《Molecular Phylogenetics and Evolution》:IQ-NET: fast and accurate quartet phylogenetic inference using deep learning trained on empirical DNA alignments
编辑推荐:
IQ-NET是一种端到端的置换不变深度神经架构,用于直接从多序列比对中完整重建四物种(四叉树,quartet tree)系统发育树。该模型包含三项关键创新:(1)仅在真实数据集上进行训练、验证和测试;(2)同时从含缺失(gap)的比对中推断拓扑结构和枝长;(3
IQ-NET是一种端到端的置换不变深度神经架构,用于直接从多序列比对中完整重建四物种(四叉树,quartet tree)系统发育树。该模型包含三项关键创新:(1)仅在真实数据集上进行训练、验证和测试;(2)同时从含缺失(gap)的比对中推断拓扑结构和枝长;(3)对序列顺序具有置换不变性(permutation invariant)。与现有机器学习方法相比,IQ-NET取得了更高的准确率。此外,在重建超过50,000棵四叉树时,IQ-NET相较于流行的IQ-TREE软件实现了24倍的加速,运行时间从2.67小时缩短至6.7分钟。进一步地,研究人员将IQ-NET推断的四叉树作为ASTRAL方法的输入,成功重建了包含四个以上物种的系统发育树,从而证明了该工具在更大规模系统发育重建中的应用价值。
IQ-NET:基于经验DNA比对与深度学习的三叉树快速精准推断
一、研究背景与问题
系统发育推断旨在从分子序列数据中重建物种间的进化关系,是现代生物学的重要基石,广泛应用于进化生物学、流行病学、生态学和比较基因组学等领域。最大似然法(Maximum Likelihood, ML)和贝叶斯推断是系统发育推断的金标准方法,在IQ-TREE、RAxML、PhyML、MrBayes和BEAST等软件中得到了广泛实现。然而,由于寻找最大似然树属于NP-hard问题,即使经过优化的现代软件在分析包含数万分类单元或全基因组规模的比对数据时,仍可能需要数天乃至数周的计算时间。
机器学习方法为加速系统发育推断提供了极具潜力的替代方案。然而,现有基于机器学习的系统发育推断方法存在若干关键局限:一是大多仅使用模拟数据进行训练,其对真实经验数据集的泛化能力受到质疑;二是许多方法忽略或无法处理真实比对中普遍存在的缺失位点(gap);三是多数研究仅聚焦于拓扑结构推断,很少涉及枝长估计;四是现有方法大多采用标准神经网络结构(如CNN或多层感知机),不具备置换不变性,其预测结果受输入序列顺序影响;五是有研究表明,从完整分类单元集合推断全局树并从中提取四叉树的全局方法,其效果优于现有基于机器学习的四叉树推断方法。因此,开发更准确、更高效的机器学习四叉树推断方法具有重要意义。
二、研究内容与结论
为克服上述局限,研究人员开发了IQ-NET(Intelligent Quartet Neural Network)——一种端到端的置换不变深度神经架构,能够直接从多序列比对数据中对四个物种的完整系统发育树(包括拓扑结构和枝长)进行推断。IQ-NET具有三项核心创新:第一,仅在真实经验数据集上进行训练、验证和测试;第二,能够同时从含有缺失位点的比对中推断拓扑结构和枝长;第三,对输入序列的排列顺序具有置换不变性。研究结果表明,与现有机器学习方法相比,IQ-NET在拓扑预测准确性上显著领先,并且较IQ-TREE实现了24倍的速度提升。此外,将IQ-NET推断的四叉树作为ASTRAL方法的输入,可成功重建包含四个以上物种的系统发育树,展示了其在更大规模系统发育重建中的实用价值。
三、主要关键技术方法
研究人员构建了由四叉树拓扑分类器和枝长回归器组成的IQ-NET框架。数据预处理方面,使用EvoNAPS数据库(涵盖微生物、真菌、植物、鸟类、龟类和哺乳动物等多样物种的48,706个DNA比对)中的真实比对及IQ-TREE推断的参考树,经除重、滤除枝长>9个替换/位点及长度<200位点的比对后,将29,836棵树按80:10:10划分为训练、验证和测试集。特征提取采用位点模式频率编码,将四物种比对表示为625维频率向量。网络设计方面,采用Tang等提出的对称保持结构,对输入序列的24种排列进行分组平均,确保拓扑分类器对序列顺序不敏感;枝长回归器则将排列按首物种分组估计四个外部分支,并利用全部排列平均值估计内部分支。训练使用Adam优化器,交叉熵和均方误差分别作为分类器和回归器的损失函数。评估方面,除EvoNAPS测试集外,还在独立的TreeBASE数据集上验证泛化能力,并通过Turtle数据集(16个脊椎动物分类群、248个基因,Chiari et al., 2012)展示IQ-NET+ASTRAL流水线的物种树重建应用。
