Identifiability of phylogenetic networks and quintet concordance factors

Technische Samenvatting: Identificeerbaarheid van Fylogenetische Netwerken en Quintet Concordance Factors

Probleemstelling
Fylogenetische netwerken zijn steeds noodzakelijker voor het modelleren van evolutionaire geschiedenissen die betrokken zijn bij hybridisatie, admixing en laterale genoverdracht, wat de aannames van standaard boommodellen schendt. Het reconstrueren van deze netwerken is echter computationeel en statistisch uitdagend. Een fundamentele voorwaarde voor elke inferentiemethode is identificeerbaarheid: het vermogen om netwerkkenmerken (zoals de locatie van de wortel, cyclusstructuren en hybride knopen) uniek te bepalen uit de distributie van data gegenereerd door het model.

Hoewel het gebruik van quartet Concordance Factors (CFs) — frequenties van 4-taxon topologische relaties op genbomen — de inferentie onder het Network Multispecies Coalescent (NMSC) model heeft gefaciliteerd, lijdt dit aan bekende problemen met niet-identificeerbaarheid. Specifiek kunnen quartet CFs de locatie van de wortel van een netwerk niet identificeren, noch bepaalde kenmerken van kleine cycli (bijv. de aanwezigheid van 2-cycli of de specifieke hybride knoop binnen 3- of 4-cycli). De auteurs stellen dat quintet CFs (frequenties van 5-taxon relaties) deze ambiguïteiten kunnen oplossen, aangezien zij zijn aangetoond de locaties van wortels in fylogenetische bomen te kunnen identificeren. De algebraïsche complexiteit van het berekenen van quintet CFs voor netwerken heeft echter een systematische studie naar hun identificeerbaarheidseigenschappen gehinderd.

Methodologie
Het artikel maakt gebruik van een combinatie van algoritmische ontwikkeling, symbolische berekening en algebraïsche meetkunde om de identificeerbaarheid van level-1 fylogenetische netwerken met behulp van quintet CFs te onderzoeken.

1. Symbolisch Algoritme voor CF-berekening:
   De auteurs ontwikkelen een nieuw recursief algoritme om symbolische formules te berekenen voor de waarschijnlijkheid van elke ongewortelde genboom (of $m$-taxon substree) onder het NMSC-model.

   • In tegen tegenstelling tot eerdere methoden die alle coalescentiegeschiedenissen enumereren (wat computationeel onhaalbaar is voor symbolische afleiding), reduceert dit algoritme het netwerk en de genboom door partiële coalescentiegeschiedenissen binnen enkele randen te overwegen.
   • Het behandelt zowel boomranden als hybride randen. Voor hybride randen "splitst" het algoritme de hybride knoop recursief op basis van de partitie van afstammende lineages die elke ouderlijke rand binnenkomen, gewogen door hybridisatieparameters ($\lambda$).
   • Het algoritme transformeert randlengtes naar rand-waarschijnlijkheden ($x = e^{-\ell}$), waardoor de resulterende CFs polynoomfuncties van de parameters worden.
   • Dit algoritme is geïmplementeerd in Macaulay2, waardoor het mogelijk is om symbolische parametriseringen voor willekeurige netwerken te generen.

2. Algebraïsch Kader voor Identificeerbaarheid:
   De auteurs behandelen de afbeelding van netwerkparameters naar CFs als een polynoomafbeelding. Ze analyseren de vanishing ideals ($I_N$) en de algebraïsche variëteiten ($V_N$) die geassocieerd zijn met deze afbeeldingen.

   • Twee netwerken zijn generiek onderscheidbaar als hun geassocieerde variëteiten verschillen.
   • Omdat het berekenen van volledige Gröbner-bases voor hoog-graads polynomen vaak onhaalbaar is, maken de auteurs gebruik van algebraïsche matroïden om variëteiten te onderscheiden wanneer volledige idealen niet berekend kunnen worden.
   • Ze gebruiken homogenisatietechnieken en multigraad implicitatie om laag-graads invarianten (tot graad 4) te berekenen en primaliteit en dimensie te verifiëren om te bevestigen wanneer volledige idealen zijn gevonden.

3. Omvang van de Analyse:
   De studie richt zich op 5-taxon, gewortelde, binaire, level-1 netwerken zonder 2-cycli. De uitsluiting van 2-cycli is noodzakelijk omdat de inclusie ervan zou resulteren in een oneindig aantal netwerktopologieën voor 5 taxa. De analyse dekt alle mogheden van "trees of blobs" (de onderliggende boomstructuur van het netwerk) voor 5 taxa.

