Resumo Técnico: Inferência de Árvore Filogenética com Atenção Axial Tropical

Declaração do Problema

A reconstrução de árvores filogenéticas é um problema de otimização combinatória destinado a inferir relações evolutivas a partir de alinhamentos de múltiplas sequências (MSAs). Embora existam abordagens estatísticas padrão (por exemplo, Máxima Verossimilhança, Inferência Bayesiana) e métodos baseados em distâncias (por exemplo, Neighbor Joining, Evolução Mínima Balanceada), eles enfrentam desafios significativos. Métodos baseados em distâncias exigem a estimativa de uma matriz de distâncias par a par e, em seguida, sua projeção no espaço de árvores filogenéticas válidas. Este espaço não é uma variedade euclidiana suave, mas um subespaço estruturado, não euclidiano, definido por restrições poliedrais (especificamente a condição de quatro pontos e desigualdades ultramétricas).

Abordagens recentes de aprendizado profundo, como Phyloformer e Phyloformer 2, utilizam arquiteturas de transformador com atenção padrão de produto escalar softmax para prever matrizes de distâncias diretamente a partir de MSAs. No entanto, esses modelos operam no espaço euclidiano e dependem de distribuições de probabilidade suaves e densas. Os autores argumentam que essa incompatibilidade geométrica falha em capturar a estrutura combinatória e linear por partes inerente às métricas de árvores, levando a saídas que podem violar restrições de árvores e ter dificuldade em generalizar sob deslocamentos de distribuição (por exemplo, mudanças no comprimento da sequência ou em modelos evolutivos).

Metodologia

O artigo propõe uma arquitetura neural de Atenção Axial Tropical projetada para alinhar o viés indutivo do modelo com a geometria do espaço de árvores filogenéticas.

1. Fundamentação Teórica: Geometria Tropical

A principal ideia teórica é o isomorfismo entre o espaço de árvores filogenéticas com $n$ espécies e a Grassmanniana Tropical. A álgebra tropical substitui a adição e a multiplicação padrão por $\max$ e adição, respectivamente (o semianel max-plus).

• Métricas de Árvore: Métricas de árvore válidas são caracterizadas pela condição de quatro pontos, que envolve operações de máximo em vez de combinações lineares.
• Ultramétricas: Árvores enraizadas equidistantes satisfazem a condição ultramétrica, também governada por operações de máximo.
• Espaço Métrico: Os autores utilizam a métrica projetiva de Hilbert (métrica tropical) no espaço quociente $\mathbb{R}^D / \mathbb{R}\mathbf{1}$, que é invariante a deslocamentos aditivos e sensível à estrutura relativa, ao contrário das métricas euclidianas padrão.

2. Arquitetura do Modelo

O modelo estende a arquitetura Phyloformer substituindo a atenção softmax padrão por Atenção Axial Tropical:

• Processamento de Entrada: MSAs são codificados one-hot e incorporados. Pares desordenados de folhas são concatenados para formar um tensor representando relações par a par através das posições da sequência.
• Mecanismo de Atenção Tropical:
  • Consultas ($Q$), Chaves ($K$) e Valores ($V$) são computados via projeções lineares tropicais (usando $\max$ e $+$) no semianel max-plus.
  • Pontuações de atenção são calculadas usando a métrica tropical: $S_{i,j} = -(\max(k_j - q_i) - \min(k_j - q_i))$.
  • A agregação é realizada via multiplicação de matriz tropical: $\text{Attn}(Q, K, V)_i = \max_j (S_{i,j} + v_j)$.
  • Isso substitui a média "suave" do softmax por um mecanismo de seleção "nítido" que preserva fronteiras de decisão lineares por partes.
• Decomposição Axial: O modelo aplica atenção ao longo de dois eixos: o eixo da sequência (para aprender evidências de mutação através dos sítios de alinhamento) e o eixo do par (para aprender relações entre pares de folhas, impondo restrições geométricas de árvores).
• Saída: Uma projeção feed-forward ponto a ponto reduz a dimensão do canal para prever distâncias par a par, seguida por uma ativação Softplus para garantir não negatividade.

