📄 evolutionary biology

Unlocking a flexible set of phylogenetic models for discrete and continuous trait evolution using discretized stochastic diffusion

यह शोध पत्र "विविक्त प्रसार सन्निकटन" (discretized diffusion approximation) पद्धति का विस्तार करता है, जिसे मूल रूप से परावर्तक सीमाओं वाले ब्राउनियन मोशन के लिए विकसित किया गया था, ताकि थ्रेशोल्ड, सेमी-थ्रेशोल्ड और संयुक्त मॉडलों सहित विविक्त और निरंतर लक्षण विकास के विश्लेषण के लिए नए फाइलोजेनेटिक मॉडलों के एक लचीले समूह को अनलॉक किया जा सके, जहाँ विकास दर सह-विकसित लक्षणों पर निर्भर करती है।

मूल लेखक: Revell, L. J., Alencar, L. R. V., Alfaro, M. E., Dain, J., Hill, N. J., Jones, M., Martinet, K. M., Romero-Alarcon, V., Harmon, L. J.

प्रकाशित 2026-08-17

📖 11 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Revell, L. J., Alencar, L. R. V., Alfaro, M. E., Dain, J., Hill, N. J., Jones, M., Martinet, K. M., Romero-Alarcon, V., Harmon, L. J.

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक जासूस हैं जो इस रहस्य को सुलझाने की कोशिश कर रहे हैं कि लाखों वर्षों में जीवन कैसे बदलता है। आपके पास जानवरों का एक वंशावली वृक्ष (family tree) है, जो एक विशाल, शाखाओं वाले आरेख की तरह है जो दिखाता है कि कौन किससे संबंधित है। आपका काम यह पता लगाना है कि इस पेड़ की शाखाओं के साथ विशिष्ट लक्षण—जैसे कि चोंच का आकार, पूंछ की लंबाई, या पंख का रंग—कैसे विकसित हुए। लंबे समय तक, वैज्ञानिकों ने "ब्राउनियन मोशन" (Brownian motion) नामक एक गणितीय उपकरण का उपयोग किया है जो लक्षणों के विकास का मॉडल बनाने के लिए है। ब्राउनियन मोशन को ऐसे समझें जैसे कोई नशे में धुत व्यक्ति धुंधले पार्क में बेतरतीब ढंग से लड़खड़ा रहा हो। उनका कोई गंतव्य नहीं है; वे बस अलग-अलग दिशाओं में कदम उठाते हैं। समय के साथ, शुरुआती बिंदु से उनकी दूरी बढ़ती जाती है, लेकिन आप सटीक भविष्यवाणी नहीं कर सकते कि वे अंततः कहाँ पहुँचेंगे, केवल इस बात की संभावना (probability) बता सकते हैं कि वे कहाँ हो सकते हैं। यह "रैंडम वॉक" (random walk) ही इस बात का अनुमान लगाने का मानक तरीका रहा है कि लक्षण कैसे विकसित होते हैं।

हालाँकि, वास्तविक जीवन हमेशा खुले पार्क में रैंडम वॉक की तरह नहीं होता है। कभी-कभी, वहाँ "दीवारें" होती हैं। एक छिपकली की पूंछ उसके शरीर से लंबी नहीं हो सकती, या किसी पक्षी की चोंच इतनी बड़ी नहीं हो सकती कि वह उसकी खोपड़ी ही तोड़ दे। ये "सीमाएँ" (boundaries) या "बाधाएँ" (constraints) हैं। लंबे समय तक, एक ऐसी रैंडम वॉक के लिए गणित लगाना जो दीवार से टकराकर वापस आती है, बेहद कठिन, लगभग असंभव था, विशेष रूप से बड़े वंशावली वृक्षों के लिए। यह ऐसा था जैसे यह गणना करना बहुत कठिन हो कि उस नशे में धुत व्यक्ति का सटीक पथ क्या होगा यदि पार्क में हर जगह अदृश्य, उछाल वाली दीवारें हों। क्योंकि गणित बहुत कठिन था, इसलिए वैज्ञानिक अक्सर इन दीवारों को अनदेखा कर देते थे, जिससे लक्षणों के बदलने की गति के बारे में गलत अनुमान लगता था। यह शोध पत्र उस गणितीय पहेली को हल करने के एक चतुर नए तरीके के बारे में है, जो जटिल और अधिक यथार्थवादी तरीकों से विकास को समझने का द्वार खोलता है।

