PhyloCNN:改善树木表示和神经网络架构,以从树木中深入学习植物动力学和多样化研究

科学领域:

• 进化生物学是进化的生物学.
• 计算生物学是一种计算生物学.
• 基因组学就是基因组学.

背景情况:

• 植物动力学和多样化研究通常采用复杂的进化模型.
• 传统的基于概率的方法与这些复杂的模型作斗争.
• 基于无概率模拟的方法为整合复杂场景提供了替代方案.

研究的目的:

• 开发一种新的深度学习 (DL) 方法,用于植物动力学和多样化.
• 为了实现出生死亡模型的准确选择和参数估计.
• 与现有方法相比,提高计算效率和准确性.

主要方法:

• 一种基于模拟的深度学习 (DL) 方法,使用一个称为PhyloCNN的卷积神经网络架构.
• 使用节点和叶子的邻里上下文编码遗传树.
• 将PhyloCNN的准确度与不同的社区大小和训练集大小进行比较.

主要成果:

• 菲洛CNN准确地选择出生死亡模型并估计参数.
• 更广泛的邻里环境提高了准确性,特别是对于复杂的模型和较小的训练集.
• 与其他DL方法相比,PhyloCNN通过显著较小的训练数据集 (10,000-100,000棵树) 实现了高精度.
• 菲洛CNN的性能与最新的基于概率的方法相美.

结论:

• 菲洛CNN为植物动力学和多样化研究提供了一个计算效率高,准确的替代方案.
• 该方法成功处理复杂的进化模型和特定的采样场景.
• 菲洛CNN展示了分析现实世界数据集的潜力,例如艾滋病毒的进化和灵长类动物种子的分散.