Wetenschappers hebben een methode ontwikkeld die kunstmatige intelligentie inzet om de afstand tussen fylogenetische stambomen sneller te berekenen. Deze techniek is van groot belang voor biologen die de dynamiek van epidemieën willen begrijpen en de evolutie van organismen in kaart brengen. De focus van het onderzoek ligt op het benaderen van de zogenaamde Subtree Prune and Regraft (SPR) afstand, een maatstaf die biologisch zeer relevant is maar computationeel extreem zwaar.
Het fundamentele probleem bij de SPR-afstand is dat de exacte berekening 'NP-hard' is. Dit houdt in dat naarmate de datasets groter worden, de benodigde rekentijd exponentieel toeneemt, waardoor analyses van grote populaties in de praktijk onuitvoerbaar zijn. In een arxiv.org beschrijven onderzoekers Renata Martins Castanheira, Miguel Bugalho en Cátia Vaz hoe zij een Graph Neural Network (GNN) hebben getraind om deze afstanden te schatten. Het doel is om na de trainingsfase de SPR-afstand in bijna constante tijd te kunnen bepalen, ongeacht hoe complex de betreffende bomen zijn.
Om dit AI-model te kunnen voeden, hebben de auteurs een nieuwe, publiek toegankelijke dataset samengesteld. Deze set bevat 864 fylogenetische stambomen die zijn afgeleid van vier verschillende bacteriële soorten, met een omvang die kan oplopen tot 9.500 isolaten. Daarnaast zijn er 388 gelabelde paren van bomen opgenomen die als referentiekader dienen. Een essentieel onderdeel van hun proces is de implementatie van een reproduceerbare pijplijn voor voorbewerking. Volgens de maken zij hierbij gebruik van midpoint re-rooting. Deze techniek is cruciaal omdat het de diepte van de bomen reduceert en de noodzakelijke worteling biedt die zowel voor de exacte berekeningen als voor de kenmerken van het AI-model vereist is.
Voordat het neurale netwerk volledig werd ingezet, voerden de onderzoekers een validatie uit op een alternatieve methode om de trainingsdoelen vast te stellen. Hierbij werd de ongewortelde heuristiek van de software phangorn vergeleken met de exacte gewortelde afstand berekend via rspr. De resultaten lieten een zeer sterke correlatie zien bij kleinere stambomen, met een Pearson-coëfficiënt tussen 0,98 en 0,99. Dit bevestigde dat de heuristiek een betrouwbaar surrogaat is voor de exacte afstand, wat de basis legde voor de training van het model.
De kern van de innovatie is het Siamese Graph Isomorphism Network (GIN) regressor. Dit specifieke type netwerk is ontworpen om structurele verschillen tussen grafen, zoals stambomen, effectief te herkennen. Uit de resultaten blijkt dat het model zeer krachtig is wanneer het wordt toegepast op data die vergelijkbaar is met de trainingsset. In deze 'in-distribution' scenario's kan het model ongeveer 87% tot 90% van de variantie verklaren. Bovendien presteert het systeem ongeveer vier keer beter dan een eenvoudige 'mean-predictor' baseline, zoals uiteengezet in de .
Toch zijn er beperkingen aan de huidige methode. Hoewel er een gedeeltelijke overdracht van kennis plaatsvindt naar onbekende bacteriële soorten (met een $R^2$ van circa 0,37), neemt de nauwkeurigheid drastisch af wanneer het model moet extrapoleren naar bomen die groter zijn dan de exemplaren in de trainingsset. Dit wijst erop dat de schaalbaarheid van het model nog verder moet worden ontwikkeld voor extreem grote datasets.
Ondanks deze uitdagingen biedt het onderzoek een belangrijke stap voorwaarts in de schaalbaarheid van fylogenetische analyses. Door de combinatie van de nieuwe dataset en de gevalideerde heuristiek kunnen wetenschappers voortaan sneller benaderingen maken van evolutionaire afstanden. Hierdoor kunnen zij complexe analyses uitvoeren zonder dat zij telkens worden belemmerd door de computationele complexiteit van NP-harde problemen. Meer details over de methodologie en de resultaten zijn terug te vinden in de .