适应簇图用于 phylogenetic 网络上连续性状演化推断

动态编程方法长期用于在 phylogenetic 树上拟合离散和连续性状的单变量和多变量演化模型，近期也已适用于具有复合体的 phylogenetic 网络。我们此前表明，各种网络上的性状演化模型可轻易转化为概率图模型，通过在关联的 cliques 树上进行信念传播，可高效地进行基于似然的估计。尽管如此，对于大型复杂网络，精确似然推断仍可能变得计算上昂贵。松散信念传播（Loopy Belief Propagation）同样可用于此类情境，利用非树形簇图来优化对对数似然的因子能量近似估计，可能在估计精度和运行时间之间提供更实用的权衡。然而，簇图结构对这一权衡的影响尚不清晰。我们采用 Julia 软件包 PhyloGaussianBeliefProp 进行仿真研究，探讨最大簇大小如何影响该权衡，以网络上的高斯性状演化模型为例。我们讨论了最大簇大小的推荐选择，并证明了基于似然和基于因子能量的参数估计在均匀 Brownian 运动模型下等价。