状态依赖的 Ornstein–Uhlenbeck 模型下连续与离散性状演化联合推断的高效贝叶斯系统发育方法

《Methods in Ecology and Evolution》:An efficient Bayesian phylogenetic approach for joint inference of continuous and discrete trait evolution under a state-dependent Ornstein–Uhlenbeck model

【字体: 大 中 小 】 时间:2026年07月31日 来源:Methods in Ecology and Evolution 5.7

编辑推荐:

  宏观进化中连续性状对不同离散状态的适应可通过系统发育状态依赖 Ornstein–Uhlenbeck(OU)过程建模。现有推断方法面临两方面挑战:其一,虽存在连续性状演化模型的高效似然算法,但尚无专门针对状态依赖 OU 模型的表述;其二,常用的顺序推断方法在给定

  
宏观进化中连续性状对不同离散状态的适应可通过系统发育状态依赖 Ornstein–Uhlenbeck(OU)过程建模。现有推断方法面临两方面挑战:其一,虽存在连续性状演化模型的高效似然算法,但尚无专门针对状态依赖 OU 模型的表述;其二,常用的顺序推断方法在给定离散性状历史条件下推断 OU 参数,将性状历史视为已知,不允许连续性状为性状历史估计提供信息。研究人员提出两种数学等价的似然计算途径:方差–协方差(VCV)途径与剪枝途径,并在 RevBayes 中实现基于剪枝算法的状态依赖 OU 似然计算,结合数据增广抽样离散性状历史,利用马尔可夫链蒙特卡洛(MCMC)联合推断连续与离散性状演化,经模拟验证推导与实现正确性。以反刍动物齿冠演化为案例,比较联合与顺序推断,发现根状态估计及部分 OU 参数估计在两类方法间存在质性差异,表明连续性状可 informational 于性状历史估计并进而影响 OU 参数。该状态依赖 OU 过程与剪枝算法可支持大系统发育树研究,联合推断框架为连续性状对底层离散状态的宏观适应提供更稳健灵活的方法。
研究背景与问题提出
理解性状在长尺度上的宏进化适应是系统发育比较方法的核心。Simpson 的“适应景观假说”认为连续性状随物种落入不同离散状态而改变适应,Hansen 模型以状态依赖最优值 OU 过程刻画此类滞后适应。现有顺序推断范式先独立重建离散性状历史,再条件拟合 OU 参数,把历史当已知,使连续性状无法回馈离散历史推断;同时传统方差–协方差(VCV)算法需矩阵求逆,立方级耗时,难以胜任千级以上 taxa 大树。Beaulieu 等扩展 VCV 至状态依赖 α 时推导有误,FitzJohn 剪枝法虽高效但未涵盖状态依赖全参数与历史增广结构。因此亟需一种既数学正确、计算线性、又能通过 MCMC 同时积分离散历史与 OU 参数的贝叶斯框架。
主要技术方法
研究人员在 RevBayes 中以图模型实现 dnPhyloOUSD() 分布,核心为两条等价似然途径:VCV 途径(修正 Beaulieu 错误,用于校验)与基于 FitzJohn 扩展的剪枝途径,后者在增广树(含状态变更二度节点)上后序传播三个辅助变量(μ、β、ω)至根,线性耗时。离散历史处理分三类:固定单历史(顺序)、100 条随机特征映射历史循环(顺序)、基于连续时间马尔可夫链(CTMC)的数据增广 joint 推断,MCMC 中采用 Nielsen 拒绝抽样 branch/node 移动更新历史。验证用模拟数据(500–100,000 tips 树)、反刍动物 82 种时间校准树(Toljagi? 等系统树,饮食三态来自 Mendoza 和 Palmqvist,齿冠高冠指数来自 Janis 和 Fortelius)做案例;校验含双算法对数似然比对、α=0 退化为状态依赖布朗运动(SD-BM/MuSSCRat)一致性、模拟校准覆盖概率、线性基准。
研究结果
2 THE GENERATIVE STATE-DEPENDENT OU PROCESS
定义状态依赖 OU 过程:连续性状在离散态 s 下以 αs 向 θs 吸引、以 σs2 扩散,分支上若态变则参数切换;增广树预序模拟,根值可采平稳/最优/估计三种处理。
3 PROBABILITY DENSITY OF CONTINUOUS TRAIT DATA UNDER A STATE-DEPENDENT OU PROCESS
3.1 VCV algorithm
