跳转至

Phylodynamic inference with the bounded coalescent: a point process perspective

作者: Bingjing Tang, Shuangping Li, Julia A. Palacios
主题: 统计计算 / 算法
相关性: 0/10
链接: https://arxiv.org/abs/2609.29035


一、领域脉络与小综述

这个方向是什么

本文所处的子领域是系统动力学(phylodynamics)中的贝叶斯非参数推断。其根本科学问题是:给定从当代个体中采样得到的基因序列(进而推断出的基因谱系/家系树,genealogy),如何反推历史上有效种群大小随时间变化的轨迹 \(N_e(t)\)。这一推断之所以可能,是因为在标准合并理论(coalescent)下,谱系中的合并事件(coalescence events)发生的速率与 \(1/N_e(t)\) 成正比——种群越小,谱系合并越快。因此,观测到的合并时间序列携带了关于 \(N_e(t)\) 的信息。该领域的成熟度较高:从早期的参数化模型(如常数种群、指数增长),到非参数化方法(如 skyline plot 及其平滑版本),再到贝叶斯非参数方法(高斯过程先验),已有二十余年的积累。本文的特殊之处在于处理一个带约束的变体——bounded coalescent,即已知所有谱系必须在某个固定时间 \(\tau\)(如已知的引入时间或宿主感染时间)之前合并。

发展脉络(history)

  1. 奠基工作:标准合并理论与 skyline 估计。Kingman (1982) 建立了标准合并过程;Tavar´e (1984) 推导了常数种群下 TMRCA 的分布(本文 Proposition 1 的系数 \(r_{j,n}\) 正源于此)。Strimmer and Skyline (2001) 提出了 skyline plot,将 \(N_e(t)\) 视为分段常数进行最大似然估计。这类方法计算快,但估计的方差大、轨迹不平滑。

  2. 贝叶斯非参数化:高斯过程先验。Minin et al. (2008)、Palacios and Minin (2012)、Gill et al. (2013) 将 log-Gaussian Markov random field 先验置于 \(N_e(t)\) 上,通过 MCMC 进行后验推断。但似然中的积分 \(\int dt/N_e(t)\) 需要数值近似(通常用 Riemann 和),这引入了离散化误差。Palacios and Minin (2013) 提出数据增广方案,引入潜在变量避免离散化,但该方案依赖点过程的 thinning 结构,无法直接推广到 bounded coalescent。

  3. bounded coalescent 的提出:Carson et al. (2022) 首次系统研究了 bounded coalescent 模型,证明了忽略上界条件会导致 \(N_e(t)\) 的负偏差估计,并提出了针对常数种群情形的直接模拟算法(基于离散化 bin 的迭代细化)。但该算法不适用于时变 \(N_e(t)\),且未涉及推断方法。

  4. 随机积分方法(本文的直接前驱):Tang and Palacios (2026) 提出了一种针对 Cox 过程的精确贝叶斯推断方法,核心思想是将 \(1/N_e(t)\) 及其积分 \(\int dt/N_e(t)\) 联合置于截断高斯先验下,从而避免似然中的离散化。本文将此方法从 Cox 过程推广到 bounded coalescent。

  5. 计算工具:Suchard et al. (2018) 的 BEAST 软件是系统动力学推断的标准工具,本文用它来生成用于验证的真实数据谱系(CCD0 树)。

子线索聚类

被引文献大致落在三条子线索上:

  • 线索 A:合并理论的概率结构(Kingman 1982; Tavar´e 1984; Hein et al. 2005; Hobolth et al. 2024)。这条线关注合并过程的分布性质,特别是 TMRCA 等统计量的分布。Hobolth et al. (2024) 将 phase-type 分布引入合并理论,为本文 Proposition 1 提供了框架。本文的贡献在于将这一框架从齐次(常数 \(N_e\))推广到非齐次(时变 \(N_e\))情形。

  • 线索 B:非参数贝叶斯推断方法(Minin et al. 2008; Palacios and Minin 2012, 2013; Gill et al. 2013; Lan et al. 2015; Baele et al. 2020)。这条线关注如何从谱系数据中估计 \(N_e(t)\),核心挑战是似然中积分的处理。本文的 BC-RI 方法直接继承自 Tang and Palacios (2026),属于这条线的最新进展。

