2026-09-18
Broad等把贝叶斯系统发育改写成显式突变标注树。新冠、埃博拉上与BEAST一致且快两三个数量级;3339条H5N1四十二分钟跑完,十万条模拟序列十五小时收敛。
爆发期间病原体测序已经是常规动作。公开的新冠基因组超过 1700 万条,系统发育树是把这些序列整理成传播史的基本工具:定爆发起点、区分人传人与动物溢出、找主要谱系、看地理扩散。
贝叶斯方法(BEAST X、BEAST 2、MrBayes)能同时估树并量化不确定性,是这个领域的金标准。卡点是算力。一线流行病学团队多数用不上,NextStrain、Cov2Tree 这类实时追踪系统只好退回最大似然或最大简约,先出一棵点估计树,再用事后补丁估误差。爆发序列彼此往往只差 0 到 2 个位点,稀疏得要命,传统 Felsenstein 剪枝却还在每个位点、每个节点上重算偏似然。
Delphy 把整套贝叶斯系统发育绕「显式突变标注树」(EMAT)重写。EMAT 是带时间戳的分叉树:根序列写清楚,每条枝上标出突变发生的位点与时刻,缺失数据用 missation 标出来。灵感来自 UShER 的突变标注树,补上时间戳、同枝多次突变和显式缺失编码。
后验主要由遗传先验主导。每个位点独立走连续时间马尔可夫链,遗传先验拆成三类局部因子:根序列的平稳分布、枝上的逃逸率、每次突变的转移率。算一次的代价跟树上元素个数成正比。
采样用标准 MCMC。核心招数是子树剪接(SPR):把以 X 为根的子树从附着点 P 摘下来,接到 P′。在 EMAT 上,后验比几乎只取决于 P–X 和 P′–X 这两条枝上的几个因子,少量局部运算就能评估;Felsenstein 剪枝评估一次类似招数,可能要几十万次运算,因为从附着点到根的每个可变位点都要重算。单步的统计效率会差一些,每步便宜得多,整体划得来。
另外几招撑起可用性和规模:
对照基线是 BEAST X、BEAST 2,以及 NextStrain 核心 IQ-Tree 2 + TreeTime。速度按每分钟有效独立样本计,数字来自原生二进制而非浏览器。
| 设置 | 对照 | Delphy |
| 757 条早期新冠 | BEAST 2 / BEAST X | 快 2-3 / 约 2 个数量级,MCC 与参数分布基本重合 |
| 1610 条西非埃博拉 | BEAST X(Skygrid) | 统计效率高约 3 个数量级 |
| 81 条埃博拉、174 条寨卡 | BEAST | 只略快;寨卡每序列拓扑 ESS 大约低 7 倍 |
| 3339 条美国牛群 H5N1 | BEAST X 跑了 21 天未过半;IQ-Tree 2 数小时 | 42 分钟出结果 |
| 10 万条模拟序列 | 既往最大贝叶斯约 4 万条、固定拓扑、约 3 周 | 96 vCPU 上 14.80 小时,ESS=248 |
H5N1 复现了已知动力学:起源德州农场,tMRCA 约 2023 年 12 月 26 日(95% HPD 12 月 2 日到次年 1 月 15 日),全节段突变率 3.3×10⁻³/位点/年。猴痘 177 条 hMPXV-1 用 APOBEC3 双分区模型,MCC 与 BEAST 对齐;简约地理重建把溢出定在尼日利亚南南区,到 Rivers 州这一级就不再有把握。
回溯 2020 年 1-3 月提交到 GISAID 的完整新冠序列:到 2 月 1 日,突变率 1-2×10⁻³、倍增时间 10-20 天、tMRCA 约 2019 年 12 月初,这三项已经能看见。位点速率异质性参数 α 对不上,因为 Delphy 用连续 gamma,BEAST 用 K 类离散近似;关掉异质性后两边不再有显著差别。
对做基因组流行病学的人,这把「贝叶斯太慢所以先用最大似然」这条默认路径拆开了。爆发数据正好是 Delphy 吃得最香的形态:近乎相同的序列、稀疏突变。浏览器打开产品站点,喂 FASTA,笔记本就能出带 95% HPD 的 MCC、谱系和突变流行曲线。软件 MIT 许可,核心想法进公有领域。
这不是新的进化模型。同一套贝叶斯后验换了一种数据结构。该用 BEAST 全家桶的复杂模型(密码子、松散钟、完整地理扩散)现在还得回 BEAST。稀疏度不够的深层进化数据,显式突变表示仍然精确,但加速会缩水,甚至变慢。
论文自己划了几条硬边界。末梢采样日期不确定性到以年计时,mdSPR 会垮,目前不适合这类数据,建议丢掉日期误差超过 1 年的序列。忽略测序误差,似然只有 0 或 1。部分简并碱基(如 Y=C/T)当缺失处理。首发只有 HKY、严格钟、溯祖/Skygrid,没有密码子效应和完整 phylogeography。
规模端,10 万条时并行化的溯祖先验有数值误差,那次跑只用了机器不到 25% 的算力,并行还是概念验证。H5N1 两次独立跑里,突变计数中途各跳了一次(约 4364→4358、4361→4357),别的轨迹看不出来,谱系相关图上冒出零星离群点;对种群曲线和 tMRCA 影响可忽略。约 18% 公开 H5N1 序列缺精确日期,这篇和每日更新树都没纳入。
网页版还要再乘 2-3 倍 WebAssembly 税。一线「打开浏览器就跑」和论文图表里的 42 分钟、15 小时,不是同一档机器。