15万细胞谱系树不再逐棵搜索：HERACLES用四元组似然在单GPU上约四小时重建
核心概要
CRISPR谱系记录能追踪数十万细胞的祖先，但基于似然的建树方法要在树空间里反复搜索，规模一大就难以承受。HERACLES把每个细胞表示为双曲空间中的点，只对采样的细胞四元组计算CRISPR编辑似然，用梯度直接优化这些坐标，收敛后再做一次邻接法得到完整系统树。在模拟基准上它的重建误差低于LAML、Startle-NNI和距离类方法，并能在单块GPU上约四小时处理15万个细胞。
深度剖析
谱系重建现在可以在不反复构造完整系统树的前提下使用显式演化模型，把似然推断的精度带到十万级细胞规模。 此前精确方法要在树空间做穷举或随机搜索，搜索空间随细胞数超指数增长；贪心的邻接法、UPGMA和Cassiopeia-Greedy虽快，却依赖未必忠实反映真实树的距离。 在LAML基准全部八个条件上平均重建误差最低，优势随谱系增大而扩大，从250细胞的ΔRF=−0.023到500–1,000细胞的ΔRF=−0.12；在500–1,000细胞条件上，LAML的拓扑搜索在150个数据集中有146个原样返回其邻接法初始树。
做法是把细胞放进双曲空间，让它们之间的距离直接承担演化距离的角色，再用采样四元组的似然推动这些坐标移动。 双曲空间能低失真地容纳指数级分支，但此前用成对似然的嵌入不约束共享分支结构，而每步重建整棵树的嵌入方法代价至少随细胞数平方增长。 每个四元组只需六个成对双曲距离和到创始者的距离即可恢复有根拓扑与枝长，每轮采样15n个四元组，使单步似然计算为O(n×S)；在1,000–10,000细胞的240个独立模拟数据集上，HERACLES相对邻接法与UPGMA分别把平均RF距离降低0.14–0.15和0.10–0.12，并在240/240个数据集上优于两者。
启示与展望
演示范围是模拟基准上的重建精度与规模，加上KP-tracer肿瘤3724_NT_All的1,461个细胞和PEtracer克隆4的3,108个细胞两项实验数据；这些实验数据没有真实系统树，只能用解剖取样位置和独立慢病毒条形码作外部核对。
四元组复合似然是对完整系统树似然的近似，邻域采样并不保证覆盖每一条祖先分支；KP-tracer的迁移计数依赖是否折叠无编辑支持的枝，不折叠时LAML的总迁移数略少于HERACLES（99对101）；HERACLES目前只返回单棵系统树，不量化不确定性。