Sequence Design and Phylogenetic Inference with Generative Flow Networks

本文提出了一种名为 AncestorGFN 的基于生成流网络（GFlowNets）的无比对方法，通过联合生成序列与探索进化轨迹，在无需多重序列比对的情况下实现了系统发育推断与序列设计。

要点

这篇论文介绍了一种名为 AncestorGFN 的新方法，它试图用一种全新的视角来理解生物进化（特别是 RNA 序列的演化），并顺便设计新的生物序列。

为了让你轻松理解，我们可以把这篇论文的核心思想想象成**“在迷宫中绘制家族树”**。

1. 传统方法的痛点：笨重的“对齐”

传统的生物学家在研究进化时，就像是一群考古学家在拼凑碎瓷片。

• 做法：他们拿到一堆不同的 RNA 序列（比如来自不同物种的“碎片”），必须先把它们强行对齐（Multiple Sequence Alignment, MSA），让相同的字母排成一列，才能看出谁和谁像，谁是谁的祖先。
• 问题：这就像要把成千上万个形状各异的拼图硬拼在一起，不仅极其耗时（计算量巨大），而且如果拼错了（对齐错误），推导出的“家族树”（进化关系）也就全错了。

2. 新主角登场：GFlowNet（生成流网络）

这篇论文提出了一种叫 GFlowNet 的 AI 模型。我们可以把它想象成一个**“充满智慧的迷宫导游”**。

• 它的任务：这个导游的目标是生成各种各样的 RNA 序列（就像在迷宫里走出一条条路），并且希望生成的序列能符合某种“奖励规则”（比如长得像已知的、重要的生物序列）。
• 它的绝活：传统的 AI 只是告诉你“终点在哪里”，但 GFlowNet 不仅知道终点，还记录了你是怎么走到终点的。它把整个探索过程看作一张巨大的有向无环图（DAG），就像一张复杂的地铁线路图。

3. 核心创新：不用“对齐”，直接看“路线”

AncestorGFN 的厉害之处在于，它不需要把序列强行对齐。它通过观察 AI 在迷宫里走的**路线（轨迹）**来推断进化关系。

• 比喻：
  想象你在一个巨大的城市里（序列空间），有 100 个著名的地标（目标序列）。
  • 传统方法：把 100 个地标拍下来，拿尺子量它们之间的距离，画地图。
  • AncestorGFN 方法：观察成千上万个游客（AI 生成的路径）是如何从起点走到这些地标的。
  • 发现：如果你发现去“地标 A"和去“地标 B"的游客，在走到一半时都经过了同一个“十字路口”（中间状态），那么 AI 就会推断：这个“十字路口”很可能就是 A 和 B 共同的“祖先”。

4. 实验成果：像侦探一样破案

研究人员用这种方法测试了两种情况：

1. 短序列（4 个字母）：就像在简单的迷宫里找路。结果发现，AI 找到的“共同祖先”确实符合人类对进化的直觉。
2. 长序列（let-7 microRNA，10 个字母）：这就像在巨大的城市里找路。
   • 结果：AI 不仅成功找到了已知的“地标”（真实的生物序列），还发现了很多从未见过的“新地标”（新设计的序列）。
   • 惊喜：这些新发现的序列，都紧紧挨着已知的真实序列，就像是在真实地标的“邻居”位置。这说明 AI 真的学会了生物序列的“ neighborhoods”（邻里关系），而不仅仅是死记硬背。

5. 为什么这很重要？（通俗总结）

• 省去了“对齐”的麻烦：以前必须把序列排排坐才能比较，现在 AI 直接通过“走路”的过程就能看出谁和谁是一家人。
• 不仅能“看”，还能“造”：传统的进化分析只是“向后看”（分析过去），而这个模型不仅能分析过去，还能在推理时向前看，提出新的、可能存在的生物序列设计（比如设计新的药物分子）。
• 像“流量”一样思考：它把进化看作是一种“流量”。如果很多路径都汇聚到某个点，那个点就是重要的祖先节点。

