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

Résumé technique : PhylaFlow – Appariement de flux hybride dans l'espace d'arbres de Billera–Holmes–Vogtmann

Énoncé du problème
L'inférence phylogénétique est fondamentalement un problème d'optimisation hybride : elle implique une optimisation continue sur les longueurs de branches et une recherche discrète sur les topologies d'arbres. Les méthodes bayésiennes traditionnelles, telles que les chaînes de Markov par Monte Carlo (MCMC) implémentées dans MrBayes, ont souvent du mal avec les périodes de « mise en température » où les chaînes consacrent des ressources computationnelles excessives à l'exploration de régions de faible probabilité de l'espace des arbres avant de découvrir les bassins pertinents pour la distribution a posteriori. Cela est particulièrement difficile car l'espace des arbres phylogénétiques n'est pas purement euclidien ; les changements topologiques se produisent par des contractions et des expansions discrètes d'arêtes, tandis que les longueurs de branches varient de manière continue. L'espace d'arbres de Billera–Holmes–Vogtmann (BHV) fournit une géométrie canonique pour cette structure, représentant chaque topologie comme un orthant euclidien et les transitions topologiques comme un mouvement à travers des frontières partagées de dimension inférieure. Cependant, les approches neuronales existantes tentent souvent soit de remplacer entièrement les MCMC par des approximations variationnelles, soit de générer des arbres uniques à haute score sans apprendre les dynamiques de transport continu-discret nécessaires pour naviguer efficacement dans la géométrie BHV.

Méthodologie
Les auteurs présentent PhylaFlow, un modèle d'appariement de flux hybride conçu pour apprendre le « transport de bassins a posteriori » au sein de l'espace d'arbres BHV. Au lieu de remplacer l'inférence bayésienne, PhylaFlow agit comme un initialiseur amorti et un mécanisme de proposition qui transporte des arbres de départ arbitraires vers des régions soutenues par la distribution a posteriori.

• Formulation géométrique : Le modèle opère dans l'espace métrique BHV. Il traite la tâche d'inférence comme un problème de transport optimal, apprenant une application qui pousse les échantillons d'une distribution de base (arbres de départ aléatoires) vers une approximation de la distribution a posteriori cible.
• Architecture hybride : PhylaFlow utilise un transformateur de graphes pour traiter les états d'arbres (topologie et longueurs de branches) conditionnés par des plongements de séquences et le temps. L'architecture utilise trois têtes distinctes pour gérer la nature hybride de l'espace :
  1. Tête de vitesse : Prédit les vitesses continues des longueurs de branches au sein d'une topologie fixe (orthant), modélisant le mouvement via un champ vectoriel dépendant du temps.
  2. Tête de premier contact : Prédit quelles arêtes internes se contracteront à zéro en premier, identifiant le prochain événement de frontière où un changement de topologie est imminent.
  3. Tête de topologie : Un module autorégressif qui résout la polytomie résultante (arbre non résolu) après un effondrement de frontière en une nouvelle topologie valide, en prédisant une séquence d'actions de sous-ensembles structurés.
• Objectif d'entraînement : Le modèle est entraîné sur des géodésiques BHV supervisées reliant des arbres de départ aléatoires à des arbres cibles échantillonnés à partir d'une distribution a posteriori de courte durée. La fonction de perte combine l'appariement de flux continu (pour les longueurs de branches), la classification binaire (pour les événements d'effondrement d'arêtes) et l'entropie croisée autorégressive (pour les transitions topologiques).
• Inférence et raffinement : Lors de l'inférence, PhylaFlow génère des arbres candidats à partir de points de départ aléatoires. Ces arbres sont ensuite utilisés pour initialiser des chaînes MrBayes standard pour un raffinement basé sur la vraisemblance. Les auteurs proposent également une variante PhylaFlow-MCMC, où la structure de division apprise par PhylaFlow est utilisée pour biaiser les propositions locales NNI (Nearest Neighbor Interchange) pendant l'exécution MCMC, guidant la chaîne vers des divisions soutenues par l'a posteriori.

