Neurale Netze approximieren phylogenetische Distanzfunktionen

Forscher haben minimalistische neuronale Netzarchitekturen entwickelt, die klassische phylogenetische Distanzfunktionen exakt nachbilden können. Diese Modelle sind kompakt, benötigen nur wenig Speicher und lassen sich problemlos auf große Mengen von Taxa und molekularen Merkmalen skalieren.

Im Gegensatz zu den traditionellen Bayesschen oder Maximum‑Likelihood‑Methoden, die auf komplexen Evolutionsmodellen beruhen, arbeiten die neuen Netze mit einem deutlich geringeren Rechenaufwand. Sie lernen die Distanzfunktionen aus Trainingsdatensätzen, die verschiedene molekulare Evolutionsmodelle abdecken, und zeigen dabei eine hohe Generalisierbarkeit.

Die Ergebnisse der Studie deuten darauf hin, dass die neuronalen Netze Ergebnisse liefern, die mit den derzeit führenden modellbasierten Verfahren vergleichbar sind – und das mit einem viel kleineren Ressourcenverbrauch. Diese Fortschritte eröffnen neue Möglichkeiten für die schnelle und effiziente Rekonstruktion phylogenetischer Beziehungen in großen biologischen Datensätzen.