系统发育树后验推断改用迭代生成模型：复杂演化模型下比IQ-Tree更准，简单数据上持平
核心概要
系统发育树的后验推断长期依赖似然计算，而插入缺失、位点选择等真实演化过程让似然不可解。这组条件生成模型把建树拆成自底向上、自中向外或自顶向下的一步步决策，用离散扩散目标训练，在真实与合成数据上比此前的模拟推断方法Phyloformer 2更接近MCMC后验；在简单数据上与IQ-Tree持平，在更真实的复杂模型数据上稳定更准。
深度剖析
系统发育树的后验分布现在可以由一个只靠模拟数据训练的生成模型直接采样，不再需要写出演化模型的似然函数。 此前的贝叶斯推断依赖MCMC，而MCMC需要似然；对含插入缺失、位点间选择依赖或上下文相关突变率的模型，似然不可解，实践中只能退而使用已知设定有误的简化模型或丢弃数据。 在8个经典真实演化数据集及其同规模合成数据上，模型采样树与MrBayes金标准后验之间的MMD距离明显小于此前的模拟推断方法Phyloformer 2，合成数据上接近零，真实数据上差距更大。
模型不一次性输出整棵树，而是反复前向计算，每次根据当前已建出的部分树决定下一步合并、嫁接或下沉哪个分类单元。 此前的模拟推断方法Phyloformer 2只做一次前向传播，用固定嵌入参数化整棵树的分布，无法表达后一步依赖前一步的合并概率。 三种建树范式都用图神经网络参数化，并以离散扩散目标训练，训练约100 GPU小时；在DNA或蛋白质序列数据上，三种范式的ELBO均优于Phyloformer 2，其中自底向上范式在简单数据上表现最好。
在似然不可解的复杂演化模型下，模型给出的点估计树比常用的最大似然工具IQ-Tree更接近真实树。 IQ-Tree在简单模型设定正确时是可靠基线，但在含蛋白质位点选择（CAT）和插入缺失（InDel）的数据上会忽略这些效应。 以无根Robinson-Foulds距离对照真实树衡量，模型在JC数据上与IQ-Tree相当，在CAT和InDel数据上优于IQ-Tree，也优于IQ-Tree Flex；自底向上与自中向外模型在多数设置下采样速度快于IQ-Tree。
启示与展望
演示范围是8个经典真实数据集及同规模合成数据，覆盖JC、CAT与InDel三类演化模型；模型只推断树拓扑，不预测枝长。
在真实数据上模型的后验偏保守，高概率分裂的后验概率系统性低于MrBayes，真实数据上的分布距离也明显大于合成数据；作者把缩小这一差距、扩展到枝长与物种树列为后续方向。