Smoothly Time-Varying Continuous Time Markov Chains in Phylogenetics

Sintesi Tecnica: Catene di Markov a Tempo Continuo con Variazione Temporale Fluida in Filogenetica

Enunciato del Problema
La ricostruzione delle storie evolutive a partire da dati di sequenze molecolari è centrale nella biologia evolutiva e nella ricerca sulle malattie infettive. L'inferenza filogenetica standard si basa su catene di Markov a tempo continuo (CTMC) omogenee, ricalate tramite modelli di orologio molecolare. Sebbene i modelli di orologio rilassati permettano ai tassi evolutivi di variare tra i rami, essi spesso non riescono a catturare la variazione sistematica del tasso dipendente dal tempo. Studi empirici su virus a rapida evoluzione (ad es., virus della famiglia Spumaretroviridae, SARS-CoV-2) hanno dimostrato che le stime del tasso evolutivo sono altamente sensibili alla finestra temporale di campionamento, un fenomeno noto come fenomeno del tasso dipendente dal tempo. I tentativi precedenti di modellare questo aspetto, come l'orologio "polyepoch" (Datta et al., 2025), utilizzano funzioni di tasso a tratti costanti. Sebbene questi modelli siano computazionalmente trattabili, introducono discontinuità artificiali in corrispondenza dei confini degli epoche, portando a oscillazioni locali spurie nelle stime del tasso e a intervalli di credibilità più ampi, particolarmente in regioni con un campionamento tassonomico denso. Vi è la necessità di un modello che possa accomodare tassi variabili nel tempo imponendo al contempo fluidità e continuità attraverso il dominio temporale.

Metodologia
Gli autori propongono il modello dell'orologio a spline (spline clock model), che integra catene di Markov a tempo continuo eterogenee (ICTMC) con una parametrizzazione del tasso non parametrica e flessibile.

• Framework ICTMC: Il processo di sostituzione delle sequenze è modellato come una ICTMC che agisce lungo i rami di una filogenesi. Gli autori assumono che la funzione del tasso variabile nel tempo $f(t)$ scali equamente tutti gli elementi della matrice del generatore infinitesimale $Q$, tale che $Q(t) = f(t)Q$. Sotto questa assunzione, la matrice di probabilità di transizione $P(t_0, t)$ per un ramo si riduce a una funzione dell'integrale della funzione del tasso su quel ramo: $P(t_0, t) = \exp\left(\int_{t_0}^t f(\tau) d\tau \cdot Q\right)$.
• Parametrizzazione a Spline: Per garantire la fluidità, il logaritmo trasformato del tasso è modellato come un'espansione di base B-spline cubica: $g(t) = \beta_0 + \sum \beta_i B_{i,d}(t)$, dove $d=3$. La funzione del tasso è definita come $f(t) = \exp(g(t))$. Questa scelta garantisce che il tasso sia positivo e permette un'interpretazione log-lineare, evitando i problemi di identificabilità associati alle funzioni di collegamento al quadrato.
• Integrazione Numerica: L'integrale di $\exp(g(t))$ richiesto per la valutazione della verosimiglianza non possiede una soluzione in forma chiusa. Gli autori approssimano questi integrali efficientemente utilizzando la quadratura di Gauss-Legendre (GL). Sfruttando la natura polinomiale a tratti delle B-spline, la regola GL viene applicata localmente su ogni intervallo di nodo che si sovrappone a un ramo. Questo approccio fornisce un'elevata accuratezza con un costo computazionale deterministico e fisso, evitando i problemi di convergenza iterativa degli integratori adattivi.
• Inferenza Bayesiana: Il modello impiega un framework bayesiano. Un Campo Aleatorio di Markov Gaussiano (GMRF) è posto sui coefficienti delle spline per penalizzare la rugosità e prevenire l'overfitting. Nello specifico, viene utilizzato un prior di tipo random walk del primo ordine con un parametro di precisione $\tau$. Per garantire la correttezza del posterior (poiché la verosimiglianza non decade a zero quando i coefficienti tendono all'infinito), gli autori utilizzano un prior GMRF proprio con una matrice di precisione modificata ($D - \rho A$ con $\rho=0.99$). Gli iperparametri, incluso il parametro di precisione di smoothing, sono stimati dai dati. L'inferenza è eseguita tramite uno schema MCMC Metropolis-within-Gibbs.