  • 线索 C:bounded coalescent 及其应用(Carson et al. 2022; Didelot et al. 2014, 2017)。这条线关注带约束的合并过程,主要动机来自传染病传播(已知引入时间)和物种形成(已知分化时间)。Carson et al. (2022) 建立了模型但未解决时变 \(N_e(t)\) 的推断;本文填补了这一空白。

这个方向在追问的核心问题

  1. 如何在不引入离散化误差的前提下进行贝叶斯非参数推断? 似然中的积分 \(\int dt/N_e(t)\) 是核心难点。已有方法(Riemann 近似)会引入偏差,尤其在 \(N_e(t)\) 快速变化时。本文的随机积分方法直接建模积分项,避免了这一问题。

  2. 如何高效模拟 bounded coalescent? 朴素拒绝采样在 \(\tau\) 较小时效率极低(拒绝概率高)。Carson et al. (2022) 的算法仅适用于常数 \(N_e\)。本文的 thinning 算法利用 Proposition 1 的解析表达式,实现了时变 \(N_e\) 下的高效精确模拟。

  3. 忽略上界条件会带来多大的偏差? Carson et al. (2022) 已证明忽略 \(\tau\) 会导致 \(N_e(t)\) 的负偏差,但未量化其时变情形下的影响。本文的模拟实验(表 1、图 3)提供了部分量化证据。

⚠️ 作者的 framing(这是作者的说法)

作者在引言中将缺口 frame 为:"To our knowledge, no prior work has extended the bounded coalescent to the more general setting of a time-varying effective population size \(N_e(t)\)." 即:Carson et al. (2022) 只处理了常数种群情形,而现实中的种群大小几乎总是时变的。作者将本文定位为"显然的下一步"——将 bounded coalescent 从常数 \(N_e\) 推广到时变 \(N_e\),并同时解决模拟与推断两个问题。

被淡化/回避的竞争路线:作者没有讨论将 bounded coalescent 嵌入 BEAST 等现有软件框架的可能性(即通过修改先验而非重写似然计算)。也没有讨论频率学派方法(如基于复合似然的估计)在 bounded coalescent 下的可行性。此外,作者对 Carson et al. (2022) 的模拟算法在时变情形下的扩展可能性着墨不多——仅指出"does not extend to time-varying effective population size trajectories",但未说明具体的技术障碍。

明显该被引却没出现的工作:作者没有引用关于合并时间点过程与 Cox 过程之间联系的早期理论工作(如 Watterson 1975 或 Griffiths 1980 关于合并过程作为点过程的表述)。考虑到本文的核心贡献正是"将 bounded coalescent 视为非齐次点过程",这一遗漏值得注意。另外,关于 phase-type 分布在统计推断中的应用(如 Asmussen 2003 的专著),作者仅引用了 Hobolth et al. (2024) 的综述,未涉及更早的推断方法文献。

张力

未见明显对立引用。Carson et al. (2022) 与本文的立场一致(都认为 bounded coalescent 是必要的),分歧仅在于技术路线(常数 vs 时变 \(N_e\))。Tang and Palacios (2026) 与 Palacios and Minin (2013) 在"是否应该离散化"上有方法论分歧,但本文明确站在前者一边,未将此呈现为开放争议。

二、最核心、最简单的例子 / 数学问题

第一步:符号、模型、可观测数据

可观测数据:研究者实际观测到的是一个基因谱系(genealogy),即一棵有根、有序(ranked)的二叉树,其叶子节点是 \(n\) 个当代采样个体,内部节点是合并事件。从谱系中提取的关键数据是合并时间序列:

\[t = (t_n, t_{n+1}, \ldots, t_2), \quad 0 < t_n < t_{n-1} < \cdots < t_2 < \tau\]
其中 \(t_k\) 表示当还有 \(k\) 个谱系(lineages)时发生合并的时间。注意时间方向:\(t_n\) 是最早的合并(最接近现在),\(t_2\) 是最晚的合并(最接近根/TMRCA)。约定 \(t_{n+1} = 0\) 为采样时间(现在)。