给出期望 E[xi|x0] 与协方差 Cov(xi,xj) 的衰变变量正确表达式,修正既往权重矩阵误设,作为金标准校验剪枝。
3.2 Pruning algorithm
3.2.1 At a tip:叶节点辅助变量 μ=x?i、β=1/σwithin2、ω=log(β)/(2π)1/2 类高斯形式初始化。
3.2.2 Along a branch:按 Δt、αs、θs、σs 递推 β'=(β e-2αΔt+α/σ2(1-e-2αΔt))-1 等三变量。
3.2.3 Initialization at a state change event:二度节点(态变)辅变量直传后换参。
3.2.4 Initialization at a speciation event:二叉节点两后代高斯密度乘积合并为父节点辅变量。
3.2.5 Root value and conditional probability:根处三种处理(Optimum/Equilibrium/Parameter),得 p(X|x0,H,Θ)。
4 DISCRETE CHARACTER HISTORY
4.1 Fixed single character history:顺序最大似然或贝叶斯条件于 MAP 历史。
4.2 Multiple character histories:100 条 stochastic character mapping 历史循环后验拼接。
4.3 Stochastic character history:CTMC+数据增广+MCMC,连续性状似然反向加权历史接受率,实现 p(H,Θ|Xcont,Xdisc)。
5 IMPLEMENTATION AND VALIDATION
RevBayes 中 dnPhyloOUSD 与 dnPhyloCtmcDASiteIID 扩展支持 rootFrequencies 解析平稳频。四验证:三实现(RB 剪枝/R 剪枝/R VCV)对数似然机器精度一致;α=0 时与 SD-BM、MuSSCRat 后验重合;1000 次模拟校准覆盖概率达标;剪枝耗时随 tips 线性(图 3c)。
6 CASE STUDY: TOOTH CROWN ADAPTATION IN RUMINANTS
6.1 Model set-up:有序三态 CTMC(browser→mixed→grazer),OU 参数先验以经验方差缩放,Optimum 根处理,MCMC 20k–100k 代。
6.2 Results
6.2.1 Character history estimates:联合推断根态 MAP=browser(概率 0.62),顺序 SCM 根态=mixed feeder(0.58);近根节点态概率偏移最大。
6.2.2 State-dependent OU model parameter estimates:αbrowser 最高(适应最快),各法中位相近;θmixed 联合法呈双峰(中位≈5.1),顺序法单峰(≈3.4–3.6),因根态异致;σ2 各态无强状态依赖,browser 略大。
7 DISCUSSION
7.1 Impact of joint inference versus sequential inference
联合法根态 browser 与草地 28–20 Ma 扩张晚于冠反刍类 45 Ma 起源相符,顺序法 mixed 根态暗示泛化→特化不符合地质背景;θmixed 因根态切换而量级变化改变生物学解读;连续性状慢适应(小 α)时系统发育信号强,联合法较顺序法至少不劣。
7.2 Practical considerations
名义离散用无序 CTMC、有序用有序;θ 先验取观测值跨距均匀;α 转系统发育半寿期 t1/2=ln2/α 定先验;σ2 转平稳方差 σ2/(2α) 以经验方差为中心;含近根化石可用 Parameter 根处理;假设检验可用 Bayes factor 或后验 P(参数跨态不等)。
8 CONCLUSION
研究人员在 RevBayes 发布状态依赖 OU 模型,剪枝算法与数据增广联合推断可扩展至千级 taxa,反刍动物齿冠案例证明连续性状可回馈离散历史并改变 OU 参数估计,为宏进化适应提供可扩展贝叶斯平台。
(注:全文依原文浓缩,未引入原文外推测,专业术语首现加注,上下标以 示,作者名留原文拼法,去文献与图引标记。)
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号