शोध पत्र: एक डिजिटल सीढ़ी के माध्यम से विकासवादी मॉडलों को अनलॉक करना

यह शोध पत्र, जो विकासवादी जीवविज्ञानियों की एक टीम द्वारा लिखा गया है, अनिवार्य रूप से इस बारे में एक मास्टरक्लास है कि कैसे एक चतुर गणितीय ट्रिक का उपयोग उन समस्याओं को हल करने के लिए किया जाता है जो पहले बहुत कठिन थीं। लेखक बाउचर और डेमेरी (Boucher and Démery) द्वारा 2016 में पेश की गई एक विधि पर काम कर रहे हैं, जिसे वे "विस्क्रीटाइज्ड डिफ्यूजन एप्रोक्सिमेशन" (discretized diffusion approximation) के रूप में वर्णित करते हैं। इसे समझने के लिए, कल्पना करें कि आप एक बहती हुई नदी की सुचारू गति को मापने की कोशिश कर रहे हैं। यह निरंतर (continuous) है; पानी बिना रुके बहता है। लेकिन यदि आप उस नदी का कंप्यूटर पर सिमुलेशन करना चाहते हैं जो केवल पूर्ण संख्याओं (whole numbers) को समझता है, तो आप नदी को छोटे, अलग-अलग चरणों या "बिनों" (bins) में विभाजित कर सकते हैं। आप कहेंगे, "पानी यहाँ है, फिर यह अगले बिन में जाता है, फिर अगले में।"

लेखक दिखाते हैं कि यदि आप इन चरणों को इतना छोटा बना दें—इतना छोटा कि वे लगभग अदृश्य हो जाएं—तो "चरणबद्ध" सिमुलेशन वास्तविक, सुचारू नदी के समान हो जाता है। वे इसे "डिस्क्रीटाइज्ड डिफ्यूजन एप्रोक्सिमेशन" कहते हैं। यह एक चिकनी स्लाइड पर चढ़ने के लिए डिजिटल सीढ़ी का उपयोग करने जैसा है; यदि सीढ़ी के डंडे (rungs) एक-दूसरे के बहुत करीब हैं, तो आप स्लाइड पर उतनी ही सुचारू रूप से चढ़ सकते हैं जैसे कि आप नीचे फिसल रहे हों।

बड़ी खबर यह है कि यह ट्रिक उन सभी प्रकार के विकासवादी परिदृश्यों के लिए काम करती है जिनके लिए पहले कोई कामकाजी गणितीय सूत्र नहीं था। लेखक केवल इस ट्रिक को समझाते नहीं हैं; वे इसका उपयोग पांच नए तरीकों को अनलॉक करने के लिए करते हैं जिनसे लक्षण विकसित होते हैं।

सबसे पहले, वे बाउंडेड ब्राउनियन मोशन (Bounded Brownian Motion) का पुनरावलोकन करते हैं। यह "दीवारों के साथ नशे में धुत व्यक्ति" वाला परिदृश्य है। अतीत में, यदि कोई लक्षण किसी सीमा (जैसे अधिकतम आकार) से टकराता था, तो गणित विफल हो जाता था। उनके "सीढ़ी वाले ट्रिक" का उपयोग करके, लेखक अब एक लक्षण के दीवार से टकराकर वापस आने का अनुकरण (simulate) कर सकते हैं। उन्होंने सिमुलेशन चलाकर दिखाया कि यदि आप इन दीवारों को अनदेखा करते हैं, तो आप व्यवस्थित रूप से यह कम आंकेंगे कि एक लक्षण कितनी तेजी से विकसित हो रहा है। यह ऐसा है जैसे यह सोचना कि एक धावक धीमा है क्योंकि वह बार-बार दीवार से टकराकर वापस आता है, जबकि वास्तव में वह पूरी गति से दौड़ रहा है लेकिन बस बाधा के कारण आगे नहीं बढ़ पा रहा है। उनकी नई विधि इस समस्या को ठीक करती है, जिससे बाधाओं के बावजूद विकास की गति का सटीक अनुमान मिलता है।