6. 局限性与未来

当然，这篇论文也承认自己还只是个**“概念验证”（Proof-of-concept）**。

• 目前的局限：它处理的序列还比较短（像短句子），处理像人类基因那样长的“长篇小说”还有难度。
• 未来的方向：科学家希望未来能直接用这种“流量图”来画出标准的进化树，甚至用它来设计全新的蛋白质或药物，而不需要依赖传统的、笨重的对齐方法。

一句话总结：
这篇论文发明了一种聪明的 AI，它不通过“硬拼”序列来研究进化，而是通过观察 AI 生成序列的**“走路路径”，自动发现生物之间的“亲戚关系”，还能顺便“发明”**出新的生物序列。这就像是通过观察游客的足迹，自动还原出一座城市的交通历史和规划蓝图。

技术摘要

这是一篇关于利用生成流网络（Generative Flow Networks, GFlowNets）进行序列生成与**系统发育推断（Phylogenetic Inference）**的论文摘要。该论文被 ICLR 2026 的 Gen2 研讨会接收。

以下是对该论文的详细技术总结：

1. 研究背景与问题 (Problem)

• 系统发育推断的挑战：传统的系统发育推断旨在从分子序列中重建进化关系。然而，随着物种数量（taxa）的增加，可能的树拓扑结构数量呈指数级增长，计算极其困难。
• 多序列比对（MSA）的局限性：现有主流方法（如最大似然法、贝叶斯法）严重依赖多序列比对（MSA）。MSA 的计算成本高昂，且比对过程中的错误会传播并影响最终推断的进化树准确性。
• 现有生成模型的不足：虽然已有研究将生成模型应用于序列生成或树拓扑生成，但如何利用生成轨迹同时生成序列并隐式地探索系统发育关系，目前尚属空白。

2. 方法论 (Methodology)

作者提出了 AncestorGFN，一种基于 GFlowNets 的无 MSA（alignment-free）方法，旨在同时生成匹配目标分布的序列并推断其进化关系。

2.1 核心架构：GFlowNet

• 状态空间 (State Space)：每个状态代表一个 RNA 序列。初始状态为空序列 $\epsilon$，终止状态为完整序列。
• 动作空间 (Action Space)：定义三种操作：插入（Insertions）、替换（Substitutions）和删除（Deletions）。在长序列实验中，为了计算效率，主要限制为仅使用插入操作。
• 奖励函数 (Reward Function)：
  • 基于序列与目标序列的相似度设计。
  • 引入了**中间奖励（Intermediate Rewards）**机制，如 AlignmentReward、EntropyWeightedHammingReward 和 ConservationWeightedHammingReward（根据物种保守性加权），以解决长序列训练中的稀疏奖励问题。

2.2 训练目标：前向展望细致平衡 (Forward-Looking Detailed Balance, FL-DB)

• 论文比较了三种训练目标：轨迹平衡 (TB)、细致平衡 (DB) 和 FL-DB。
• FL-DB 的优势：通过引入中间能量函数 $E(s)$ 和偏置奖励 $R_{partial}(s)$，FL-DB 能够为长轨迹提供更有效的信用分配（Credit Assignment）。这使得模型在探索巨大序列空间时，即使在没有精确匹配目标的情况下，也能通过部分相似度获得梯度信号，从而加速收敛。

2.3 系统发育推断：流回溯 (Flow Traceback)

• 原理：训练好的 GFlowNet 构建了一个有向无环图（DAG），其中节点代表序列状态，边代表转换概率，流量代表轨迹概率。
• 推断过程：
  1. 从源节点前向传播计算边流量。
  2. 从目标终止状态（Target Sequences）开始，执行贪婪回溯（Greedy Backtracking）：每一步选择流入流量最大的父节点。
  3. 祖先推断：不同目标序列的回溯路径若汇聚于同一个中间状态，则该状态被解释为推测的共同祖先（Putative Common Ancestors）。
• 创新点：无需显式构建进化树，而是直接从生成轨迹的流结构中“涌现”出进化分支模式。