参数 / 估计目标:有效种群大小轨迹 \(N_e(t)\),定义在时间区间 \([0, \tau]\) 上。这是一个无穷维参数(函数)。在贝叶斯框架下,对其施加高斯过程先验。本文实际建模的是 \(1/N_e(t)\)(合并速率),而非 \(N_e(t)\) 本身。

潜在 / 不可观测量: - 合并时间 \(t_k\) 本身是随机变量,其分布由 \(N_e(t)\) 决定。 - 在 bounded coalescent 中,TMRCA \(T_2\) 被约束为 \(\le \tau\),其中 \(\tau\) 是已知常数(如引入时间)。这个约束是额外的信息,它改变了合并时间的条件分布。 - 在贝叶斯推断中,\(N_e(t)\) 本身也是潜在量(随机函数),其后验分布是推断目标。

关键模型假设: 1. 标准合并假设:在 \(N_e(t)\) 给定时,合并过程是条件独立的。具体地,当有 \(k\) 个谱系时,下一次合并的速率(hazard)为 \(\binom{k}{2}/N_e(t)\)。 2. 上界约束:\(T_2 \le \tau\) 是硬约束,即所有谱系必须在时间 \(\tau\) 之前找到共同祖先。 3. 高斯过程先验:\(1/N_e(t)\) 的对数(或相关变换)服从高斯过程先验,本文使用边界修正的布朗运动(boundary-corrected Brownian motion)。

第二步:最小内核

核心数学问题:在标准合并下,合并时间序列 \(t = (t_n, \ldots, t_2)\) 的似然为

\[f(t | N_e(\cdot)) = \prod_{k=n}^{2} \frac{\binom{k}{2}}{N_e(t_k)} \exp\left(-\binom{k}{2} \int_{t_{k+1}}^{t_k} \frac{ds}{N_e(s)}\right).\]

在 bounded coalescent 下,我们需要条件化在 \(T_2 \le \tau\) 上,即

\[f(t | N_e(\cdot), T_2 \le \tau) = \frac{f(t | N_e(\cdot)) \cdot \mathbb{1}(t_2 \le \tau)}{\Pr(T_2 \le \tau | N_e(\cdot))}.\]

最小内核:剥去所有技术细节后,本文要解决的核心问题是:

如何计算归一化常数 \(\Pr(T_2 \le \tau | N_e(\cdot))\),以及如何高效地从条件分布 \(f(t | N_e(\cdot), T_2 \le \tau)\) 中采样?

为什么难:\(\Pr(T_2 \le \tau)\) 涉及对合并过程的完整路径积分,没有解析表达式(除非 \(N_e\) 为常数)。朴素蒙特卡洛需要模拟大量无条件合并过程并统计 \(T_2 \le \tau\) 的比例,在 \(\tau\) 较小时效率极低。

本文的关键洞见:将合并过程视为非齐次点过程,其条件强度函数为

\[\lambda_k^B(t) = \frac{\binom{k}{2}}{N_e(t)} \cdot \frac{h_{k-1}(t)}{h_k(t)}, \quad t \in (t_{k+1}, t_k],\]

其中 \(h_k(t) = \Pr(T_2 \le \tau | T_{k+1} = t)\) 是从 \(k\) 个谱系出发在 \(\tau\) 前到达单个谱系的概率。Proposition 1 给出了 \(h_k(t)\) 的解析表达式(作为 \(\Lambda(t) = \int_0^t ds/N_e(s)\) 的指数线性组合),从而将归一化常数的计算转化为有限项求和,避免了数值积分。

最小例子:考虑 \(n=2\)(两个采样个体)。此时只有一个合并事件 \(T_2\)。无条件合并密度为

\[f(t_2) = \frac{1}{N_e(t_2)} \exp\left(-\int_0^{t_2} \frac{ds}{N_e(s)}\right).\]

条件化在 \(T_2 \le \tau\) 上,归一化常数为

\[\Pr(T_2 \le \tau) = 1 - \exp\left(-\int_0^\tau \frac{ds}{N_e(s)}\right) = 1 - e^{-\Lambda(\tau)}.\]

