IF36.1｜从常见到稀有：迁移学习建模25万种节肢动物

CORAL借常见物种信息，让稀有物种也能被有效建模与预测。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

DNA宏条形码等新型监测技术能高效记录成千上万物种的时空分布，但其中绝大多数物种是稀有的，出现次数极少。传统物种分布模型通常设定出现次数阈值，直接剔除稀有物种，导致大量数据被浪费。联合物种分布模型（JSDM）虽然能同时建模多物种并借用物种间信息，但现有方法难以扩展到数十万乃至百万物种，且对极度稀有的物种表现不佳。HMSC框架通过系统发育或分类关系共享物种对环境变量的响应，能有效借用信息，但计算负担限制了其在大规模群落中的应用。

科学问题

卡在哪里： 现有JSDM方法无法扩展到包含数十万稀有物种的数据集，而简单剔除稀有物种会损失绝大部分生物多样性信息。稀有物种数据稀疏，单独建模时参数估计极不稳定，但它们在保护生物学中往往最需要关注。

本文要回答： 开发一种计算高效且统计有效的建模方法，能够同时推断和预测常见与稀有物种的分布，充分利用大规模群落数据中的全部信息。

技术路线

作者主要用了：贝叶斯迁移学习、HMSC、潜在因子、系统发育/分类先验、独立物种模型。

作者提出CORAL（Common to Rare Transfer Learning）方法。首先用常见物种（出现≥50次）拟合HMSC骨干模型，估计环境响应系数和样本级潜在因子。然后将潜在因子作为额外预测变量，并为每个稀有物种构建条件先验：先验均值基于分类学相似性从常见物种系数借用信息，先验方差由分类距离决定。最后对每个稀有物种独立拟合贝叶斯probit模型，使用该信息先验更新其后验。由于稀有物种模型相互独立，计算可完美并行，从而扩展到数十万物种。

图 1　Fig. 1。图1展示了CORAL的三阶段流程：先用常见物种拟合HMSC骨干模型，估计环境响应和潜在因子；然后将潜在因子作为固定预测变量，并为稀有物种构建基于分类学相似性的条件先验；最后对每个稀有物种独立拟合贝叶斯模型。该图强调了与计算上不可行的联合建模的对比，以及并行化的优势。

核心亮点

亮点 1｜CORAL显著提升稀有物种预测精度

对22,140个出现至少5次但未纳入骨干模型的物种进行交叉验证，CORAL相比基线模型大幅提升所有评估指标：AUC从0.86升至0.94，Tjur's R2从0.03升至0.08，PRAUC从0.07升至0.16，Brier score从0.004降至0.003，负对数似然从0.023降至0.016，对数行列式从-28.2降至-36.4，所有差异P<10^-16。进一步分析表明，大部分提升来自纳入潜在因子，而非直接借用分类学信息；潜在因子贡献了约75%的AUC增益。

图 2　Fig. 2。图2对比了骨干模型（仅常见物种）和CORAL模型（所有物种）对环境变量的响应。红色/蓝色大点表示常见物种的显著正/负响应，粉色/青色小点表示稀有物种。图中可见同色点聚集，表明分类学相关的稀有物种继承了常见物种的响应方向，但也存在例外，体现数据对先验的更新。

亮点 2｜系统发育信号强，先验信息有效

骨干模型中物种对环境变量的响应具有强系统发育信号（后验均值ρ=0.65，后验概率Pr(ρ>0)=1.00）。方差缩放因子k介于0.13至0.70，均值0.34，表明先验方差大幅缩减。k值随与骨干模型中最近亲缘关系的分类等级降低而减小（图3a）。条件先验模型的判别能力（AUC）随亲缘关系等级提高而增加，且对出现次数较多的物种更准确（图3b）。

图 3　Fig. 3。图3a显示方差缩放因子k随与骨干模型中最近亲缘关系的分类等级变化：等级越近（如同属），k值越小，先验方差缩减越大。图3b显示条件先验模型的AUC随亲缘等级提高而增加，且对出现次数>10的物种AUC更高，均高于随机水平（AUC=0.5）。

亮点 3｜CORAL后验解析近似，存储高效

CORAL后验被近似为多元正态分布，每个物种仅需存储均值向量和协方差矩阵（25个参数，共350个数值）。全部255,188个物种的模型仅占约1.1 GB。解析近似使得后验预测概率可直接计算，无需MCMC采样。模型校准良好：预测的物种出现次数与观测值基本一致（图5a），物种丰富度预测略有高估（图5b），温度与降水梯度上无系统偏差（图5c,d）。

图 4　Fig. 4。图4展示两个示例物种的预测：较常见的Garcorops madagascar（10次出现）和极稀有的Chrysops madagascarensis（1次出现）。CORAL模型的后验区间明显窄于基线模型，尤其对极稀有物种。图4c显示所有物种后验方差平均值的比较，CORAL方差更小，且缩减程度随与骨干模型亲缘关系增加而增大。

亮点 4｜稀有物种环境响应可被可靠推断

通过将常见物种的出现数据随机稀疏化90%来模拟稀有物种，再用CORAL估计其环境响应，并与完整数据骨干模型估计值比较。结果显示高相关性：气候与季节预测变量平均相关系数0.68（标准差0.06），样本级潜在因子0.69（0.04），位点级潜在因子0.73（0.04）。表明CORAL能从极少量出现记录中恢复物种的环境响应。

图 5　Fig. 5。图5评估模型校准：a图比较每个物种的期望出现次数与观测出现次数，整体吻合但最稀有物种略有高估；b图比较样本物种丰富度的预测与观测，存在轻微高估；c和d图显示温度与降水梯度上预测与观测比例无系统偏差，表明模型对气候变量的响应建模合理。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： 贝叶斯迁移学习、HMSC、潜在因子、系统发育/分类先验、独立物种模型
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事大规模生物多样性数据分析、联合物种分布建模或宏条形码研究的生信与生态统计人员。

带走一句

面对超大规模稀有物种数据，先建常见物种骨干模型，再为每个稀有物种定制信息先验，可兼顾统计效率与计算可行性。