La séquence atteint la cible $K_\infty$ et y reste (ex: tMRCA).
  • Non-absorbants : La séquence ne converge jamais vers une égalité fixe avant la fin.
  • Des sous-classes sont définies selon la monotonie de l'erreur ($|K_\infty - K_n|$).

3. Contributions Clés et Résultats

A. Décomposition de la réduction de variance

L'article démontre que pour tout estimand séquentiel avec une cible limite bien définie, la variance postérieure espérée sur cette cible diminue à l'ajout d'un taxon. Cependant, cette garantie moyenne masque une structure complexe. L'auteur décompose la variation de variance en trois composantes :

1. Composante d'apprentissage : Réduction de l'incertitude sur la cible séquentielle actuelle ($K_n$).
2. Composante de désaccord (Mismatch) : Changement de l'incertitude sur la distance entre la cible actuelle et la cible limite ($K_\infty - K_n$).
3. Composante de covariance : Changement de la corrélation entre l'incertitude sur la cible actuelle et l'erreur de désaccord.

Pour les estimands absorbants (comme le tMRCA), le processus d'apprentissage se simplifie après l'absorption (lorsque $K_n = K_\infty$).

B. Le concept d'Oracle et la limite fondamentale

L'auteur introduit un Oracle qui possède une information supplémentaire par rapport à l'analyste : il connaît l'état d'absorption $\tau$ (le moment exact où la séquence séquentielle atteint la cible limite).

• Garanties événementielles : L'Oracle bénéficie de garanties d'apprentissage "événement par événement" (conditionnelles à $\tau$), car il sait si la cible actuelle est déjà la cible finale. L'analyste, ignorant $\tau$, doit gérer les termes de désaccord et de covariance, ce qui peut entraîner une augmentation de l'incertitude dans certains cas spécifiques.
• Écart irréductible (Theorem 3) : Le résultat le plus profond est la démonstration que l'écart entre l'incertitude de l'analyste et celle de l'Oracle est irréductible. Même après avoir observé tous les taxons échantillonnés, la variance postérieure de l'analyste reste strictement supérieure à celle de l'Oracle (sous certaines hypothèses d'indépendance).
  • Cela signifie qu'il existe une limite fondamentale à ce que les données de séquence seules peuvent révéler sur la structure de la généalogie latente, sans connaissance de l'état d'absorption du processus.

C. Classification des classes d'apprentissage

Le papier établit une taxonomie rigoureuse des estimands (Absorbants monotones, non-monotones, non-absorbants, etc.) et montre comment le comportement de la variance diffère selon ces classes. Par exemple, pour les estimands absorbants, l'ajout de taxons après l'absorption ne réduit plus l'erreur de désaccord (qui est nulle), mais l'analyste ne sait pas quand cette absorption a eu lieu.

4. Signification et Implications

• Théorique : Ce travail fournit le premier cadre formel expliquant pourquoi l'ajout de données peut parfois dégrader l'inférence en phylodynamique. Il lie la théorie de l'apprentissage séquentiel aux processus stochastiques de généalogie.
• Pratique : Il met en lumière une limite intrinsèque de l'inférence basée uniquement sur les séquences. L'incertitude résiduelle de l'analyste n'est pas due à un manque de données, mais à l'incapacité structurelle à déterminer si la cible actuelle est déjà la cible finale (le problème de l'absorption).
• Méthodologique : La décomposition proposée (apprentissage, désaccord, covariance) offre un nouvel outil pour diagnostiquer les comportements de convergence des modèles phylodynamiques et comprendre les fluctuations de l'incertitude postérieure lors de l'ajout de séquences.

En résumé, l'article démontre que l'ajout de taxons améliore l'inférence en moyenne, mais que pour des estimands dépendants de l'échantillon, l'analyste paie un "coût d'ignorance" irréductible lié à la structure latente du processus généalogique, un coût que seul un oracle connaissant l'état d'absorption pourrait éviter.