Résumé technique : Flux d'édition conditionnés par l'arbre pour la reconstruction de séquences ancestrales

Énoncé du problème

La reconstruction de séquences ancestrales (ASR) vise à inférer les séquences protéiques d'ancêtres éteints aux nœuds internes d'un arbre phylogénétique. Les méthodes classiques d'ASR, généralement basées sur des modèles de substitution de Markov à temps continu (par exemple, PAML, PhyML), traitent les sites comme conditionnellement indépendants et gèrent les insertions et les délétions (indels) soit en les excluant, soit en les ignorant lors des calculs de vraisemblance. Bien que ces méthodes excellent dans l'inférence globale sur un arbre, elles peinent à saisir la nature complexe et dépendante du contexte de l'évolution des séquences, en particulier lorsque les indels sont abondants. Les approches neuronales récentes (par exemple, AutoregressiveASR, BetaReconstruct) offrent une plus grande expressivité mais échouent souvent à intégrer la topologie de l'arbre phylogénétique, les longueurs de branches ou la contrainte selon laquelle un ancêtre doit simultanément expliquer plusieurs descendants.

Méthodologie : Lærad

Les auteurs présentent Lærad, un modèle de flux d'appariement conditionné par l'arbre conçu pour une ASR de séquences de longueur variable. Contrairement aux méthodes qui génèrent directement une séquence unique, Lærad modélise l'ASR comme un processus d'édition conditionné par la branche, prédisant des taux dépendants du temps pour les substitutions, les insertions et les délétions.

Architecture de base

• Fondement des flux d'édition : Lærad s'appuie sur l'appariement de flux discrets, élevant le concept des espaces de tokens de longueur fixe aux séquences de longueur variable. Il définit les transitions par des opérations d'édition élémentaires : insertion, délétion et substitution.
• Attention croisée appariée : Le modèle traite deux séquences descendantes ($x_a, x_b$) simultanément. Il utilise un squelette ESM-2 partagé pour le codage, suivi de couches de fusion appariées permettant une attention croisée entre les deux descendants. Cela garantit que les deux enfants informent le champ d'édition de l'ancêtre.
• Conditionnement par branche : Le modèle est conditionné par les distances de branche ordonnées ($d_a, d_b$) de chaque descendant vers leur plus récent ancêtre commun (LCA) partagé. Ces distances sont converties en « budgets d'édition » à l'aide d'estimations de parcimonie de Fitch, définissant l'emplacement attendu de l'ancêtre le long du pont évolutif ($\tau = d_a / (d_a + d_b)$).

Fonction objectif

Lærad est entraîné sur des états de pont stochastiques échantillonnés entre deux descendants, sans nécessiter de séquences ancestrales de vérité terrain. La fonction de perte ($L$) combine trois termes :

1. Perte de Bregman ($L_{Bregman}$) : Une perte bidirectionnelle qui entraîne le modèle à prédire des taux d'édition déplaçant un état de pont échantillonné vers le descendant cible. Cela enseigne la mécanique locale de l'édition (où les éditions se produisent et quels résidus sont plausibles).
2. Perte d'alignement ancestral ($L_{ancestor}$) : Près du point ancestral attendu ($\tau$), les représentations latentes des deux trajectoires d'édition opposées (de $a \to b$ et de $b \to a$) sont alignées à l'aide de distances cosinus et L2. Cela impose que les deux routes impliquent un état ancestral compatible.
3. Perte de cohérence de groupe ($L_{group}$) : Pour plusieurs paires de descendants partageant exactement le même nœud LCA, leurs représentations latentes moyennées sont rapprochées. Cela injecte une cohérence locale explicite de l'arbre, garantissant que différentes vues d'un même ancêtre convergent vers une représentation cohérente.

Procédure d'inférence

L'inférence procède de bas en haut sur l'arbre phylogénétique :

1. Décodage : Pour une paire d'enfants, le modèle décode $N$ séquences parentes candidates à partir de chaque enfant, conditionné par l'autre enfant et les budgets de branche.
2. Sélection et consensus : Une fonction de score $S(s)$ évalue les candidats en fonction de l'accord avec les budgets de branche, de la parcimonie (coût d'édition), du désaccord entre les deux décodages directionnels et du soutien du modèle.
3. Réconciliation : La meilleure paire de candidats est fusionnée via une stratégie de consensus (copie des résidus correspondants, résolution des désaccords par compatibilité des budgets). L'ancêtre final est sélectionné parmi les deux candidats directionnels et leur fusion de consensus.

