Identifiability of phylogenetic networks and quintet concordance factors

Resumo Técnico: Identificabilidade de Redes Filogenéticas e Fatores de Concordância de Quintetos

Enunciado do Problema
Redes filogenéticas são cada vez mais necessárias para modelar histórias evolutivas que envolvem hibridização, mistura (admixture) e fluxo gênico lateral, que violam as suposições dos modelos de árvores padrão. No entanto, inferir essas redes é computacionalmente e estatisticamente desafiador. Um pré-requisito fundamental para qualquer método de inferência é a identificabilidade: a capacidade de determinar unicamente características da rede (como a localização da raiz, estruturas de ciclos e nós híbridos) a partir da distribuição de dados gerados pelo modelo.

Embora o uso de Fatores de Concordância (CFs) de quartetos — frequências de relações topológicas de 4 táxons em árvores de genes — tenha facilitado a inferência sob o modelo de Coalescente Multiespécies de Rede (NMSC), isso sofre de problemas conhecidos de não-identificabilidade. Especificamente, os CFs de quartetos não conseguem identificar a localização da raiz de uma rede ou certas características de pequenos ciclos (por exemplo, a presença de 2-ciclos ou o nó híbrido específico dentro de 3- ou 4-ciclos). Os autores postulam que os CFs de quintetos (frequências de relações de 5 táxons) podem resolver essas ambiguidades, pois demonstraram identificar localizações de raiz em árvores filogenéticas. No entanto, a complexidade algébrica de computar CFs de quintetos para redes tem dificultado um estudo sistemático de suas propriedades de identificabilidade.

Metodologia
O artigo emprega uma combinação de desenvolvimento algorítmico, computação simbólica e geometria algébrica para investigar a identificabilidade de redes filogenéticas de nível-1 usando CFs de quintetos.

1. Algoritmo Simbólico para Computação de CF:
   Os autores desenvolvem um novo algoritmo recursivo para computar fórmulas simbólicas para a probabilidade de qualquer árvore de genes não enraizada (ou subárvore de $m$-táxons) sob o modelo NMSC.

   • Ao contrário de métodos anteriores que enumeram todas as histórias de coalescência (o que é computacionalmente inviável para derivação simbólica), este algoritmo reduz a rede e a árvore de genes ao considerar histórias de coalescência parciais dentro de edições únicas.
   • Ele lida tanto com arestas de árvore quanto com arestas híbridas. Para arestas híbridas, ele "divide" recursivamente o nó híbrido com base na partição das linhagens descendentes que entram em cada aresta parental, ponderada por parâmetros de hibridização ($\lambda$).
   • O algoritmo transforma comprimentos de arestas em probabilidades de aresta ($x = e^{-\ell}$), garantindo que os CFs resultantes sejam funções polinomiais dos parâmetros.
   • Este algoritmo é implementado em Macaulay2, permitindo a geração de parametrizações simbólicas para redes arbitrárias.

2. Estrutura Algébrica para Identificabilidade:
   Os autores tratam o mapa de parâmetros da rede para CFs como um mapa polinomial. Eles analisam os ideais de nulidade ($I_N$) e as variedades algébricas ($V_N$) associadas a esses mapas.

   • Duas redes são genericamente distinguíveis se suas variedades associadas diferirem.
   • Como o cálculo de bases de Gröbner completas para polinômios de alto grau é frequentemente inviável, os autores utilizam matroides algébricas para distinguir variedades quando os ideais completos não podem ser computados.
   • Eles empregam técnicas de homogeneização e implicitização multigraduada para computar invariantes de baixo grau (até grau 4) e verificar primalidade e dimensão para confirmar quando os ideais completos foram encontrados.

3. Escopo da Análise:
   O estudo foca em redes de 5 táxons, enraizadas, binárias, de nível-1 sem 2-ciclos. A exclusão de 2-ciclos é necessária porque sua inclusão resultaria em um número infinito de topologias de rede para 5 táxons. A análise cobre todas as possíveis "árvores de blobs" (a estrutura de árvore subjacente da rede) para 5 táxons.