Contributi Chiave

1. Architettura del Modello Novativa: L'introduzione del modello dell'orologio a spline, che sostituisce l'assunzione a tratti costanti dei precedenti modelli basati su epoche con una base B-spline cubica continuamente differenziabile.
2. Efficienza Computazionale: Lo sviluppo di una strategia di quadratura Gauss-Legendre a tratti che consente l'integrazione numerica efficiente e accurata della funzione del tasso richiesta per le probabilità di transizione delle ICTMC, superando le proibizioni computazionali dei framework completamente non parametrici.
3. Strategia di Regolarizzazione: L'implementazione di un prior GMRF proprio sui coefficienti delle spline che bilancia flessibilità e fluidità, controllata da un parametro di precisione guidato dai dati, garantendo un'inferenza stabile senza vincoli arbitrari sui nodi.

Risultati

• Studio di Simulazione: Il modello è stato testato su dati simulati con una traiettoria del tasso variabile nel tempo nota (aumento log-lineare seguito da un rapido declino).
  • Il modello dell'orologio a spline ha recuperato la vera traiettoria del tasso con un'elevata accuratezza e intervalli di credibilità più stretti rispetto all'orologio rilassato non correlato (UCLD) e all'orologio polyepoch (PCM).
  • Il modello UCLD non è riuscito a catturare i trend temporali sistematici, mentre il PCM ha mostrato rugosità e discontinuità a causa della sua natura discretizzata.
• Analisi del Virus della Famiglia Spumaretroviridae (FV): Applicato a un dataset di 14 sequenze pol di FV che coprono circa 100 milioni di anni.
  • Il modello ha rivelato forti segnali di variazione temporale, con stime del tasso che variano di quattro ordini di grandezza.
  • A differenza dei precedenti modelli di decadimento a legge di potenza, l'orologio a spline ha recuperato una traiettoria non monotona, includendo un tasso elevato vicino alla radice (circa 90 milioni di anni fa) e un successivo calo, seguito da un aumento nei tempi recenti. Ciò suggerisce una complessa eterogeneità del tasso potenzialmente guidata sia dal tempo che da fattori specifici della linea evolutiva.
• Diffusione Spaziale di SARS-CoV-2: Applicato a 3.959 genomi da 10 paesi europei raccolti nel 2020 per modellare il tasso di diffusione spaziale.
  • I tassi di diffusione inferiti hanno rispecchiato da vicino le reali interventi di sanità pubblica.
  • Il modello ha rilevato una diminuzione dei tassi di diffusione durante le prime ondate di lockdown (gennaio–aprile), un aumento coincidente con il rilassamento delle misure (aprile–luglio) e un successivo declino durante la seconda ondata (luglio–ottobre).
  • L'analisi ha identificato con successo le origini e la diffusione di varianti specifiche (B.1.160/20A.EU2 e B.1.177/20E(EU1)).

Significatività e Rivendicazioni
Il documento afferma che il modello dell'orologio a spline colma un vuoto metodologico critico tra i modelli di orologio parametrici rigidi e le alternative completamente non parametriche computazionalmente proibitive. Fornendo un modo rigoroso per tenere conto della variazione temporale sistematica dei tassi evolutivi, il modello produce stime più fluide e accurate con una precisione migliorata. Gli autori sostengono che il framework non è limitato ai tassi di sostituzione nucleotidica, ma si estende naturalmente ad altri processi discreti variabili nel tempo, come la diffusione spaziale in filogeografia. La capacità di recuperare forti segnali di variazione temporale sia in profonde scale temporali evolutive (FV) che in dinamiche epidemiche rapide (SARS-CoV-2) dimostra la versatilità e la robustezza del modello. Gli autori suggeriscono che i lavori futuri potrebbero estendere questo framework per catturare congiuntamente la variazione del tasso sia nel tempo che nelle linee evolutive.