[论文解读] Metric learning for phylogenetic invariants

Nicholas Eriksson, Yuan Yao|ArXiv.org|Mar 15, 2007

Genomics and Phylogenetic Studies参考文献 17被引用 8

一句话总结

本论文提出一种机器学习方法，用于在四taxon树上优化系统发育不变量以进行树重建，利用线性规划和半定规划学习一种度量，通过其区分进化模型的能力来加权不变量。该方法显著优于标准的基于不变量的方法和邻接法，尤其在具有短内部枝的Felsenstein区域表现更优。

ABSTRACT

We introduce new methods for phylogenetic tree quartet construction by using machine learning to optimize the power of phylogenetic invariants. Phylogenetic invariants are polynomials in the joint probabilities which vanish under a model of evolution on a phylogenetic tree. We give algorithms for selecting a good set of invariants and for learning a metric on this set of invariants which optimally distinguishes the different models. Our learning algorithms involve linear and semidefinite programming on data simulated over a wide range of parameters. We provide extensive tests of the learned metrics on simulated data from phylogenetic trees with four leaves under the Jukes-Cantor and Kimura 3-parameter models of DNA evolution. Our method greatly improves on other uses of invariants and is competitive with or better than neighbor-joining. In particular, we obtain metrics trained on trees with short internal branches which perform much better than neighbor joining on this region of parameter space.

研究动机与目标

• 通过学习最优加权方案来提升基于不变量的系统发育树拓扑重建性能。
• 解决统一加权（如l1或l2范数）的局限性，即不考虑不变量的区分能力而一视同仁地对待所有不变量。
• 开发一种数据驱动的方法，根据不变量区分不同进化模型的能力来选择并加权不变量。
• 在广泛参数空间的模拟数据上训练度量，以增强在Felsenstein区域等困难区域的鲁棒性。
• 证明所学度量可超越传统方法（如邻接法），尤其在短序列和短内部枝的情况下。

提出的方法

• 该方法采用受Xing等人（2003）启发的度量学习算法，在系统发育不变量的空间上学习马氏距离度量。
• 训练数据由Jukes-Cantor模型和Kimura三参数模型在不同进化参数下的模拟序列比对构成。
• 采用线性和半定规划优化度量，以最大化真实树模型与错误树模型之间的分离度。
• 该方法聚焦于基于群的模型所导出的不变量，利用傅里叶坐标简化多项式表达式。
• 所学度量为更强有力的不变量分配更高的权重，从而在无需事先进行代数筛选的情况下提升区分能力。
• 通过在不同序列长度和进化参数的模拟数据集上评估重建准确率来衡量性能。

实验结果

研究问题

• RQ1 能否使用机器学习来识别并加权最有效的系统发育不变量以进行树重建？
• RQ2 在不变量上学习度量是否能显著提升性能，相比统一加权（如l1或l2范数）？
• RQ3 所学度量能否超越标准方法（如邻接法），尤其在Felsenstein区域等具有挑战性的参数区域？
• RQ4 所学度量的性能如何随序列长度和模型参数变化？
• RQ5 是否存在结构性或对称性特征，可将高信息量不变量与弱效不变量区分开来？

主要发现

• 对于K81模型，所学度量在全部11,612个不变量上均优于l2范数，在序列长度为100时达到89.7%的准确率，而l2范数仅为76.8%。
• 在Felsenstein区域（短内部枝）中，所学度量显著优于邻接法，后者在这些条件下完全失效。
• 在序列长度为100时，该方法对JC69模型的准确率为84.6%，对K81模型为89.7%，后者超过邻接法（90.1%）。
• 即使在短序列（如25–50个位点）下，该方法仍与邻接法保持竞争力，且在困难区域的准确率提升达5–10%。
• 由学习算法选出的前52个不变量占了性能提升的绝大部分，其余不变量贡献甚微或为负。
• 研究表明，对称性与代数结构可能是识别高功率不变量的关键，但当前的代数标准（如[CFS07]中所述）尚不能可靠预测这些不变量。