इसके बाद, वे थ्रेशोल्ड मॉडल (Threshold Model) को संबोधित करते हैं। कल्पना करें कि एक लक्षण वास्तव में निरंतर (continuous) है लेकिन सतह पर अलग (discrete) दिखता है। उदाहरण के लिए, एक छिपकली के पैरों की संख्या के प्रति उसकी "लायबिलिटी" (liability)। शायद अंतर्निहित जीव विज्ञान विकास का एक सुचारू पैमाना है, लेकिन एक बार जब यह एक निश्चित "थ्रेशोल्ड" को पार कर जाता है, तो छिपकली या तो 4 पैरों या 5 पैरों के साथ पैदा होती है। शोध पत्र दिखाता है कि कैसे वे इस "डिजिटल सीढ़ी" विधि का उपयोग यह पता लगाने के लिए कर सकते हैं कि वे अदृश्य थ्रेशोल्ड कहाँ हैं, भले ही हमें केवल अंतिम पैर गणना ही दिखाई देती हो। उन्होंने डेटा का सिमुलेशन किया और पाया कि उनकी विधि इन छिपे हुए थ्रेशोल्ड की सही पहचान कर सकती है और उन्हें अन्य यादृच्छिक विकास पैटर्न से अलग कर सकती है।

फिर, वे एक बिल्कुल नया विचार पेश करते हैं, जिसे सेमी-थ्रेशोल्ड मॉडल (Semi-Threshold Model) कहा जाता है। यह पिछले दो विचारों का मिश्रण है। कल्पना करें कि एक लक्षण जैसे कि "सींग की लंबाई" है। यह सुचारू रूप से बढ़ और घट सकता है, लेकिन यदि यह शून्य तक घट जाता है, तो सींग गायब हो जाता है। आप नकारात्मक सींग की लंबाई को नहीं माप सकते; यह बस "अनुपस्थित" हो जाता है। हालांकि, सींग विकसित होने की संभावना (liability) अभी भी नीचे विकसित हो सकती है, भले ही सींग गायब हो गया हो। लेखकों ने इस "अटक" (stuck) अवस्था के लिए एक मॉडल बनाया है। उन्होंने ऐसा डेटा सिमुलेट किया जहाँ लक्षण या तो मापने योग्य थे या "सेंसर" (censored) थे (यानी शून्य या अधिकतम पर अटके हुए थे), और उनकी विधि ने सफलतापूर्वक विकास दर का अनुमान लगाया, जबकि मानक विधियाँ विफल रहीं।

यह शोध पत्र जॉइंट इवोल्यूशन (Joint Evolution) की भी खोज करता है, जहाँ दो अलग-अलग प्रकार के लक्षण एक-दूसरे को प्रभावित करते हैं।

डिस्क्रीट-डिपेंडेंट कंटीन्यूअस (Discrete-Dependent Continuous): कल्पना करें कि एक मछली खुले पानी में या रीफ (reef) में रहती है। शोध पत्र सुझाव देता है कि मछली के शरीर के आकार में परिवर्तन की दर इस बात पर निर्भर कर सकती है कि वह किस आवास (habitat) में है। खुले पानी में, शायद शरीर का आकार धीरे-धीरे बदलता है; रीफ में, यह तेजी से बदल सकता है। लेखकों ने एक मॉडल बनाया जहाँ निरंतर लक्षण (शरीर का आकार) के लिए "सीढ़ी" (ladder) अलग-अलग होती है जो डिस्क्रीट लक्षण (आवास) पर निर्भर करती है। उनके सिमुलेशन ने दिखाया कि यह विधि सटीक रूप से यह पता लगा सकती है कि प्रत्येक आवास में मछलियाँ कितनी तेजी से विकसित हो रही हैं, जो पुराने तरीकों से बेहतर प्रदर्शन करती है जो पहले आवास के इतिहास का अनुमान लगाने और फिर आकार को मापने की कोशिश करते थे।
कंटीन्यूअस-डिपेंडेंट डिस्क्रीट (Continuous-Dependent Discrete): यह इसका उल्टा है। कल्पना करें कि एक सरीसृप अंडे देता है या जीवित बच्चे पैदा करता है। शोध पत्र सुझाव देता है कि किसी प्रजाति के अंडे देने से जीवित जन्म लेने के बीच स्विच करने की दर तापमान (एक निरंतर लक्षण) पर निर्भर हो सकती है। यदि गर्मी अधिक है, तो शायद स्विच तेजी से होता है। उन्होंने इसे एक "सिग्मोइडल" (sigmoidal) वक्र (S-आकार) का उपयोग करके मॉडल किया ताकि यह दिखाया जा सके कि तापमान स्विच करने की संभावनाओं को कैसे बदलता है। हालाँकि उन्होंने कंप्यूटर सीमाओं के कारण इसके लिए बहुत बड़े सिमुलेशन नहीं चलाए, फिर भी उन्होंने दिखाया कि गणित काम करता है और डेटा के अनुकूल हो सकता है।