Contributions clés

1. Appariement de flux hybride dans l'espace BHV : L'article démontre que les modèles de transport neuronal peuvent apprendre un mouvement significatif à travers la géométrie hybride de l'espace des arbres, couplant l'évolution continue des longueurs de branches avec des transitions topologiques discrètes.
2. Initialisation amortie : PhylaFlow fournit un mécanisme de proposition conscient de la géométrie qui réduit considérablement la distance (mesurée par Tree-KL) entre les arbres de départ aléatoires et les bassins pertinents pour l'a posteriori avant tout raffinement basé sur la vraisemblance.
3. Raffinement guidé par les divisions : Ce travail introduit une méthode pour utiliser la géométrie a posteriori apprise afin de guider les propositions MCMC, améliorant les performances dans les cas « difficiles » où les mouvements locaux standard peinent à échapper aux bassins sous-optimaux.
4. Conditionnement par séquence : Les auteurs montrent que le processus de transport peut être conditionné par des plongements de séquences (plongements Phyla), permettant au modèle de diriger le transport vers des structures de divisions spécifiques au jeu de données, bien que la récupération exacte de la topologie dans un cadre conjoint reste préliminaire.

Résultats
Évalué sur huit jeux de données de référence (DS1–DS8) couvrant divers régimes évolutifs, PhylaFlow démontre des améliorations substantielles par rapport aux bases de référence standard :

• Qualité initiale : Avant le raffinement MCMC, PhylaFlow atteint le Tree-KL initial le plus faible (divergence par rapport à l'a posteriori de longue durée) sur les huit jeux de données par rapport aux initialisateurs aléatoires, de parcimonie maximale, de vraisemblance maximale (IQ-TREE) et basés sur UShER.
• Efficacité du raffinement : Après un raffinement MrBayes avec budget fini (100k générations), l'initialisation directe par PhylaFlow surpasse les autres méthodes non guidées sur cinq des huit jeux de données.
• Performance dans les cas difficiles : La variante PhylaFlow-MCMC, qui utilise des divisions apprises pour guider les propositions, atteint le Tree-KL final le plus élevé sur les jeux de données les plus difficiles (DS3, DS5, DS6, DS7), surpassant nettement à la fois les bases de référence standard et des contrôles neuronaux puissants comme PhyloGFN sous le même budget computationnel.
• Comparaison avec les contrôles : PhylaFlow surpasse les bases de référence à courte mise en température sur sept des huit jeux de données et PhyloGFN sur cinq des huit jeux de données. Bien que PhyloGFN soit un échantillonneur entraîné par vraisemblance puissant, PhylaFlow offre une voie plus efficace sur le plan computationnel vers une géométrie a posteriori utile, avec des temps de configuration généralement inférieurs à ceux de PhyloGFN sur les grands jeux de données.
• Plausibilité de la vraisemblance : Les arbres générés maintiennent des profils de vraisemblance plausibles, indiquant que le modèle apprend une structure a posteriori réutilisable plutôt que de simplement produire des arbres isolés à haut score.

Signification et affirmations
L'article affirme que PhylaFlow fournit un exemple précoce de modélisation différentiable et consciente de la géométrie pour l'inférence phylogénétique. Sa signification principale réside dans la démonstration que le transport actionnable dans l'espace d'arbres BHV est apprenable. Les auteurs positionnent PhylaFlow non pas comme un remplacement de l'inférence bayésienne, mais comme un mécanisme complémentaire qui améliore l'efficacité de la découverte des bassins a posteriori. En apprenant le « mouvement » à travers l'espace des arbres, le modèle réduit le temps de mise en température requis pour que les chaînes MCMC atteignent les régions à forte probabilité a posteriori. Les résultats suggèrent que l'appariement de flux hybride peut capturer une géométrie a posteriori actionnable, offrant un nouveau paradigme pour initialiser et guider l'inférence phylogénétique qui respecte la structure combinatoire-continue intrinsèque de l'espace des arbres. Les auteurs restent modestes concernant les expériences conditionnées par séquence, notant que si les plongements peuvent orienter la récupération des divisions, la récupération exacte de la topologie a posteriori dans un cadre conjoint, transversal aux jeux de données, reste préliminaire.