四、研究结果
(一)基准测试:IQ-NET在拓扑预测上优于现有方法
在EvoNAPS测试集上,以从IQ-TREE推断的多物种最大似然树中提取的四叉树为参考,IQ-NET取得了82.3%的平均拓扑预测准确率,高于IQ-TREE-quartet(79.9%)、DeepNNPhylogeny(79.4%)、Fusang(76.6%)和Suvorov-topology(57.7%)。IQ-NET对三种可能拓扑的预测准确率均衡(82–83%)。对内部枝长和序列长度的影响分析显示,二者增长通常提升所有方法的准确率,但当内部枝长超过0.24或序列长度达到3,950位点时准确率出现下降。
(二)IQ-NET在枝长估计上表现优异
IQ-NET预测的枝长与参考值高度一致,Pearson相关系数为0.90,斜率为0.81,而IQ-TREE-quartet的对应数值分别为0.68和0.69。在均方误差(MSE)、平均绝对误差(MAE)和枝长距离(BSD)等指标上,IQ-NET均优于IQ-TREE-quartet;但IQ-TREE-quartet在平均相对误差(MRE)上更低,反映其对短枝的预测更准确。
(三)IQ-NET在四叉树推断上实现24倍加速
使用单CPU核,IQ-NET仅需6.7分钟即可重建51,241棵四叉树,而IQ-TREE需2.67小时,加速24倍。IQ-NET的额外训练成本为拓扑分类器13.75 GPU分钟和枝长回归器15.37 GPU分钟,但推断阶段无需重复训练。
(四)IQ-NET在独立TreeBASE数据集上展现强泛化能力
在独立的TreeBASE数据集(1%子集)上,IQ-NET拓扑预测准确率达83.7%,与IQ-TREE-quartet(83.9%)相当,远高于DeepNNPhylogeny(81.7%)、Fusang(78.2%)和Suvorov-topology(73.2%),表明IQ-NET可泛化到训练数据之外的独立经验数据集。
(五)IQ-NET+ASTRAL重建龟类系统发育树
在Turtle数据集上,包含全部密码子位点时,IQ-NET+ASTRAL恢复出龟类与鳄类构成姐妹群、二者再与鸟类构成姐妹群的拓扑,该结果与连接法分析及采用位点同质模型(ModelFinder)的ASTRAL分析一致。去除第三密码子位点后,IQ-NET+ASTRAL将龟类置于鸟类与鳄类联合群的姐妹支,这与采用MixtureFinder的ASTRAL结果及原始研究结论一致。仅使用全部可能四叉树10%的子集即可恢复该关系,此时流水线仅需9.3秒,较IQ-TREE(MixtureFinder)+ASTRAL快约189倍。
五、讨论与结论
讨论部分指出,IQ-NET作为端到端机器学习框架,直接从经验比对中学习进化关系,无需显式替代模型假设,可处理含缺失比对并克服了模拟数据训练导致的泛化局限。与全局方法(RAxML-NG从完整多物种比对推断树)比较,全局方法虽达94.7%的拓扑一致率(较IQ-NET高14个百分点),但需27.51 CPU天,而IQ-NET仅需1.08 CPU分钟,慢约36,680倍。IQ-NET的设计目标并非替代全树最大似然推断,而是快速生成大量可靠四叉树供ASTRAL等工具组装成物种树。IQ-NET的局限包括:仅支持DNA比对、仅推断四叉树、对训练数据多样性的依赖,以及尚无法检测不完全谱系分选和基因渐渗等复杂进化信号。未来方向包括扩展至蛋白比对、采用Transformer等架构直接推断更大系统发育树,以及将IQ-NET集成到IQ-TREE中以服务更广泛的系统发育学界。
研究结论可概括为:IQ-NET是一种基于经验DNA比对训练的高精度置换不变深度学习模型,能够在显著低于传统最大似然方法的计算成本下,同时完成四叉树拓扑和枝长的快速准确推断,并可无缝集成至ASTRAL等下游工具用于更大规模物种树重建,为机器学习驱动的系统发育推断提供了切实可行的新范式。