Riepilogo Tecnico: Inferenza di Alberi Filogenetici con Attenzione Assiale Tropicale

Enunciato del Problema

La ricostruzione di alberi filogenetici è un problema di ottimizzazione combinatoria volto a inferire relazioni evolutive a partire da allineamenti di sequenze multiple (MSA). Sebbene esistano approcci statistici standard (ad es. Massima Verosimiglianza, Inferenza Bayesiana) e metodi basati sulle distanze (ad es. Neighbor Joining, Evoluzione Minima Bilanciata), essi affrontano sfide significative. I metodi basati sulle distanze richiedono la stima di una matrice di distanze a coppie e successivamente la sua proiezione sullo spazio degli alberi filogenetici validi. Questo spazio non è una varietà euclidea liscia, bensì un sottospazio strutturato non euclideo definito da vincoli poliedrici (specificamente la condizione a quattro punti e le disuguaglianze ultrametriche).

I recenti approcci di deep learning, come Phyloformer e Phyloformer 2, utilizzano architetture transformer con attenzione standard a prodotto scalare softmax per prevedere direttamente matrici di distanze a partire dagli MSA. Tuttavia, questi modelli operano nello spazio euclideo e si affidano a distribuzioni di probabilità lisce e dense. Gli autori sostengono che questa discrepanza geometrica non riesce a catturare la struttura intrinsecamente combinatoria e lineare a tratti delle metriche ad albero, portando a output che possono violare i vincoli degli alberi e faticare a generalizzare sotto spostamenti di distribuzione (ad es. cambiamenti nella lunghezza delle sequenze o nei modelli evolutivi).

Metodologia

Il documento propone un'architettura neurale di Attenzione Assiale Tropicale progettata per allineare il bias induttivo del modello alla geometria dello spazio degli alberi filogenetici.

1. Fondamento Teorico: Geometria Tropicale

L'insight teorico centrale è l'isomorfismo tra lo spazio degli alberi filogenetici con $n$ specie e la Grassmanniana Tropicale. L'algebra tropicale sostituisce l'addizione e la moltiplicazione standard rispettivamente con $\max$ e addizione (il semianello max-plus).

• Metriche ad Albero: Le metriche ad albero valide sono caratterizzate dalla condizione a quattro punti, che coinvolge operazioni di massimo anziché combinazioni lineari.
• Ultrametriche: Gli alberi equidistanti radicati soddisfano la condizione ultrametrica, anch'essa governata da operazioni di massimo.
• Spazio Metrico: Gli autori utilizzano la metrica proiettiva di Hilbert (metrica tropicale) sullo spazio quoziente $\mathbb{R}^D / \mathbb{R}\mathbf{1}$, che è invariante rispetto agli spostamenti additivi e sensibile alla struttura relativa, a differenza delle metriche euclidee standard.

2. Architettura del Modello

Il modello estende l'architettura Phyloformer sostituendo l'attenzione softmax classica con Attenzione Assiale Tropicale:

• Elaborazione dell'Input: Gli MSA vengono codificati one-hot e incorporati. Le coppie non ordinate di foglie vengono concatenate per formare un tensore che rappresenta le relazioni a coppie attraverso le posizioni della sequenza.
• Meccanismo di Attenzione Tropicale:
  • Query ($Q$), Chiavi ($K$) e Valori ($V$) sono calcolati tramite proiezioni lineari tropicali (utilizzando $\max$ e $+$) nel semianello max-plus.
  • I punteggi di attenzione sono calcolati utilizzando la metrica tropicale: $S_{i,j} = -(\max(k_j - q_i) - \min(k_j - q_i))$.
  • L'aggregazione è eseguita tramite moltiplicazione di matrici tropicali: $\text{Attn}(Q, K, V)_i = \max_j (S_{i,j} + v_j)$.
  • Questo sostituisce la media "morbida" del softmax con un meccanismo di selezione "netto" che preserva i confini decisionali lineari a tratti.
• Decomposizione Assiale: Il modello applica l'attenzione lungo due assi: l'asse della sequenza (per apprendere evidenze di mutazione attraverso i siti di allineamento) e l'asse delle coppie (per apprendere le relazioni tra coppie di foglie, imponendo vincoli geometrici dell'albero).
• Output: Una proiezione feed-forward punto per punto riduce la dimensione del canale per prevedere le distanze a coppie, seguita da un'attivazione Softplus per garantire la non negatività.

