Principal components analysis in the space of phylogenetic trees
系统发育树空间中的主成分分析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：摘要研究生物系统发育树的几何降维，出现主成分分析不足以归入经济或金融因子模型。
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
系统发育树空间中的主成分分析
- 研究问题
- 研究进化树集合不构成向量空间时，如何推广主成分分析，以识别树拓扑和分支长度变异的主要来源。
- 方法与思路
- 作者在树空间中寻找使投影方差最大的测地线主路径，并针对高维和非线性带来的计算困难采用近似优化算法。
- 材料陈述的贡献
- 摘要称所构造主路径能够揭示并量化拓扑及分支长度的主要变异，且用模拟树集合与动物物种基因树展示方法。
- 阅读关注点
- 阅读全文时应核对树空间距离与投影定义、主路径的优化目标，以及近似搜索的稳定性和变异解释方式。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，无法判断最优路径的唯一性和近似算法误差，也不能据此推断因子模型结果或刊本变化。
原文摘要
Phylogenetic analysis of DNA or other data commonly gives rise to a collection or sample of inferred evolutionary trees. Principal Components Analysis (PCA) cannot be applied directly to collections of trees since the space of evolutionary trees on a fixed set of taxa is not a vector space. This paper describes a novel geometrical approach to PCA in tree-space that constructs the first principal path in an analogous way to standard linear Euclidean PCA. Given a data set of phylogenetic trees, a geodesic principal path is sought that maximizes the variance of the data under a form of projection onto the path. Due to the high dimensionality of tree-space and the nonlinear nature of this problem, the computational complexity is potentially very high, so approximate optimization algorithms are used to search for the optimal path. Principal paths identified in this way reveal and quantify the main sources of variation in the original collection of trees in terms of both topology and branch lengths. The approach is illustrated by application to simulated sets of trees and to a set of gene trees from metazoan (animal) species.