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

Sintesi Tecnica: PhylaFlow – Adattamento Ibrido di Flusso nello Spazio degli Alberi di Billera–Holmes–Vogtmann

Enunciato del Problema
L'inferenza filogenetica è fondamentalmente un problema di ottimizzazione ibrido: coinvolge un'ottimizzazione continua sulle lunghezze dei rami e una ricerca discreta sulle topologie degli alberi. I metodi bayesiani tradizionali, come il Monte Carlo a Catena di Markov (MCMC) implementato in MrBayes, spesso faticano con i periodi di "burn-in", durante i quali le catene spendono risorse computazionali eccessive esplorando regioni a bassa probabilità dello spazio degli alberi prima di scoprire i bacini rilevanti per la distribuzione a posteriori. Ciò è particolarmente impegnativo perché lo spazio degli alberi filogenetici non è puramente euclideo; i cambiamenti topologici avvengono attraverso contrazioni e espansioni discrete degli spigoli, mentre le lunghezze dei rami variano in modo continuo. Lo spazio degli alberi di Billera–Holmes–Vogtmann (BHV) fornisce una geometria canonica per questa struttura, rappresentando ogni topologia come un ortante euclideo e le transizioni topologiche come movimenti attraverso confini condivisi di dimensione inferiore. Tuttavia, gli approcci neurali esistenti spesso tentano di sostituire completamente l'MCMC con approssimazioni variazionali o generano singoli alberi ad alto punteggio senza apprendere le dinamiche di trasporto continuo-discreto necessarie per navigare efficacemente la geometria BHV.

Metodologia
Gli autori introducono PhylaFlow, un modello di adattamento di flusso ibrido progettato per apprendere il "trasporto verso i bacini a posteriori" all'interno dello spazio degli alberi BHV. Piuttosto che sostituire l'inferenza bayesiana, PhylaFlow agisce come un'inizializzazione ammortizzata e un meccanismo di proposta che trasporta alberi di partenza arbitrari verso regioni supportate dalla distribuzione a posteriori.

• Formulazione Geometrica: Il modello opera all'interno dello spazio metrico BHV. Tratta il compito di inferenza come un problema di trasporto ottimo, apprendendo una mappa che spinge in avanti i campioni da una distribuzione di base (alberi di partenza casuali) verso un'approssimazione della distribuzione a posteriori target.
• Architettura Ibrida: PhylaFlow impiega un transformer a grafo per elaborare gli stati degli alberi (topologia e lunghezze dei rami) condizionati agli embedding delle sequenze e al tempo. L'architettura utilizza tre testine distinte per gestire la natura ibrida dello spazio:
  1. Testina di Velocità: Prevede le velocità continue delle lunghezze dei rami all'interno di una topologia fissa (ortante), modellando il movimento tramite un campo vettoriale dipendente dal tempo.
  2. Testina del Primo Impatto: Prevede quali spigoli interni contrarranno a zero per primi, identificando il prossimo evento di confine in cui è imminente un cambiamento topologico.
  3. Testina di Topologia: Un modulo autoregressivo che risolve la politomia risultante (albero non risolto) dopo il collasso di un confine in una nuova topologia valida, prevedendo una sequenza di azioni di sottoinsieme strutturati.
• Obiettivo di Addestramento: Il modello è addestrato su percorsi geodetici BHV supervisionati che collegano alberi di partenza casuali ad alberi target campionati da una distribuzione a posteriori a breve esecuzione. La funzione di perdita combina l'adattamento di flusso continuo (per le lunghezze dei rami), la classificazione binaria (per gli eventi di collasso degli spigoli) e l'entropia incrociata autoregressiva (per le transizioni topologiche).
• Inferenza e Raffinamento: Durante l'inferenza, PhylaFlow genera alberi candidati da partenze casuali. Questi alberi vengono quindi utilizzati per inizializzare le catene standard di MrBayes per un raffinamento basato sulla verosimiglianza. Gli autori propongono anche una variante PhylaFlow-MCMC, in cui la struttura di divisione appresa da PhylaFlow viene utilizzata per influenzare le proposte locali NNI (Interscambio del Vicino Più Vicino) durante l'esecuzione MCMC, guidando la catena verso le divisioni supportate dalla distribuzione a posteriori.

