使用深度神经网络对树枝长度的可靠估计
Anton Suvorov1,2, Daniel R Schrider2
1Department of Biological Sciences, Virginia Tech, Blacksburg, Virginia, United States of America.
PLoS computational biology
|August 5, 2024
概括
深度学习模型可以准确地预测家族遗传树的进化距离 (分支长度),在具有挑战性的场景中超越传统方法. 这些机器学习方法提供了一种更快,更可靠的方法来推断进化历史.
科学领域:
- 计算生物学 计算生物学
- 进化生物学 进化生物学
- 机器学习 机器学习
背景情况:
- 遗传学树可视化了进化历史,包括分支模式和进化距离 (分支长度).
- 准确估计分支长度对于理解进化关系至关重要,但在某些参数空间中可能具有挑战性.
- 机器学习 (ML) 显示了提高遗传学推断的准确性和效率的前景.
研究的目的:
- 探索ML模型的潜力,特别是深度学习框架,用于预测家族遗传树上的分支长度.
- 评估这些ML模型在固定树拓上估计分支长度时的性能.
主要方法:
- 开发并测试了几种深度学习框架来估计分支长度.
- 利用多个序列对齐或其表示作为模型的输入.
- 对比深度学习性能与既有方法,如最大概率和贝叶斯推理.
主要成果:
- 深度学习方法在困难的分支长度参数空间中表现出卓越的性能.
- 机器学习模型比最大概率推断更有效,更准确.
- 神经网络的准确性与贝叶斯的方法相美,在推断远距离相关的类型的长分支方面表现出色.
结论:
- 深度学习提供了一个强大的工具,用于准确和高效的家族遗传分支长度估计.
- 这些发现代表了使用ML进行可靠的遗传学推断的重大进展.
- 该研究强调了ML的潜力,以克服传统的遗传学方法的局限性.