3. Funções de Perda

O objetivo de treinamento combina três componentes para impor tanto precisão quanto consistência geométrica:

1. Perda $\ell_1$: Mede o erro absoluto coordenada a coordenada no espaço euclidiano ambiente para garantir proximidade com a verdade fundamental.
2. Perda Simétrica Tropical: Utiliza a métrica projetiva de Hilbert ($d_{tr}$) para penalizar distorções na geometria tropical, incentivando o modelo a preservar a estrutura relativa das distâncias em vez de apenas os valores absolutos.
3. Penalidade Ultramétrica: Penaliza violações da condição ultramétrica (onde as duas maiores distâncias em qualquer tripla devem ser iguais).

• Estratégia de Treinamento: A penalidade ultramétrica é ativada apenas após as primeiras 20 épocas para permitir que o modelo aprenda primeiro a geometria grosseira das distâncias antes de impor restrições estritas de árvores.

Resultados Principais

O modelo foi avaliado contra Phyloformer e Phyloformer 2 em três tipos de conjuntos de dados:

1. Simulação Intra-Distribuição: Em dados gerados com o mesmo processo de nascimento-morte do conjunto de treinamento (variando contagens de folhas $n=10$ a $n=100$), o modelo tropical performou competitivamente, geralmente alcançando resultados entre Phyloformer e Phyloformer 2 em métricas topológicas (Robinson-Foulds) e de comprimento de ramo.
2. Simulação Fora de Distribuição (OOD): Em dados gerados usando um processo de simulação diferente (benchmark PhyML com modelos GTR), o modelo tropical demonstrou robustez superior. Alcançou precisão topológica comparável ao Phyloformer 2 enquanto superava significativamente ambas as linhas de base em métricas sensíveis ao comprimento de ramo (distâncias RF ponderadas e KF).
3. Conjuntos de Dados Empíricos (DS1–DS11): Em dados biológicos do mundo real onde as árvores verdadeiras são desconhecidas, a avaliação focou na consistência matriz-para-árvore. O modelo tropical produziu matrizes de distâncias que estavam substancialmente mais próximas (tanto em MAE quanto em Distância Tropical) de suas métricas de árvores induzidas BME (Evolução Mínima Balanceada) do que os modelos de base. Isso indica que o modelo tropical aprende uma representação mais consistente com a estrutura poliedral subjacente do espaço de árvores.

Significado e Alegações

O artigo alega que a dificuldade da inferência filogenética não é meramente computacional, mas estrutural, surgindo da natureza não euclidiana e combinatória do espaço de árvores.

• Viés Indutivo Geométrico: A principal contribuição é demonstrar que substituir a atenção euclidiana por atenção tropical fornece um quadro geométrico natural para a inferência filogenética. Ao alinhar as operações da rede (max-plus) com as restrições das métricas de árvores (condição de quatro pontos), o modelo aprende representações que são inerentemente mais consistentes com a topologia da árvore.
• Robustez a Deslocamentos de Distribuição: Os resultados sugerem que a atenção tropical atua como um viés indutivo robusto, particularmente quando os modelos são testados em distribuições de dados diferentes do conjunto de treinamento.
• Consistência sobre Precisão Pura: Embora o modelo não supere universalmente as linhas de base em todas as métricas em configurações intra-distribuição, ele consistentemente produz saídas que são mais consistentes com a definição matemática de uma métrica de árvore. Isso é particularmente valioso para tarefas subsequentes onde a validade da matriz de distâncias é crítica.

Os autores concluem que a atenção axial tropical oferece uma abordagem principial para a inferência filogenética neural, preenchendo a lacuna entre arquiteturas de aprendizado profundo e a geometria algébrica das árvores evolutivas.