Contributions clés

1. Cadre ASR de longueur variable : Lærad étend l'inférence ancestrale à l'évolution de séquences de longueur variable en modélisant explicitement les substitutions, les insertions et les délétions sous contraintes phylogénétiques, dépassant ainsi les hypothèses d'alignement fixe.
2. Flux d'édition conditionnés par l'arbre : Le modèle intègre de manière unique la topologie phylogénétique et les longueurs de branches directement dans le processus de génération des flux d'édition, utilisant une attention croisée appariée pour garantir que les descendants informent conjointement l'état ancestral.
3. Mécanismes de cohérence : L'introduction de pertes de pont bidirectionnelles et de pertes de cohérence de groupe pour LCA exact garantit que les états ancestraux inférés sont compatibles avec plusieurs descendants et cohérents entre différentes paires mappant sur le même nœud.

Résultats

Les auteurs ont évalué Lærad sur deux benchmarks distincts :

1. Benchmark riche en indels (Protéines du bactériophage J)

Sur un benchmark de séquences homologues naturelles avec des indels abondants (jeu de données ID95), Lærad a été comparé à des méthodes classiques (Fitch, PAML, ARPIP) et à des baselines neuronales (AutoRegressiveASR).

• Performance : Lærad a atteint la plus haute corrélation d'édition observée (corrélation de Pearson entre la densité d'édition de branche inférée et la variation empirique au niveau des feuilles), la variante Tiny atteignant 0,778. Cela a surpassé la meilleure baseline classique (PHYLO-Γ à 0,765).
• Localisation : Les résultats suggèrent que Lærad est supérieur pour localiser les changements évolutifs inférés à travers des sites empiriquement variables dans des contextes riches en indels.
• Limites : Bien que performant en localisation, la corrélation spécifique aux indels de Lærad était inférieure à celle d'ARPIP, et son erreur de budget normalisée (inadéquation entre les éditions inférées et les budgets implicites de l'arbre) est restée supérieure à celle de certaines baselines.

2. Benchmark de substitutions uniquement (Protéines fluorescentes)

Sur un benchmark de protéines fluorescentes évolutives expérimentalement avec des ancêtres internes connus (effectivement substitutions uniquement), Lærad a été comparé à des méthodes spécialisées dans les substitutions.

• Performance : Comme prévu, Lærad a été dépassé par les méthodes classiques basées sur la vraisemblance (PHYLO-Γ : 97,2 % de précision ; ARPIP : 97,1 %) et la baseline neuronale AutoRegressiveASR (87,3 %). Lærad-Nano a atteint 84,4 % de précision.
• Interprétation : Les auteurs notent qu'il s'agit d'un test de stress conservateur, car le modèle est conçu pour des opérations d'édition complexes tandis que la tâche est dominée par les substitutions.

Importance et affirmations

L'article affirme que les flux d'édition conditionnés par l'arbre représentent une direction viable pour l'ASR de longueur variable, en particulier dans des contextes où l'évolution est pilotée par des insertions et des délétions.

• Force principale : Lærad démontre que la modélisation de l'évolution des séquences comme un processus d'édition apparié et conditionné par l'arbre peut surpasser les méthodes classiques dans la localisation des changements évolutifs dans des environnements riches en indels.
• Portée modeste : Les auteurs sont explicites sur le fait que la formulation actuelle n'est pas encore supérieure aux méthodes classiques dans des contextes dominés par les substitutions. Ils reconnaissent que l'étalonnage par type d'opération (prédiction précise du type spécifique d'édition) et l'étalonnage des budgets de branche (correspondance du nombre exact d'éditions aux distances de l'arbre) restent des problèmes ouverts.
• Potentiel futur : Le travail suggère que le passage à l'échelle du modèle (par exemple, en utilisant des squelettes ESM-2 plus grands) pourrait améliorer les performances dans des contextes dominés par les substitutions, mais la contribution principale reste l'intégration réussie des contraintes phylogénétiques dans un cadre génératif de flux d'édition pour des séquences de longueur variable.