这正是 Proposition 1 中 \(n=2\) 的情形(\(r_{1,2}=1, r_{2,2}=-1\))。条件密度为

\[f(t_2 | T_2 \le \tau) = \frac{1}{N_e(t_2)} \frac{e^{-\Lambda(t_2)}}{1 - e^{-\Lambda(\tau)}}.\]

为什么这个例子是"最小内核":它展示了 bounded coalescent 推断的全部三个要素:(1) 无条件似然的形式;(2) 归一化常数 \(\Pr(T_2 \le \tau)\) 的计算(需要解析处理);(3) 条件化后密度如何被"扭曲"(乘以 \(1/h_k(t)\) 因子)。\(n=2\) 时 \(h_2(t) = 1 - e^{-(\Lambda(\tau)-\Lambda(t))}\),而一般 \(n\) 时 \(h_k(t)\) 是 \(k-1\) 个指数项的线性组合,但结构完全相同。

一般情形的困难:当 \(n > 2\) 时,\(h_k(t)\) 的表达式涉及 \(k-1\) 个指数项,且系数 \(r_{j,k}\) 交替变号(见 Lemma 1),直接计算会导致严重的数值抵消。本文的 Lemma 1 通过因式分解 \(h_k(t) = (1-x)^{k-1} \sum_i a_{i,k} x^i\)(其中 \(x = e^{\Lambda(t)-\Lambda(\tau)}\))解决了数值稳定性问题,且系数 \(a_{i,k}\) 全为正。这是本文在技术层面的核心贡献之一。

三、这篇论文做了什么

三句话

① 研究了什么问题:在 bounded coalescent 模型(已知 TMRCA 上界 \(\tau\))下,如何高效模拟谱系,以及如何对时变有效种群大小 \(N_e(t)\) 进行贝叶斯非参数推断。

② 核心工具/方法:将合并过程视为非齐次点过程,利用 phase-type 分布理论(Proposition 1)解析计算条件概率 \(h_k(t)\),结合因式分解(Lemma 1)保证数值稳定性,构造基于 thinning 的精确模拟算法(Algorithm 1),并将随机积分(random integral)方法(Tang and Palacios 2026)推广到 bounded 情形,实现无离散化的 MCMC 推断(BC-RI)。

③ 主要结论:在模拟实验中,bounded coalescent 似然在两种(共三种)设定下比标准合并似然产生更低的均方误差;在华盛顿州 SARS-CoV-2 数据上,bounded 推断给出的 \(N_e(t)\) 估计在早期(接近 \(\tau\) 时)与标准推断有显著差异,且与病例报告数据更一致。

关键设定与假设

设定: - 观测数据:固定谱系(genealogy),\(n\) 个叶片,合并时间 \(t = (t_n, \ldots, t_2)\),满足 \(0 < t_n < \cdots < t_2 \le \tau\)。 - 参数:\(N_e(t)\),定义在 \([0, \tau]\) 上。 - 先验:对 \(1/N_e(t)\) 施加边界修正布朗运动先验(BC-RI 方法),或对 \(N_e(t)\) 施加分段常数先验(BC-Discrete 方法)。

假设: 1. 标准合并假设:合并速率与 \(\binom{k}{2}/N_e(t)\) 成正比。这是所有 coalescent 推断的基础假设,本文未放松。 2. 上界 \(\tau\) 已知:这是 bounded coalescent 的核心假设。在 SARS-CoV-2 应用中,\(\tau\) 取为疫情引入时间(2019年11月),但作者承认该时间本身有不确定性(见讨论部分)。 3. 固定谱系:本文假设谱系是已知的(由 BEAST 推断得到),不讨论谱系不确定性。这是一个简化假设,因为实际中谱系本身也是从序列数据中推断的。 4. 同步采样:所有样本在时间 0(现在)采集,无异时采样(heterochronous sampling)。作者在讨论中明确将此列为未来工作。

相比已有工作的变化: - 相比 Carson et al. (2022):从常数 \(N_e\) 推广到时变 \(N_e\),且模拟算法不再需要离散化 bin。 - 相比 Palacios and Minin (2013):将随机积分方法从标准合并推广到 bounded 合并,避免了离散化误差。 - 相比 Tang and Palacios (2026):将 Cox 过程的随机积分方法适配到合并过程的特定结构(合并速率 \(\binom{k}{2}/N_e(t)\) 而非一般强度函数)。

