DPVT：基于树遍历神经网络的系统发育推断新方法

DPVT（Deep Phylogenetics Via Traversals）是一个结合深度学习与系统发育学的PyTorch项目，通过TraverseNN神经网络遍历树结构预测最大简约树中的边，旨在解决传统最大简约法处理大规模数据时的计算复杂度问题，为生物信息学中的系统发育推断提供新路径。

系统发育推断的核心任务是通过DNA序列重建物种进化树，最大简约法假设进化遵循最简原则，但搜索空间随物种数量指数增长（n个物种对应(2n-5)!!个无根二叉树），传统算法遍历候选树成本高昂。DPVT提出核心问题：能否训练神经网络判断哪些边可能出现在最大简约树中，从而缩小搜索空间？

DPVT实现TraverseNN模块，利用树结构层次特性：

1. 数据表示：支持两种数据集格式——TraversalDataset（将树遍历序列化为张量，支持GPU加速，含上下遍历方向，节点特征通过RNN学习）和TreeDataset（用ete3库保留树拓扑与属性）；
2. 前向传播流程：
   • 遍历学习：信息从叶节点到根再返回（类似消息传递）；
   • 位点聚合：用Transformer编码器聚合跨位点信息，取平均得节点最终特征；
   • 分类输出：线性层+Sigmoid输出边在最大简约树中的概率（接近0为存在，1为不存在）。

• 突变编码：DNA碱基突变用四维向量编码（如A→T为[-1,1,0,0]），保留方向性；
• 对称性处理：子节点顺序不影响父节点特征，确保交换子节点输出一致；
• 训练策略：训练/验证划分0.8/0.2，正负样本（MP边vs非MP边）比例平衡，保障分类任务效果。

• 环境配置：用conda/mamba管理依赖，通过environment.yml创建环境，执行mamba env create -f environment.yml和pip install -e .；
• 数据格式：训练数据为pickle格式，字典键是树对象，值为标签列表（0=MP边，1=非MP边，按先序遍历排序）；
• GPU加速：TraversalDataset基于torch.tensor，支持GPU高效运行，适用于大规模数据集。

DPVT的潜在应用包括：

1. 加速系统发育推断：优先搜索高概率边，减少计算时间；
2. 指导启发式搜索：为RAxML/IQ-TREE等传统方法提供启发式指导；
3. 理解进化模式：神经网络特征可能揭示隐含进化规律；
4. 扩展方向：从最大简约法扩展到最大似然法或贝叶斯推断等复杂模型。

DPVT展示了深度学习与传统生物信息学融合的创新方向，通过树遍历机制和突变编码，TraverseNN能预测系统发育树中的重要边，兼具计算效率优势与生物学分析价值，为生物信息学、计算生物学或图神经网络研究者提供参考案例。