[论文解读] Phylotrack: C++ and Python libraries for in silico phylogenetic tracking

Emily Dolson, Santiago Rodriguez-Papa+1 more|arXiv (Cornell University)|May 15, 2024

Genomics and Phylogenetic StudiesBiochemistry, Genetics and Molecular Biology被引用 3

一句话总结

Phylotrack 引入了一个高性能的 C++ 库（Phylotracklib）和一个 Python 封装（Phylotrackpy），用于在计算机模拟的进化模拟中追踪和分析系统发育关系。该系统专为高效性和可扩展性而构建，能够在包含数万个个体的数字种群中实现精确、完整的谱系追踪，支持高级系统发育度量以及内存优化的操作，如修剪和抽象。

ABSTRACT

In silico evolution instantiates the processes of heredity, variation, and differential reproductive success (the three "ingredients" for evolution by natural selection) within digital populations of computational agents. Consequently, these populations undergo evolution, and can be used as virtual model systems for studying evolutionary dynamics. This experimental paradigm -- used across biological modeling, artificial life, and evolutionary computation -- complements research done using in vitro and in vivo systems by enabling experiments that would be impossible in the lab or field. One key benefit is complete, exact observability. For example, it is possible to perfectly record all parent-child relationships across simulation history, yielding complete phylogenies (ancestry trees). This information reveals when traits were gained or lost, and also facilitates inference of underlying evolutionary dynamics. The Phylotrack project provides libraries for tracking and analyzing phylogenies in in silico evolution. The project is composed of 1) Phylotracklib: a header-only C++ library, developed under the umbrella of the Empirical project, and 2) Phylotrackpy: a Python wrapper around Phylotracklib, created with Pybind11. Both components supply a public-facing API to attach phylogenetic tracking to digital evolution systems, as well as a stand-alone interface for measuring a variety of popular phylogenetic topology metrics. Underlying design and C++ implementation prioritizes efficiency, allowing for fast generational turnover for agent populations numbering in the tens of thousands. Several explicit features (e.g., phylogeny pruning and abstraction, etc.) are provided for reducing the memory footprint of phylogenetic information.

研究动机与目标

• 通过追踪跨代的亲代-子代关系，在计算机模拟中实现对进化谱系的完整、精确可观测性。
• 解决在大规模数字演化实验中维护完整系统发育树所导致的计算和内存开销问题。
• 提供一个高性能、可扩展的软件栈，可无缝集成到现有的数字演化框架中。
• 通过标准化的度量和抽象技术，支持高级系统发育分析。
• 通过 Pybind11 实现，同时提供底层 C++ 的性能和高层 Python 的易用性。

提出的方法

• 在 Empirical 项目下实现 Phylotracklib 作为无源码依赖的 C++ 头文件库，专注于速度和内存效率优化。
• 使用 Pybind11 创建 Phylotrackpy，提供一个高层级 Python 接口，暴露核心 C++ 功能。
• 集成显式的系统发育树修剪和抽象功能，以在长时间运行的模拟中减少内存占用。
• 设计公开的 API，使系统发育追踪可轻松集成到数字演化系统中，且代码修改极少。
• 通过独立接口支持标准系统发育拓扑度量（如 Robinson-Foulds 距离等）的计算。
• 利用 C++ 的性能优势，实现在数万数量级个体种群中的快速代际更替。

实验结果

研究问题

• RQ1 如何高效地将系统发育追踪集成到大规模计算机模拟的进化模拟中？
• RQ2 在包含数万个个体的种群中，为维持完整的谱系历史，需要哪些计算和内存优化？
• RQ3 双语言（C++/Python）软件栈在数字演化研究中，能在多大程度上平衡性能与易用性？
• RQ4 在动态演化的计算机模拟系统发育树上计算标准系统发育度量时，其表现如何？
• RQ5 抽象和修剪技术是否能显著降低完整系统发育追踪的内存开销，同时不损失分析保真度？

主要发现

• 由于基于 C++ 的底层优化，Phylotracklib 能够在包含数万个个体的数字演化模拟中实现快速的代际更替。
• 集成系统发育树修剪和抽象功能后，显著减少了内存使用量，同时保留了关键的谱系信息。
• Phylotrackpy 通过用户友好的 Python 接口提供了对 C++ 功能的完整访问，支持快速原型设计和分析。
• 该系统支持直接在动态演化的计算机模拟树上计算标准系统发育拓扑度量，如 Robinson-Foulds 距离。
• 双语言设计成功平衡了高性能计算与研究人员可访问的高层脚本编程。
• 这些库已具备生产就绪状态，通过清晰、文档齐全的公开 API，可无缝集成到现有的数字演化框架中。