अंत में, वे एक मल्टी-ट्रेंड मॉडल (Multi-Trend Model) प्रस्तुत करते हैं। यह उन स्थितियों के लिए है जहाँ लक्षण केवल बेतरतीब ढंग से नहीं भटकते; उनका एक दिशा होती है। कल्पना करें कि एक मानचित्र पर वायरस फैल रहा है। यह बेतरतीब ढंग से भटक सकता है, लेकिन यदि मेजबान (host) बदल जाता है (एक डिस्क्रीट लक्षण), तो वायरस अचानक उत्तर या दक्षिण की ओर (एक ट्रेंड) भटकना शुरू कर सकता है। लेखकों ने दिखाया कि वे इस "दिशात्मक ड्रिफ्ट" (drift with a direction) को मॉडल कर सकते हैं जो मेजबान के आधार पर बदलता है। उन्होंने इसे गैर-समान पेड़ों (non-uniform trees) पर सिमुलेट किया और पाया कि उनकी विधि ड्रिफ्ट की गति और ट्रेंड की दिशा दोनों का सटीक अनुमान लगा सकती है।

यह शोध पत्र क्या करता है और क्या नहीं करता

लेखक बहुत स्पष्ट हैं कि उन्होंने क्या हासिल किया है। उन्होंने सिमुलेशन के माध्यम से एक प्रूफ ऑफ कॉन्सेप्ट (proof of concept) प्रदान किया है कि यह "सीढ़ी" विधि इन विशिष्ट मॉडलों के लिए काम करती है। उन्होंने दिखाया कि जब उन्होंने ज्ञात नियमों के साथ डेटा सिमुलेट किया, तो उनकी विधि उन नियमों को उचित सटीकता के साथ वापस खोज सकती है। उदाहरण के लिए, उन्होंने प्रदर्शित किया कि सीमाओं को अनदेखा करने से गलत उत्तर मिलते हैं, और उनकी विधि इसे ठीक करती है। उन्होंने यह भी दिखाया कि उनके संयुक्त मॉडल पुराने "दो-चरणीय" (two-step) तरीके से अधिक सटीक हैं जो पहले एक लक्षण का अनुमान लगाते हैं और फिर दूसरे का। हालाँकि, वे स्पष्ट रूप रूप से नोट करते हैं कि ये विश्लेषण प्रारंभिक (preliminary) हैं और इनका उद्देश्य सांख्यिकीय गुणों की व्यापक जांच के बजाय दृष्टिकोण की व्यवहार्यता को प्रदर्शित करना है।

वे स्पष्ट रूप से इस विचार को खारिज (rule out) करते हैं कि यह केवल निरंतर डेटा को सरल श्रेणियों में बदलने का एक तरीका है। वे इस बात पर जोर देते हैं कि वे यह नहीं कह रहे हैं कि "आइए बड़े छिपकलियों को 'बड़े' और छोटे को 'छोटे' कहें और उसी तरह विश्लेषण करें।" वह एक गलती होगी। उनकी विधि "सीढ़ी" का उपयोग केवल एक अस्थायी गणितीय उपकरण के रूप में करती है ताकि सुचारू, निरंतर वास्तविकता की संभावना की गणना की जा सके। अंतिम उत्तर हमेशा निरंतर लक्षण के बारे में होता है, न कि बिनों (bins) के बारे में।