2.4 推理与序列设计

• 在推理阶段使用束搜索（Beam Search），可以生成已知目标附近的新颖序列（Novel Sequences），这些序列通常与已知功能序列在汉明距离上非常接近，展示了其在 de novo 序列设计中的潜力。

3. 实验结果 (Results)

3.1 案例研究 1：短 RNA 序列 (4bp)

• 训练目标对比：在 4bp 序列上，FL-DB 和 DB 比 TB 收敛更快，且 FL-DB 获得了更高的平均奖励，证明了中间奖励信号的有效性。
• 结构发现：贪婪回溯成功识别出共享的中间祖先状态（例如，序列 CCCA 和 GGGG 共享祖先，AAGA 和 AGGA 共享祖先 AGA），这些分支模式与进化直觉一致。

3.2 案例研究 2：长序列与 let-7 microRNA 家族 (10bp)

• 可扩展性：在 $4^{10}$ (约 100 万) 种可能序列的巨大空间中，FL-DB 在 100 个随机目标上的覆盖率是 TB 的 5 倍（10/100 vs 2/100）。
• let-7 家族实验：
  • 使用了来自 107 个物种的 let-7 microRNA 家族数据（10bp 可变区）。
  • 模型在 500 次迭代后覆盖了 58 个独特目标中的 43 个 (74.1%)。
  • 保守性相关性：采样频率与物种数量呈显著正相关（Spearman $\rho = 0.509$），表明模型倾向于采样进化上更保守的序列。
• 结构对比：
  • 传统方法（UPGMA 树）仅展示终端序列的相似性聚类。
  • AncestorGFN 的 DAG：揭示了序列间的共享中间状态，提供了生成视角的进化关系视图。虽然这些“祖先”是生成策略下的最优前缀，而非严格的进化历史重建，但其定性结构反映了进化分支模式。
• 新颖序列设计：束搜索生成的 20 个序列中，15 个是训练集中不存在的新颖序列，且它们紧密聚集在已知目标周围，证明了模型学习到了有意义的序列邻域。

4. 关键贡献 (Key Contributions)

1. 范式转变：首次提出将 GFlowNet 的流轨迹作为定性系统发育分析的工具，通过共享中间状态暗示共同祖先，无需显式 MSA。
2. 算法改进：证明了在大规模序列空间中，结合精心设计的中间奖励的 FL-DB 目标能显著优于传统的稀疏奖励目标（如 TB），有效解决了长序列探索中的信用分配难题。
3. 应用拓展：展示了在推理阶段通过束搜索发现新颖功能序列的能力， bridging 了生成建模与 de novo 序列设计。

5. 局限性与未来方向 (Limitations & Future Work)

• 序列长度限制：目前实验仅限于 10bp，扩展到全长 miRNA (22bp) 或更长序列仍具计算挑战。
• 评估方法：目前的系统发育评估主要是定性的，缺乏与真实进化树（Ground Truth）的定量比较（如 Robinson-Foulds 距离），也未与 RAxML 等传统工具进行基准测试。
• 奖励诱导偏差：推断出的“祖先”结构可能主要反映了奖励函数的几何形状，而非数据内在的进化信号。
• 数据预处理：虽然称为“无 MSA"，但 let-7 数据的准备仍依赖于 MirGeneDB 的位置索引，隐含了某种位置对应假设。
• 未来方向：开发从 DAG 提取树状结构的标准程序以进行定量评估；引入层级 GFlowNets 或注意力机制以扩展序列长度；在具有已知真实进化树的模拟数据集上进行验证。

6. 总结与意义 (Significance)

AncestorGFN 为基于生成模型的无 MSA 系统发育探索奠定了初步基础。它证明了生成流网络不仅能高效生成符合特定分布的序列，其内在的流结构还能隐式地编码序列间的结构关系和进化分支模式。这项工作为理解进化关系提供了新的视角，并为设计具有特定功能的新序列提供了强有力的生成工具。