ترجمه فارسی مقاله استنتاج فیلوژنتیک بیزی متغیر با توزیع‌های طول شاخه نیمه ضمنی

چکیده

Reconstructing the evolutionary history relating a collection of molecular sequences is the main subject of modern Bayesian phylogenetic inference. However, the commonly used Markov chain Monte Carlo methods can be inefficient due to the complicated space of phylogenetic trees, especially when the number of sequences is large. An alternative approach is variational Bayesian phylogenetic inference (VBPI) which transforms the inference problem into an optimization problem. While effective, the default diagonal lognormal approximation for the branch lengths of the tree used in VBPI is often insufficient to capture the complexity of the exact posterior. In this work, we propose a more flexible family of branch length variational posteriors based on semi-implicit hierarchical distributions using graph neural networks. We show that this semi-implicit construction emits straightforward permutation equivariant distributions, and therefore can handle the non-Euclidean branch length space across different tree topologies with ease. To deal with the intractable marginal probability of semi-implicit variational distributions, we develop several alternative lower bounds for stochastic optimization. We demonstrate the effectiveness of our proposed method over baseline methods on benchmark data examples, in terms of both marginal likelihood estimation and branch length posterior approximation.

چکیده به فارسی (ترجمه ماشینی)

بازسازی تاریخ تکاملی مربوط به مجموعه ای از توالی های مولکولی موضوع اصلی استنباط فیلوژنتیک مدرن بیزی است.با این حال ، روشهای متداول MARKOV MONTE CARLO به دلیل فضای پیچیده درختان فیلوژنتیک ، به ویژه هنگامی که تعداد توالی ها زیاد باشد ، می تواند ناکارآمد باشد.یک روش جایگزین ، استنباط فیلوژنتیک بیزی متغیر (VBPI) است که مشکل استنباط را به یک مشکل بهینه سازی تبدیل می کند.در حالی که مؤثر است ، تقریب پیش فرض مورب برای طول شاخه درخت مورد استفاده در VBPI اغلب برای گرفتن پیچیدگی خلفی دقیق کافی نیست.در این کار ، ما یک خانواده انعطاف پذیر تر از فرزندان متغیر طول شاخه را بر اساس توزیع های سلسله مراتبی نیمه کاره با استفاده از شبکه های عصبی نمودار پیشنهاد می کنیم.ما نشان می دهیم که این ساخت و ساز نیمه مفهومی توزیع های متناسب با جابجایی مستقیم را منتشر می کند ، و بنابراین می تواند فضای طول شاخه غیر الکلیدسی را در توپولوژی های مختلف درخت با سهولت اداره کند.برای مقابله با احتمال حاشیه ای قابل تحمل توزیع های متغیر نیمه ناچیز ، ما چندین مرز پایین جایگزین برای بهینه سازی تصادفی ایجاد می کنیم.ما اثربخشی روش پیشنهادی خود را نسبت به روشهای پایه در مثالهای داده معیار ، از نظر تخمین احتمال حاشیه و تقریب خلفی طول شاخه نشان می دهیم.