वे यह भी सुझाव देते हैं कि यह दृष्टिकोण केवल हिमखंड का सिरा (tip of the iceberg) है। वे उल्लेख करते हैं कि इस विधि का उपयोग "हिडन-रेट" (hidden-rate) मॉडलों (जहाँ हम उस लक्षण को नहीं देखते जो परिवर्तन का कारण बनता है) या अचानक आने वाले बदलावों (discontinuous jumps) के लिए भी किया जा सकता है, लेकिन उन्होंने अभी तक उनका पूरी तरह से परीक्षण नहीं किया है। वे स्वीकार करते हैं कि कुछ अधिक जटिल मॉडलों के लिए, जैसे कि कंटीन्यूअस-डिपेंडेंट डिस्क्रीट लक्षण, उन्होंने अभी तक बड़े पैमाने पर सिमुलेशन अध्ययन नहीं किए हैं क्योंकि गणित कंप्यूटर पर भारी पड़ता है। वे भविष्य के शोधकर्ताओं को उन विशिष्ट सीमाओं का परीक्षण करने की सिफारिश करते हैं।

संक्षेप में, यह शोध पत्र यह दावा नहीं करता है कि उसने विकास के हर रहस्य को सुलझा लिया है। इसके बजाय, यह वैज्ञानिक समुदाय को एक शक्तिशाली, लचीला नया उपकरण सौंपता है—एक ऐसा तरीका जो उन जटिल, अव्यवस्थित विकासवादी प्रक्रियाओं का अनुमान लगा सकता है जो पहले गणना करने के लिए बहुत कठिन थे। यह सुझाव देता है कि इस "डिस्क्रीटाइज्ड डिफ्यूजन" ट्रिक का उपयोग करके, हम अंततः ऐसे मॉडल बना सकते हैं जो प्राकृतिक दुनिया की दीवारों, थ्रेशोल्ड और छिपे हुए संबंधों का सम्मान करते हैं, जिससे समय के साथ जीवन कैसे बदला है, इसकी एक स्पष्ट तस्वीर मिलती है।

तकनीकी सारांश: विविक्त स्टोकैस्टिक डिफ्यूजन (Discretized Stochastic Diffusion) का उपयोग करके विविक्त और निरंतर लक्षण विकास के लिए एक लचीले फाइलोगेनेटिक मॉडलों के सेट को अनलॉक करना

समस्या विवरण
फाइलोगेनेटिक तुलनात्मक विधियों (phylogenetic comparative methods) की व्यावहारिक उपयोगिता अक्सर उन गणितीय मॉडलों को फिट करने की क्षमता पर निर्भर करती है जो विकासवादी प्रक्रियाओं को सटीक रूप से पकड़ सकें। हालाँकि, कई जैविक रूप से यथार्थवादी मॉडल, जो लक्षण विकास (trait evolution) के लिए हैं, उनके लाइकलीहुड फंक्शन (likelihood functions) के लिए सुलभ विश्लेषणात्मक समाधानों (analytic solutions) का अभाव रखते हैं, विशेष रूप से तब जब वे सीमित निरंतर लक्षणों (bounded continuous traits), थ्रेशोल्ड मॉडलों, या विविक्त और निरंतर पात्रों के जटिल संयुक्त विकास से जुड़े हों। उदाहरण के लिए, "बाउंडेड ब्राउनियन मोशन" (Boucher and Démery 2016) मॉडल, जो कठोर बाधाओं वाले एक फ्लैट एडेप्टिव लैंडस्केप पर विकास का वर्णन करता है, एक विश्लेषणात्मक प्रायिकता फलन रखता है जो पर्याप्त आकार के फाइलोगेनी के लिए अव्यवहार्य (intractable) है। इसी तरह, मानक थ्रेशोल्ड मॉडलों को उच्च-आयामी बहुभिन्नरूपी सामान्य वितरणों (high-dimensional multivariate normal distributions) के एकीकरण की आवश्यकता होती है, जो एक कार्य है जो टैक्सों (taxa) की संख्या बढ़ने पर कम्प्यूटेशनल रूप से अव्यवहार्य हो जाता है। फलस्वरूप, शोधकर्ताओं को अक्सर सरलीकृत मॉडलों या दो-चरणीय अनुमान प्रक्रियाओं पर निर्भर रहने के लिए मजबूर होना पड़ता है जो पूर्वाग्रह (bias) पेश कर सकते हैं या विकास प्रक्रिया की पूर्ण जटिलता को पकड़ने में विफल हो सकते हैं।