Principais Contribuições

• Novo Algoritmo: Um algoritmo recursivo e simbólico para computar Fatores de Concordância de $m$-táxons em redes filogenéticas arbitrárias sob o NMSC, implementado em Macaulay2.
• Classificação Sistemática: Uma classificação exaustiva das variedades algébricas geradas por CFs de quintetos para todas as 190 redes de nível-1 enraizadas em 5 táxons (excluindo 2-ciclos).
• Resultados de Identificabilidade: Uma caracterização detalhada de quais características de rede tornam-se identificáveis ao passar de CFs de quartetos para quintetos.

Resultados
Os resultados computacionais produzem afirmações específicas de identificabilidade para diferentes topologias de rede:

• Árvore de Blobs (Totalmente Resolvida):

  • Os CFs de quintetos podem determinar a presença de um 3-ciclo no vértice central da árvore de blobs.
  • Se um 3-ciclo central existir, a presença de 3-ciclos adicionais nas posições de "cherry" (adjacentes a pares de táxons específicos) não pode ser determinada.
  • A localização da raiz é geralmente identificável, exceto quando a raiz reside dentro de um "cluster" (um 3-ciclo e suas arestas pendentes), onde a posição exata da raiz dentro desse cluster não pode ser distinguida.
  • Nós híbridos dentro de 3-ciclos não são geralmente identificáveis, exceto pelas restrições impostas pela localização da raiz.

• Árvore de Blobs (4-multifurcação):

  • O nó híbrido de um 4-ciclo é identificável.
  • A localização da raiz é identificável em muitos casos, embora alguma ambiguidade permaneça quando a raiz reside em um cluster contendo um 3-ciclo.
  • A presença de um 3-ciclo em um cluster específico só é detectável se a raiz residir dentro desse cluster.
  • Nota: Para certas localizações de raiz no 4-ciclo, os autores encontraram evidência numérica (via conjuntos de testemunhas pseudo e continuação de homotopia) sugerindo distinguibilidade, mas não puderam fornecer uma prova algébrica rigorosa devido ao alto grau de invariantes ausentes (graus 13, 29 ou 62).

• Árvore de Blobs (5-multifurcação):

  • Tanto a raiz da rede quanto as localizações dos nós híbridos são identificáveis.

Significância e Alegações
O artigo afirma que os CFs de quintetos fornecem estritamente mais informação do que os CFs de quartetos em relação à localização da raiz e estruturas de pequenos ciclos (especificamente 3-ciclos) em redes de nível-1.

• Fundação para Inferência: Os autores enfatizam que a identificabilidade é um pré-requisito necessário para a consistência estatística. Ao estabelecer quais características são identificáveis, este trabalho estabelece a base teórica para futuros métodos de inferência que utilizem CFs de quintetos.
• Limitações: Os autores são modestos em suas alegações, observando que:
  • Os resultados são específicos para redes de nível-1 de 5 táxons sem 2-ciclos.
  • Alguns resultados de não-identificabilidade baseiam-se em invariantes de baixo grau e matroides, em vez de cálculos de ideais completos, o que significa que refletem a indistinguibilidade em relação às relações algébricas atualmente conhecidas, em vez de provas definitivas de equivalência.
  • O estudo não aborda 2-ciclos, que serão objeto de trabalhos futuros, pois sua inclusão cria uma classe infinita de redes.
  • A análise foca na distinguibilidade algébrica; as restrições semialgebraicas (desigualdades) necessárias para a identificabilidade de parâmetros reais não foram totalmente exploradas.

Em resumo, o trabalho demonstra que, embora os CFs de quintetos resolvam várias ambiguidades inerentes aos métodos baseados em quartetos (particularmente em relação ao posicionamento da raiz), eles não eliminam todos os problemas de identificabilidade, especialmente no que diz respeito à localização precisa de raízes dentro de clusters de ciclos complexos.