Exact Decoding of a Sequentially Markov Coalescent Model in Genetics
遗传学序列马尔可夫溯祖模型的精确解码AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究遗传谱系模型的连续状态推断，使用马尔可夫模型不足以将其归入宏观时间序列等计量细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
遗传学序列马尔可夫溯祖模型的精确解码
- 研究问题
- 序列马尔可夫溯祖模型中的谱系状态连续，传统隐马尔可夫方法需要离散化；能否直接在连续状态空间中开展推断？
- 方法与思路
- 作者提出绕过谱系树空间离散化的方法，在连续状态空间中推导快速、精确的频率学派和贝叶斯推断程序。
- 材料陈述的贡献
- 摘要称，程序无需数值优化或EM、较少依赖用户调参，并相较既有方法更快、更准确；这些比较仍需全文核验。
- 阅读关注点
- 应核对“精确”所指的模型与计算范围、连续状态解码的实现、复杂度，以及速度和准确性比较的基准与设置。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未提供算法细节或比较数值，精确推断不等于演化模型无近似，刊本变化未知。
原文摘要
In statistical genetics, the sequentially Markov coalescent (SMC) is an important family of models for approximating the distribution of genetic variation data under complex evolutionary models. Methods based on SMC are widely used in genetics and evolutionary biology, with significant applications to genotype phasing and imputation, recombination rate estimation, and inferring population history. SMC allows for likelihood-based inference using hidden Markov models (HMMs), where the latent variable represents a genealogy. Because genealogies are continuous, while HMMs are discrete, SMC requires discretizing the space of trees in a way that is awkward and creates bias. In this work, we propose a method that circumvents this requirement, enabling SMC-based inference to be performed in the natural setting of a continuous state space. We derive fast, exact procedures for frequentist and Bayesian inference using SMC. Compared to existing methods, ours requires minimal user intervention or parameter tuning, no numerical optimization or E-M, and is faster and more accurate.