主要结果

理论结果: - Proposition 1:给出了 \(h_k(t) = \Pr(T_2 \le \tau | T_{k+1} = t)\) 的解析表达式,系数 \(r_{j,k}\) 与 Tavar´e (1984) 中常数种群合并的谱分解系数一致。这是全文的理论基石,它将归一化常数的计算从数值积分转化为 \(O(n^2)\) 的求和。 - Lemma 1:证明了 \(h_k(t)\) 可因式分解为 \((1-x)^{k-1}\) 乘以一个正系数多项式。这一分解有两个作用:(1) 避免交替级数求和中的数值抵消;(2) 直接给出了 thinning 算法所需的接受概率的稳定表达式。 - Proposition 2:证明了 \(\lambda_k^B(t) \le \lambda_k^U(t)\),其中 \(\lambda_k^U(t)\) 是一个显式的上界强度函数。这是 thinning 算法正确性的关键——它保证了接受概率在 \([0,1]\) 内。

算法结果: - Algorithm 1:精确模拟算法,结合时间变换(inverse transform)和 thinning。当 \(\Lambda^{-1}\) 可解析计算时,该算法是精确的(无近似误差)。表 1 显示,在 \(n=50\) 和 \(n=100\) 时,Algorithm 1 比朴素拒绝采样快 2-4 个数量级(例如 \(n=100, \tau=0.5\) 时,Algorithm 1 为 0.003 秒,拒绝采样超过 200 秒)。 - Algorithm 2:当 \(\Lambda^{-1}\) 不可解析时的扩展版本,仅需 \(N_e(t)\) 和 \(\Lambda(t)\) 可数值求值。该算法引入了一个额外的 thinning 步骤来处理上界强度中的对数项。

推断结果: - BC-RI:随机积分方法,将 \(1/N_e(t)\) 及其积分 \(\int dt/N_e(t)\) 联合建模为截断高斯随机变量,使用椭圆切片采样(elliptical slice sampling)进行 MCMC 更新。避免了 Riemann 近似。 - BC-Discrete:基于网格离散化的方法,作为基线比较。

模拟实验(表 2、图 4-5): - 三种设定:\(N_{e1}(t)=1\)(常数)、\(N_{e2}(t)=3e^{-t}\)(指数衰减)、\(N_{e3}(t)=25e^{-5t}\)(快速衰减)。 - 在 \(N_{e1}\) 和 \(N_{e2}\) 设定下,BC 方法的 MSE 低于 SC 方法(例如 \(N_{e2}\) 中 BC-RI 的 MSE 为 30.50,SC-RI 为 34.34)。 - 在 \(N_{e3}\)(最快速变化)设定下,BC 方法的 MSE 反而更高(BC-RI 为 862.78,SC-RI 为 614.24),且 BC-RI 的覆盖率显著降低(57% vs 92%)。作者将此归因于快速变化轨迹与布朗运动先验的不匹配,但未给出深入分析。

真实数据应用(图 6): - 数据:103 条华盛顿州 SARS-CoV-2 序列(2020年6月8日采集),谱系由 BEAST 推断。 - 结果:BC 方法估计的 \(N_e(t)\) 在 2020 年 5 月中旬开始上升,与报告病例数的增加一致;SC 方法估计的 \(N_e(t)\) 在同期保持较低水平。作者认为 BC 估计更符合流行病学预期,但承认两种方法的置信区间有大量重叠。

🔎 结论是否比证明窄

明确窄于证明的声明: 1. 作者在摘要和引言中声称"we provide an efficient algorithm for coalescent simulation under the bounded coalescent",但 Algorithm 1 的精确性依赖于 \(\Lambda^{-1}\) 可解析计算。对于一般 \(N_e(t)\),只能使用 Algorithm 2,其效率优势不如 Algorithm 1 显著(表 1 中 Algorithm 2 在 \(n=100\) 时比 Algorithm 1 慢约 4 倍)。 2. 作者在讨论中建议"BC-RI is preferred when the trajectory is smooth",但模拟实验中 \(N_{e3}\)(快速变化)情形下 BC-RI 表现最差,这一建议缺乏直接证据支持。 3. 作者声称"conditioning on the bound reduces the median sum of squared errors in two of three settings",但未报告 BC 方法在 \(N_{e3}\) 设定下 MSE 更高的原因分析——是似然本身的问题,还是先验选择的问题,还是 MCMC 混合不良的问题?这限制了结论的可推广性。

