机器学习革新进化树置信度评估，替代传统自举检验实现高效精准分支打分

系统发育树构建完成后，分支支持度是判断演化分群可信度的核心指标，传统aLRT、aBayes等主流评估方案各有短板，要么运算耗时极长，要么分值概率解释模糊、模型失配时误差激增。以色列特拉维夫大学团队提出全新机器学习分支打分方案，依托海量仿真序列数据训练梯度提升分类模型，兼顾运算速度、分类精度与概率可解释性，相关成果刊发于《Bioinformatics》。

一、传统分支评估方法存在多重固有缺陷

目前主流分支可信度工具分为非参数自举、似然近似检验两大类。经典自举法需要反复重采样、重建进化树，海量迭代带来巨大算力消耗，单数据集耗时可达上百分钟；IQTree、RAxML配套的超快自举、转移自举虽做简化近似，但分值存在明显置信偏移，容易过度高估或低估分支可靠性。而aLRT、aBayes等参数化检验仅依托局部拓扑似然差计算分值，同样无法输出贴合真实演化的概率数值，且当序列进化模型设定与真实情况不符时，评估误差会大幅扩大。现有所有工具都无法让分支分值直观对应“该分支真实存在的概率”，科研人员解读结果时存在主观偏差。

二、机器学习分类框架：构建全新分支打分体系

研究将分支可信度判定转化标准化二分类任务，把进化树二分支是否出现在真实演化树作为标签，从多序列比对、树拓扑结构中提取30余项特征训练LightGBM梯度提升模型。特征覆盖序列数量、位点保守度、枝长分布、邻近拓扑似然差值、简约树分群占比等多维度信息，通过递归特征筛选保留高贡献指标，仅邻近NNI拓扑的似然差值一项就具备极强区分能力。团队基于AliSim生成近7000套仿真多序列比对数据集，覆盖30–1000条序列、长短多种比对长度，划分训练、测试、验证集，同时设置两套模型失配场景验证鲁棒性，分别适配IQTree、RAxML-NG、FastTree三款主流建树软件，独立训练专属分类器，代码与全部仿真数据开源至GitHub与Figshare便于复用。

三、仿真数据集验证：精度、校准性、速度全面领先

ROC曲线与ECE校准误差结果显示，该机器学习方案在全部测试集AUC稳定高于0.96，显著优于超快自举、aLRT、SH检验等传统方法；分值具备精准概率对应关系，70分即代表该分支70%概率存在于真实演化树，校准误差仅0.002，远低于其余工具普遍0.04以上的偏差。即便人为制造进化模型错配场景，模型AUC降幅不足0.001，抗干扰能力突出。速度优势同样显著，同等数据集下传统RAxML自举中位耗时138分钟，机器学习模型仅需6.5分钟，剔除似然差值特征后运算可压缩至7秒，大幅降低批量基因组、病毒序列进化分析算力门槛。特征重要性分析证实，拓扑似然差值、简约树分群占比是核心判断依据，多特征融合才能达到最优判别效果。

图一：基于各种测试数据ROC曲线。（引自参考文献）

四、实测基因数据集表现稳定，适配各类演化分析

研究选取40套真实DNA、蛋白同源比对开展实测，包含动物多基因数据集、病毒基因序列。机器学习分支分值与经典自举结果相关性达0.73–0.85，和aLRT、aBayes高度相关，但在存争议演化分支上给出更客观判定：如珊瑚细分支、海绵单系群等学界存疑分群，传统参数检验给出高支持度，机器学习模型分值偏低，和全基因组整合树结论保持一致，有效规避单一基因拓扑带来的误判。模型性能几乎不受序列条数、比对长度、演化复杂度影响，训练集超过400套后精度达到平台期，无需无限扩充仿真数据。

五、现存局限与后续优化方向

当前方案默认多序列比对完全准确，未考虑比对错位、空位干扰带来的评估偏差，后续计划整合多套备选比对数据，纳入比对不确定性特征优化模型；同时现有特征为人工设计，未来可借鉴 MSA Transformer 等蛋白大模型，用无监督嵌入自动提取序列深层演化特征，进一步提升复杂进化场景适配能力。该机器学习分支打分框架轻量化、易集成，有望整合进 IQTree、RAxML 等主流系统发育软件，成为替代自举检验的标准化快速评估工具，大幅简化病原溯源、物种分化等研究的可信度分析流程。

参考文献

[1] Ecker, N., Huchon, D., Mansour, Y., Mayrose, I., & Pupko, T. (2024). A machine-learning-based alternative to phylogenetic bootstrap. Bioinformatics (Oxford, England), 40(Suppl 1), i208–i217. https://doi.org/10.1093/bioinformatics/btae255