利用图模型技术研究 phylogenetic 网络上的演化

分子与表型特征的演化通常沿 phylogeny 上的马尔可夫过程进行建模。该 phylogeny 可为树结构，也可为网络结构（若包含 reticulations，则为网络），后者代表如杂交或混合等事件。随着 phylogeny 的规模与复杂度增长，计算在叶节点观测数据上的似然值计算开销巨大。树上已有高效算法，但无法用于网络。我们表明，大量用于 phylogenetic 网络上特征演化的模型可重构为图模型，后者可利用高效的 belief propagation 算法实现。我们简要回顾了通用图模型上的 belief propagation，然后聚焦于用于连续特征的线性高斯模型。我们展示了 belief propagation 技术可用于精确或近似（但更可扩展）的似然值与梯度计算，并证明了若干模型的参数推断的新颖结果。我们强调了图模型与 phylogenetics 方法之间的可能的富有成果的交互作用。例如，近似似然方法有望大幅降低包含 reticulations 的 phylogeny 计算成本。