跳到正文
bioRxiv· Di Palma, G.; Jacob, L.; Matias, C.; Sinaimeri, B.·· 来源仅提供日期AI 评分55

Fox:用关联感知注意力预测宿主与共生体协同演化事件频率

Fox: Predicting rates of host-symbiont co-evolution events with association-aware attention

AI 导读

Di Palma 等提出 Fox,一种 transformer 神经网络架构,可直接从宿主与共生体的多序列比对及序列映射中推断共成种、宿主转换、复制和丢失四类协同演化事件的相对频率,无需树重建或协调步骤。

预印本 · biorxiv · 10.64898/2026.10.29.762770

本站摘要基于收录版本 v1(2026-10-31),原始摘要与 AI 导读固定保留。

来源最近更新: · 来源 v1

摘要 · AI 翻译

动机:宿主与其共生体有着共同的关联历史,在这一历史中,谱系会共物种形成、宿主转换、复制或丢失。量化这四类事件的相对频率是协同系统发育学的核心目标,但现有工具通常需要一棵完全解析且正确生根的宿主树,往往还需一棵共生体树,从而将树推断误差传播到协调分析中,且在大型系统上的扩展性很差。结果:我们提出了 Fox,一种 Transformer 神经网络架构,它能直接从一对宿主与共生体的多序列比对(MSA)及其序列映射中推断这四类协同系统发育事件的相对频率,无需进行树重建或协调步骤。Fox 采用基于模拟的推断方案进行训练:它从由协同进化过程生成的比对中学习事件频率,将计算成本一次性花在训练阶段,之后处理任何新系统只需一次前向传播。在来自其训练模拟器的留出数据上,Fox 能够准确恢复事件频率,且偏差接近于零。在来自独立协同系统发育模拟器的额外合成数据上,其误差大约翻倍,但仍然很低,足以追踪真实频率。最重要的是,在这些数据上与基于近似贝叶斯计算(ABC)的方法 AmoCoala 相比,它将共物种形成、宿主转换和复制的平均绝对误差降低了 45-76%,在丢失事件上误差相当,同时运行速度快三个数量级以上。应用于实证的蟑螂-Blattabacterium 系统时,Fox 恢复了预期的以共物种形成为主的特征,表明在模拟数据上学到的行为可以迁移到真实序列上。这些结果证实,通常从树中提取的协同进化信号可以直接、准确且快速地从比对本身读出。

来源:bioRxiv · biorxiv.org