Belangrijkste Bijdragen

• Nieuw Algoritme: Een recursief, symbolisch algoritme voor het berekenen van $m$-taxon Concordance Factors op willekeurige fylogenetische netwerken onder de NMSC, geïmplementeerd in Macaulay2.
• Systematische Classificatie: Een uitputtende classificatie van de algebraïsche variëteiten gegenereerd door quintet CFs voor alle 190 gewortelde level-1 netwerken op 5 taxa (exclusief 2-cycli).
• Identificeerbaarheidsresultaten: Een gedetailleerde karakterisering van welke netwerkkenmerken identificeerbaar worden wanneer men overgaat van quartet naar quintet CFs.

Resultaten
De computationele resultaten leveren specifieke identificeerbaarheidsverklaringen op voor verschillende netwerktopologieën:

• Tree of Blobs (Volledig Opgelost):

  • Quintet CFs kunnen de aanwezigheid van een 3-cyclus bij de centrale vertex van de tree of blobs bepalen.
  • Als een centrale 3-cyclus bestaat, kan de aanwezigheid van aanvullende 3-cycli bij de "cherry"-posities (grenzend aan specifieke taxonparen) niet worden bepaald.
  • De locatie van de wortel is over het algemeen identificeerbaar, behalve wanneer de wortel zich in een "cluster" bevindt (een 3-cyclus en de bijbehorende pendant edges), waar de exacte positie van de wortel binnen die cluster niet onderscheiden kan worden.
  • Hybride knopen binnen 3-cycli zijn over het algemeen niet identificeerbaar, behalve voor de beperkingen die worden opgelegd door de locatie van de wortel.

• Tree of Blobs (4-multifurcatie):

  • De hybride knoop van een 4-cyclus is identificeerbaar.
  • De locatie van de wortel is in veel gevallen identificeerbaar, hoewel er enige ambiguïteit blijft wanneer de wortel in een cluster ligt die een 3-cyclus bevat.
  • De aanwezigheid van een 3-cyclus in een specifieke cluster is alleen detecteerbaar als de wortel binnen die cluster ligt.
  • Noot: Voor bepaalde wortellocaties op de 4-cyclus vonden de auteurs numeriek bewijs (via pseudo-witness sets en homotopy continuation) dat wijst op onderscheidbaarheid, maar zij konden geen rigoureus algebraïsch bewijs leveren vanwege de hoge graad van ontbrekende invarianten (graden 13, 29 of 62).

• Tree of Blobs (5-multifurcatie):

  • Zowel de netwerkwortel als de locaties van de hybride knopen zijn identificeerbaar.

Betekenis en Claims
Het artikel claimt dat quintet CFs strikt meer informatie bieden dan quartet CFs met betrekking tot de locatie van de wortel en kleine-cyclusstructuren (specifiek 3-cycli) in level-1 netwerken.

• Fundament voor Inferentie: De auteurs benadrukken dat identificeerbaarheid een noodzakelijke voorwaarde is voor statistische consistentie. Door vast te stellen welke kenmerken identificeerbaar zijn, legt dit werk het theoretische fundament voor toekomstige inferentiemethoden die quintet CFs gebruiken.
• Beperkingen: De auteurs zijn bescheiden over hun claims en merken op dat:
  • De resultaten specifiek zijn voor 5-taxon, level-1 netwerken zonder 2-cycli.
  • Sommige niet-identificeerbaarheidsresultaten gebaseerd zijn op laag-graads invarianten en matroïden in plaats van volledige ideaalberekeningen, wat betekent dat ze reflecteren op ononderscheidbaarheid met betrekking tot momenteel bekende algebraïsche relaties, in plaats van definitieve bewijzen van equivalentie.
  • De studie geen 2-cycli behandelt, wat het onderwerp van toekomstig werk zal zijn, aangezien de inclusie ervan een oneindige klasse van netwerken creëert.
  • De analyse zich richt op algebraïsche onderscheidbaarheid; semialgebraïsche beperkingen (ongelijkheden) die vereist zijn voor identificeerbaarheid met reële parameters worden niet volledig verkend.

Samenvattend toont het werk aan dat hoewel quintet CFs verschillende ambiguïteiten oplossen die inherent zijn aan quartet-gebaseerde methoden (met name wat betreft de plaatsing van de wortel), zij niet alle identificeerbaarheidsproblemen elimineren, vooral wat betreft de precieze locatie van wortels binnen complexe cyclusclusters.