未明确声明但隐含的推广: - 作者在讨论中暗示该方法可推广到异时采样(heterochronous sampling),但未给出具体方案。实际上,异时采样会改变合并过程的边界条件,\(h_k(t)\) 的解析表达式需要重新推导。 - 作者未讨论谱系不确定性的影响。在真实数据应用中,谱系本身是从序列数据推断的,其不确定性会传播到 \(N_e(t)\) 的推断中。这是贝叶斯系统动力学推断的标准问题,但本文未涉及。

四、开放问题

以下问题均扎根于本文的具体语句,供你自行判断价值:

  1. 快速变化轨迹下的推断失效(扎根于表 2 中 \(N_{e3}\) 设定:BC-RI 的 MSE 862.78 vs SC-RI 的 614.24,覆盖率 57% vs 92%)。作者在讨论中承认"the prior may not be flexible enough for rapidly varying trajectories",但未提出解决方案。一个可能的研究方向是:在 bounded coalescent 下,\(N_e(t)\) 的可识别性是否随轨迹变化速度而改变? 是否存在信息论意义上的极限——当 \(N_e(t)\) 变化太快时,bounded 条件是否反而损害推断?这需要刻画似然函数的曲率与 \(\tau\) 的关系。

  2. 异时采样的扩展(扎根于讨论部分:"Extending our method to accommodate heterochronous sampling would broaden its applicability")。异时采样在传染病监测中极为常见(不同时间采集的样本),但会改变合并过程的边界条件。具体地,\(h_k(t)\) 的解析表达式依赖于"从 \(k\) 个谱系出发在 \(\tau\) 前到达单个谱系"的概率,而异时采样会引入额外的"采样事件"(sampling events),使状态空间从纯合并过程变为合并-采样混合过程。phase-type 框架是否仍适用?状态空间如何扩展?

  3. 谱系不确定性的传播(扎根于方法部分:"we assume a fixed genealogy")。本文所有推断都基于固定谱系,但实际中谱系是从序列数据推断的。一个自然的问题是:bounded 条件是否加剧了谱系不确定性对 \(N_e(t)\) 推断的影响? 直觉上,\(\tau\) 约束了 TMRCA,可能使谱系后验分布更集中,但也可能引入新的偏差来源。

  4. \(\tau\) 的未知性(扎根于 SARS-CoV-2 应用:"we set \(\tau\) to November 7, 2019")。在真实应用中,\(\tau\)(引入时间)通常未知。作者将其视为已知常数,但 \(\tau\) 的误设会如何影响 \(N_e(t)\) 的推断?能否将 \(\tau\) 作为参数纳入贝叶斯推断? 这需要计算 \(\Pr(T_2 \le \tau)\) 对 \(\tau\) 的导数,而 Proposition 1 的解析表达式可能使这一计算可行。

  5. 随机积分方法的理论性质(扎根于 Theorem 1 和附录 F)。本文的 BC-RI 方法将 \(1/N_e(t)\) 及其积分联合建模为截断高斯,但未讨论该先验的后验收缩率(posterior contraction rate)。在 bounded 条件下,后验收缩率是否与标准合并不同? 这需要计算似然函数的局部渐近正态性(LAN)性质,并与标准合并的已知结果(如 Kim 等人在高维合并模型中的工作)对比。


提醒:要确认上述问题是否是真 gap,建议去读同一子领域(phylodynamics 中的贝叶斯非参数推断)近 5 年的 5 篇论文的引言部分。如果多篇都指向同一个问题(例如"异时采样下的 bounded coalescent 推断"),那很可能是共识性的真 gap;如果各篇说法不一,那可能只是本文作者的个人偏好,机会与风险并存。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论