3. Funzioni di Perdita

L'obiettivo di addestramento combina tre componenti per imporre sia l'accuratezza che la coerenza geometrica:

1. Perdita $\ell_1$: Misura l'errore assoluto coordinata per coordinata nello spazio euclideo ambientale per garantire la vicinanza alla verità fondamentale.
2. Perdita Simmetrica Tropicale: Utilizza la metrica proiettiva di Hilbert ($d_{tr}$) per penalizzare le distorsioni nella geometria tropicale, incoraggiando il modello a preservare la struttura relativa delle distanze piuttosto che solo i valori assoluti.
3. Penalità Ultrametrica: Penalizza le violazioni della condizione ultrametrica (dove le due distanze più grandi in qualsiasi terna devono essere uguali).

• Strategia di Addestramento: La penalità ultrametrica viene attivata solo dopo le prime 20 epoche per permettere al modello di apprendere prima la geometria grezza delle distanze prima di imporre vincoli rigorosi sugli alberi.

Risultati Chiave

Il modello è stato valutato rispetto a Phyloformer e Phyloformer 2 su tre tipi di dataset:

1. Simulazione In-Distribution: Su dati generati con lo stesso processo di nascita-morte del set di addestramento (variando il numero di foglie da $n=10$ a $n=100$), il modello tropicale ha mostrato prestazioni competitive, ottenendo generalmente risultati intermedi tra Phyloformer e Phyloformer 2 su metriche topologiche (Robinson-Foulds) e di lunghezza dei rami.
2. Simulazione Out-of-Distribution (OOD): Su dati generati utilizzando un processo di simulazione diverso (benchmark PhyML con modelli GTR), il modello tropicale ha dimostrato una robustezza superiore. Ha raggiunto un'accuratezza topologica comparabile a Phyloformer 2, superando significativamente entrambi i baseline su metriche sensibili alla lunghezza dei rami (distanze RF pesate e KF).
3. Dataset Empirici (DS1–DS11): Su dati biologici reali dove gli alberi veri sono sconosciuti, la valutazione si è concentrata sulla coerenza matrice-albero. Il modello tropicale ha prodotto matrici di distanza sostanzialmente più vicine (sia in MAE che in Distanza Tropicale) alle loro metriche ad albero indotte BME (Evoluzione Minima Bilanciata) rispetto ai modelli baseline. Ciò indica che il modello tropicale apprende una rappresentazione più coerente con la struttura poliedrica sottostante dello spazio degli alberi.

Significato e Affermazioni

Il documento afferma che la difficoltà dell'inferenza filogenetica non è meramente computazionale ma strutturale, derivante dalla natura non euclidea e combinatoria dello spazio degli alberi.

• Bias Induttivo Geometrico: Il contributo principale è dimostrare che sostituire l'attenzione euclidea con l'attenzione tropicale fornisce un quadro geometrico naturale per l'inferenza filogenetica. Allineando le operazioni della rete (max-plus) con i vincoli delle metriche ad albero (condizione a quattro punti), il modello apprende rappresentazioni intrinsecamente più coerenti con la topologia dell'albero.
• Robustezza allo Spostamento di Distribuzione: I risultati suggeriscono che l'attenzione tropicale agisce come un bias induttivo robusto, in particolare quando i modelli sono testati su distribuzioni di dati diverse dal set di addestramento.
• Coerenza rispetto alla Pura Accuratezza: Sebbene il modello non superi universalmente i baseline su tutte le metriche in contesti in-distribution, produce costantemente output più coerenti con la definizione matematica di una metrica ad albero. Ciò è particolarmente prezioso per compiti a valle in cui la validità della matrice di distanza è critica.

Gli autori concludono che l'attenzione assiale tropicale offre un approccio principiato all'inferenza filogenetica neurale, colmando il divario tra le architetture di deep learning e la geometria algebrica degli alberi evolutivi.