कार्यप्रणाली: विविक्त डिफ्यूजन सन्निकटन (The Discretized Diffusion Approximation)
इस शोध पत्र का मुख्य पद्धतिगत योगदान "विविक्त डिफूजन सन्निकटन" (discretized diffusion approximation) का अनुप्रयोग और विस्तार है, जो एक ऐसी तकनीक है जिसे मूल रूप से Boucher और Démery (2016) द्वारा पहचाना गया था और Boucher et al. (2018) द्वारा विस्तारित किया गया था। यह दृष्टिकोण इस गणितीय अभिसरण (mathematical convergence) का लाभ उठाता जहाँ एक निरंतर-समय, सममित, क्रमबद्ध मार्कोव श्रृंखला (एक लैटिस पर रैंडम वॉक) निरंतर स्टोकैस्टिक डिफ्यूजन (ब्राउनियन मोशन) की ओर अग्रसर होती है, जैसे-जैसे लैटिस अवस्थाओं की संख्या अनंत की ओर बढ़ती है (या बिन चौड़ाई $\delta$ शून्य की ओर पहुँचती है)।

प्रक्रिया में शामिल है:

विवक्तीकरण (Discretization): निरंतर लक्षण स्थान को $n$ बिन्स (bins) में विभाजित किया जाता है जिनकी चौड़ाई $\delta$ है।
मार्कोव श्रृंखला निर्माण (Markov Chain Construction): इस ग्रिड पर एक निरंतर-समय मार्कोव श्रृंखला को परिभाषित किया जाता है। आसन्न बिन्स के बीच संक्रमण दर (transition rates) को $q_c = \sigma^2 / (2\delta^2)$ के रूप में सेट किया जाता है, जहाँ $\sigma^2$ तात्कालिक डिफ्यूजन दर है। रुझानों ( $\mu$ ) वाले मॉडलों के लिए, दरें असममित ( $q_+$ और $q_-$ ) हो जाती हैं।
लाइकलीहुड गणना (Likelihood Calculation): विविक्त डेटा ( $x'$ ) की प्रायिकता की गणना कुशलतापूर्वक फेलसेनफिन प्रूनिंग एल्गोरिदम (Felsenstein's pruning algorithm, 1981) का उपयोग करके की जाती है, जो विविक्त लक्षण विकास के लिए मानक है।
घनत्व सन्निकटन (Density Approximation): मूल निरंतर डेटा का प्रायिकता घनत्व, $f(x)$ , $\hat{f}_\delta(x) = p(x') / (\delta^N)$ द्वारा अनुमानित किया जाता है, जहाँ $N$ टैक्सों की संख्या है। जैसे-जैसे $\delta \to 0$ होता है, यह सन्निकटन वास्तविक प्रायिकता घनत्व की ओर अभिसरित होता है।

यह विधि उन मॉडलों के लिए लाइकलीहुड की गणना करने की अनुमति देती जिनके लिए विश्लेषणात्मक समाधान उपलब्ध नहीं हैं, बशर्ते कि एक संगत मार्कोव श्रृंखला प्रतिनिधित्व निर्मित किया जा सके।

प्रमुख योगदान और नए मॉडल
यह शोध पत्र इस अनुमान तकनीक की बहुमुखी प्रतिभा को पाँच विशिष्ट मॉडलों को लागू करके प्रदर्शित करता है, जिनमें से चार को नवीन या महत्वपूर्ण रूप से विस्तारित अनुप्रयोग के रूप में प्रस्तुत किया गया है:

