Los algoritmos filogenéticos MCMC son engañosos en las mezclas de árboles

Área de la Ciencia:

• Biología computacional Biología computacional.
• Biología evolutiva Biología evolutiva.
• Modelado estadístico Modelado estadístico

Sus antecedentes:

• Los algoritmos de cadena de Markov Monte Carlo (MCMC) son fundamentales para la inferencia filogenética bayesiana.
• La evaluación de la tasa de convergencia de estos algoritmos es crucial para una reconstrucción filogenética confiable.

Objetivo del estudio:

• Para analizar teóricamente la tasa de convergencia de las cadenas de Markov comúnmente utilizadas en la inferencia filogenética.
• Para investigar la apariencia engañosa de convergencia rápida en los análisis filogenéticos de MCMC.

Principales métodos:

• Análisis matemático de la función log-probabilidad en el espacio de los árboles filogenéticos.
• Prueba teórica de las tasas de convergencia para N caracteres generados a partir de una mezcla de dos árboles.

Principales resultados:

• Las cadenas de Markov exhiben tiempos de convergencia exponencialmente largos (en N) cuando los datos provienen de una mezcla de dos árboles.
• Las tramas de probabilidad pueden sugerir engañosamente una rápida convergencia a un solo árbol, enmascarando la lenta convergencia real.

Conclusiones:

• Los métodos bayesianos MCMC pueden dar resultados filogenéticos engañosos cuando se enfrentan a datos que contienen señales contradictorias.
• La reconstrucción filogenética debe realizarse por separado para cada señal filogenética distinta dentro de los datos.