Contributi Chiave

1. Adattamento Ibrido di Flusso nello Spazio BHV: Il documento dimostra che i modelli di trasporto neurale possono apprendere movimenti significativi attraverso la geometria ibrida dello spazio degli alberi, accoppiando l'evoluzione continua delle lunghezze dei rami con le transizioni topologiche discrete.
2. Inizializzazione Ammortizzata: PhylaFlow fornisce un meccanismo di proposta consapevole della geometria che riduce significativamente la distanza (misurata tramite Tree-KL) tra alberi di partenza casuali e bacini rilevanti per la distribuzione a posteriori prima che avvenga qualsiasi raffinamento basato sulla verosimiglianza.
3. Raffinamento Guidato dalle Divisioni: Il lavoro introduce un metodo per utilizzare la geometria a posteriori appresa per guidare le proposte MCMC, migliorando le prestazioni nei casi "difficili" in cui i movimenti locali standard faticano a sfuggire a bacini subottimali.
4. Condizionamento delle Sequenze: Gli autori dimostrano che il processo di trasporto può essere condizionato sugli embedding delle sequenze (Phyla embeddings), permettendo al modello di indirizzare il trasporto verso strutture di divisione specifiche del dataset, sebbene il recupero esatto della topologia in un contesto congiunto rimanga preliminare.

Risultati
Valutato su otto dataset di riferimento (DS1–DS8) che coprono regimi evolutivi diversi, PhylaFlow dimostra miglioramenti sostanziali rispetto alle linee di base standard:

• Qualità Iniziale: Prima del raffinamento MCMC, PhylaFlow ottiene il Tree-KL iniziale più basso (divergenza dalla distribuzione a posteriori a lungo termine) su tutti gli otto dataset rispetto a inizializzatori casuali, di massima parsimonia, di massima verosimiglianza (IQ-TREE) e basati su UShER.
• Efficienza di Raffinamento: Dopo un raffinamento MrBayes con budget finito (100k generazioni), l'inizializzazione diretta PhylaFlow supera gli altri metodi non guidati su cinque degli otto dataset.
• Prestazioni nei Casi Difficili: La variante PhylaFlow-MCMC, che utilizza le divisioni apprese per guidare le proposte, ottiene il Tree-KL finale migliore sui dataset più difficili (DS3, DS5, DS6, DS7), superando significativamente sia le linee di base standard che i controlli neurali forti come PhyloGFN sotto lo stesso budget computazionale.
• Confronto con i Controlli: PhylaFlow supera le linee di base con warm-up breve su sette degli otto dataset e PhyloGFN su cinque degli otto dataset. Sebbene PhyloGFN sia un campionatore addestrato sulla verosimiglianza potente, PhylaFlow offre un percorso computazionalmente più efficiente verso una geometria a posteriori utile, con tempi di configurazione generalmente inferiori rispetto a PhyloGFN su dataset più grandi.
• Plausibilità della Verosimiglianza: Gli alberi generati mantengono profili di verosimiglianza plausibili, indicando che il modello apprende una struttura a posteriori riutilizzabile piuttosto che produrre semplicemente alberi isolati ad alto punteggio.

Significato e Affermazioni
Il documento afferma che PhylaFlow fornisce un esempio precoce di modellazione differenziabile e consapevole della geometria per l'inferenza filogenetica. Il suo significato principale risiede nel dimostrare che il trasporto azionabile nello spazio degli alberi BHV è apprendibile. Gli autori posizionano PhylaFlow non come un sostituto dell'inferenza bayesiana, ma come un meccanismo complementare che migliora l'efficienza della scoperta dei bacini a posteriori. Apprendendo il "movimento" attraverso lo spazio degli alberi, il modello riduce il tempo di burn-in richiesto affinché le catene MCMC raggiungano regioni ad alta distribuzione a posteriori. I risultati suggeriscono che l'adattamento ibrido di flusso può catturare una geometria a posteriori azionabile, offrendo un nuovo paradigma per inizializzare e guidare l'inferenza filogenetica che rispetta la struttura combinatoria-continua intrinseca dello spazio degli alberi. Gli autori rimangono modesti riguardo agli esperimenti condizionati alle sequenze, notando che, sebbene gli embedding possano guidare il recupero delle divisioni, il recupero esatto della topologia a posteriori in un contesto congiunto e trasversale ai dataset rimane preliminare.