बाउंडेड ब्राउनियन मोशन (परावर्तित सीमाएं - Reflective Limits): यह शोध पत्र परावर्तित सीमाओं के साथ ब्राउनियन मोशन के लिए विविक्त डिफ्यूजन सन्निकटन की उपयोगिता को पुनः स्थापित करता है। यह पुष्टि करता है कि यह विधि डिफ्यूजन दर ( $\sigma^2$ ) के व्यवस्थित कम आकलन (underestimation) से बचती है, जो बाउंडेड डेटा पर अनबाउंडेड मॉडल फिट करने पर होता है।
थ्रेशोल्ड मॉडल (The Threshold Model): लेखक विकासवादी मात्रात्मक आनुवंशिकी (evolutionary quantitative genetics) के क्लासिक थ्रेशोल्ड मॉडल को इस सन्निकटन पर लागू करते हैं, जहाँ एक अदृश्य निरंतर "लायबिलिटी" (liability) ब्राउनियन मोशन के माध्यम से विकसित होती है और निश्चित थ्रेशोल्ड को पार करके विविक्त अवस्थाएँ उत्पन्न करती है। यह विधि उच्च-आयामी संख्यात्मक एकीकरण या मोंटे कार्लो सैंपलिंग की आवश्यकता को समाप्त करती है, जिससे कुशल मॉडल फिटिंग और पैरामीटर अनुमान संभव होता है।
"सेमी-थ्रेशोल्ड" मॉडल (The "Semi-Threshold" Model): एक नया मॉडल पेश किया गया है जहाँ एक लक्षण एक विशिष्ट सीमा के भीतर निरंतर मान के रूप में दृश्यमान होता है लेकिन उस सीमा के बाहर वह सेंसर (censored) हो जाता है (एक निश्चित मान के रूप में दर्ज किया जाता है), जबकि अंतर्निहित लायबिलिटी विकसित होती रहती है। शोध पत्र दिखाता है कि इस मिश्रित डेटा प्रकार को संभालने के लिए लाइकलीहुड गणना को कैसे समायोजित किया जाए (अनसेंसर्ड टिप्स की संख्या $m$ के लिए $\delta^m$ से भाग देकर, न कि $\delta^N$ से)।
विविक्त-चर-निर्भर निरंतर लक्षण विकास (Discrete-Character-Dependent Continuous Trait Evolution): यह शोध पत्र एक संयुक्त मॉडल प्रस्तुत करता है जहाँ ब्राउनियन मोशन की दर ( $\sigma^2$ ) एक सह-विकसित विविक्त लक्षण की अवस्था पर निर्भर करती है। पारंपरिक दो-चरणीय दृष्टिकोणों (स्टोकेस्टिक मैपिंग के बाद दर फिटिंग) के विपरीत, यह विधि सीधे संयुक्त लाइकलीहुड की गणना करती है, जिसके परिणामस्वरूप दर विषमता (rate heterogeneity) के कम पक्षपाती अनुमान प्राप्त होते हैं, विशेष रूप से जब विविक्त संक्रमण दरें उच्च होती हैं।
निरंतर-चर-निर्भर विविक्त लक्षण विकास (Continuous-Character-Dependent Discrete Trait Evolution): एक नवीन उल्टा मॉडल प्रस्तावित किया गया है जहाँ एक विविक्त लक्षण की संक्रमण दरें एक निरंतर लक्षण के मान (जिसे सिग्मोइडल फंक्शन के माध्यम से मॉडल किया गया है) पर निर्भर करती हैं। हालांकि कम्प्यूटेशनल बाधाओं (बड़ी मैट्रिक्स एक्सपोनेंटिएशन) के कारण व्यापक सिमुलेशन संभव नहीं था, फिर भी शोध पत्र इन्फिनिटिसिमल जेनरेटर मैट्रिक्स (infinitesimal generator matrix) के निर्माण को प्रदर्शित करता है और सिमुलेटेड डेटा पर एक मैक्सिमम लाइकलीहुड फिट प्रदान करता है।
बहु-रुझान दिशात्मक मॉडल (Multi-Trend Directional Model): एक विविक्त-चर-निर्भर मॉडल विकसित किया गया है जहाँ एक निरंतर लक्षण के डिफ्यूजन दर ( $\sigma^2$ ) और रैखिक रुझान ( $\mu$ ) दोनों एक विविक्त चर की अवस्था के आधार पर भिन्न होते हैं। यह दिखाया गया है कि यह मॉडल नॉन-अल्ट्रामेट्रिक पेड़ों (non-ultrametric trees) पर भी पहचानने योग्य (identifiable) है और विभिन्न शासन (regimes) के आधार पर बदलने वाले दिशात्मक रुझानों के अनुमान की अनुमति देता है।

परिणाम
सिमुलेशन अध्ययनों के माध्यम से, लेखक प्रदर्शित करते हैं कि विविक्त डिफ्यूजन सन्निकटन विश्वसनीय पैरामीटर अनुमान प्रदान करता है:

