Phylogenetic networks extend phylogenetic trees to model non-vertical inheritance, by which a lineage inherits material from multiple parents. The computational complexity of estimating phylogenetic networks from genome-wide data with likelihood-based methods limits the size of networks that can be handled. Methods based on pairwise distances could offer faster alternatives. We study here the information that average pairwise distances contain on the underlying phylogenetic network, by characterizing local and global features that can or cannot be identified. For general networks, we clarify that the root and edge lengths adjacent to reticulations are not identifiable, and then focus on the class of zipped-up semidirected networks. We provide a criterion to swap subgraphs locally, such as 3-cycles, resulting in undistinguishable networks. We propose the "distance split tree", which can be constructed from pairwise distances, and prove that it is a refinement of the network's blob tree, capturing the tree-like features of the network. For level-1 networks, this distance split tree is equal to the blob tree refined to separate polytomies from blobs, and we prove that the mixed representation of the network is identifiable. The information loss is localized around 4-cycles, for which the placement of the reticulation is unidentifiable. The mixed representation combines split edges for 4-cycles, with regular tree and hybrid edges from the semidirected network, with edge parameters that encode all information identifiable from average pairwise distances.


翻译:植物遗传网络将植物遗传树扩展至非纵向继承的模型, 使一系系系继承来自多个父母的材料。 从基因组全域数据中估算植物遗传网络的计算复杂性, 以及基于可能性的方法限制了可处理网络的大小。 基于对称距离的方法可以提供更快的替代方法。 我们在这里研究基础植物遗传网络中平均对称距离所含信息, 描述能够或无法辨别的地方和全球特征。 对于一般网络, 我们澄清, 与回溯相相邻的根和边缘长度无法辨别, 然后侧重于固定半方向网络的分类。 我们提供了一个标准, 用来对本地的子结构进行交换, 如三周期, 从而导致不可分解的网络规模。 我们建议使用“ 远分立树 ”, 它可以用双向距离构建, 并证明它是网络的精细化和类似树的特征。 对于双向的双向边缘网络来说, 这条距离的离谱树和双向树的边缘参数是相等的, 并且我们和双向的双向树级半向树类分系 。 我们用固定的分流的分流的网络, 和混合循环的分层代表是可识别 4 。

0
下载
关闭预览

相关内容

【如何做研究】How to research ,22页ppt
专知会员服务
108+阅读 · 2021年4月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
轻量attention模块:Spatial Group-wise Enhance
极市平台
15+阅读 · 2019年7月3日
GCNet:当Non-local遇见SENet
极市平台
11+阅读 · 2019年5月9日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Identity-aware Graph Neural Networks
Arxiv
14+阅读 · 2021年1月25日
Arxiv
5+阅读 · 2019年6月5日
Arxiv
12+阅读 · 2019年4月9日
VIP会员
相关资讯
轻量attention模块:Spatial Group-wise Enhance
极市平台
15+阅读 · 2019年7月3日
GCNet:当Non-local遇见SENet
极市平台
11+阅读 · 2019年5月9日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员