बाउंडेड मॉडल: बाउंडेड मॉडल को फिट करना $\sigma^2$ और रूट स्टेट्स ( $x_0$ ) को सही ढंग से रिकवर करता है, जबकि अनबाउंडेड मॉडल बाउंडेड डेटा के तहत $\sigma^2$ का व्यवस्थित रूप से कम आकलन करते हैं।
थ्रेशोल्ड मॉडल: यह विधि थ्रेशोल्ड मॉडल और ऑर्डर्ड Mk मॉडल के बीच अंतर करने में सफल होती है, जिसमें अनुमानित थ्रेशोल्ड जनरेटिंग वैल्यूज के केंद्र में होते हैं।
संयुक्त मॉडल: विविक्त-चर-निर्भर निरंतर लक्षण मॉडल में, विविक्त डिफ्यूजन सन्निकटन के माध्यम से संयुक्त अनुमान, अवस्था-विशिष्ट दरों ( $\sigma^2_a, \sigma^2_b$ ) और संक्रमण दरों ( $q_{ab}$ ) के निष्पक्ष अनुमान प्रदान करता है। महत्वपूर्ण रूप से, यह पारंपरिक दो-चरणीय स्टोकेस्टिक मैपिंग दृष्टिकोण से बेहतर प्रदर्शन करता है, जो विशेष रूप से बार-बार होने वाले विविक्त संक्रमणों के दौरान दरों के अनुपात का कम आकलन करने की प्रवृत्ति रखता है।
सेमी-थ्रेशोल्ड और दिशात्मक मॉडल: प्रारंभिक विश्लेषण उचित अनुमान गुणों को दर्शाते हैं, हालांकि लेखक नोट करते हैं कि इनके लिए व्यापक अध्ययन की आवश्यकता है।

महत्व और दावे
लेखक इस कार्य को एक "कॉन्सेप्ट पीस" (concept piece) के रूप में प्रस्तुत करते हैं जिसका उद्देश्य उन लचीले फाइलोगेनेटिक मॉडलों को अनलॉक करना है जो पहले अगम्य (intractable) लाइकलीहुड फंक्शनों के कारण पहुंच से बाहर थे। उनका तर्क है कि विविक्त डिफ्यूजन सन्निकटन एक शक्तिशाली, सामान्य-उद्देश्य वाला उपकरण है जो उन समस्याओं को हल करने योग्य बनाता है जिन्हें पहले असंभव माना जाता था।

शोध पत्र दावा करता है कि बॉचर और डेमेरी (2016) का दृष्टिकोण, हालांकि स्टोकैस्टिक प्रोसेस थ्योरी (जैसे एथियर और कुर्ट्ज़ 1986; रिस्कन 1996) में गणितीय रूप से निहित है, फाइलोजेनेटिक्स में नवीन था और इसकी उपेक्षा की गई है। थ्रेशोल्ड, सेमी-थ्रेशोल्ड और जटिल संयुक्त विकास मॉडलों में अपने अनुप्रयोग का विस्तार करके, लेखक दावा करते हैं कि यह विधि "अभी तो केवल सतह को छू रही है" (barely scratches the surface)। वे सुझाव देते हैं कि इस दृष्टिकोण को हिडन-रेट मॉडलों, परिवर्तनशील मापदंडों वाले ऑर्नस्टीन-उहलेन (Ornstein-Uhlenbeck) प्रक्रियाओं, या एब्जॉर्बिंग बाउंड्रीज़ या विच्छिन्न जंप्स वाले मॉडलों तक विस्तारित किया जा सकता है।

लेखक एक रूपक संबंधी अवलोकन के साथ निष्कर्ष निकालते हैं: जबकि "उपकरण का नियम" (law of the instrument) चेतावनी देता है कि एक ही उपकरण (हथौड़ा) होने पर हर समस्या एक कील जैसी दिखने लगती है, उनका अन्वेषण बताता है कि फाइलोजेनेटिक्स के लिए एक "विपरीत नियम" (inverse law) है—जहाँ कई जटिल विकासवादी परिकल्पनाओं (कीलें) वास्तव में इस विशिष्ट सन्निकटन (हथौड़ा) द्वारा प्रभावी ढंग से संबोधित की जा सकती हैं। ये विधियाँ phytools R पैकेज में कार्यान्वित हैं, जिससे ये उन्नत मॉडल व्यापक समुदाय के लिए सुलभ हो जाते हैं।

इसी तरह के और पेपर